基于改进粒子群算法的分布式电源选址定容优化设计

在分析了分布式电源接入对配电网影响的基础上,针对配电网中的关键问题———分布式电源的选址和定容,进行了优化设计.通过构建包含分布式电源的投资运行费用、环境因素、网损费用的目标函数,并考虑潮流约束、电流约束、电压约束、系统容量约束等条件,搭建了分布式电源的模型,采用一种改进的粒子群算法,设计出了分布式电源所处位置及容量.通过仿真分析计算,验证了该方案的正确性和有效性.     

基于PSO-DE混合算法的结构可靠性优化设计

为提高结构可靠性优化设计的效率,利用粒子群优化(PSO)和差分进化(DE)算法的搜索特性,构造一种PSO-DE混合算法,以克服基本PSO算法的早熟问题.将PSO-DE混合算法与结构可靠性优化理论相结合,建立了结构系统失效概率约束下以结构质量最小化为目标的优化模型.算例结果表明:与基本PSO算法相比,文中提出的PSO-DE混合算法提高了收敛速度和计算精度;该算法易于实现,鲁棒性好.     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

基于零件库绿色模块划分EHDPSO不确定优化

针对绿色模块划分过程中基本单元本身属性的多样性和其绿色属性的模糊不确定性,研究了绿色设计中包含不确定因素的产品模块划分问题,论述了基于零件库的产品绿色模块划分,既考虑模块之间功能相关性和结构相关性,又考虑零件库中零件本身的绿色属性,以模块内部最大聚合度、模块之间最小耦合度和零件库中零件之间组合绿色度最高为目标函数,建立了产品绿色模块划分的不确定优化模型,提出EHDPSO（十一进制离散粒子群,Eleven hexadecimal discrete particle swarm optimization）方法,求出最优模块划分以及相应各零件库中最优零件记录数。以双梁桥式起重机桥梁作为实例,得出最优编码10,10,10,10,8,8,9,9,9,6,3,库记录数2,1,1,2,1,2,2,1,1,2,2,可得主梁库中记录2、轨道库中记录1、端梁库中记录1和端梁栏杆库中记录2为同一模块,走台库中记录1和走台栏杆库中记录2为同一模块,直梯库中记录2、斜梯库中记录1和司机室平台库中记录1为同一模块,司机室库中记录2和检验平台库中记录2分别为独立模块;三次实验结果均验证其合理可行性,在目前日益丰富的零件供应时代和零件本身因属性各异而需定性处理的情况下,本研究贴近企业生产,具有很好的实用价值。     

用于跳频分量搜索的环形拓扑粒子群算法

在分析粒子群局域最优模型和拓扑结构影响的基础上,提出采用环形拓扑的粒子群算法对跳频信号分量进行搜索.通过粒子之间的信息交互程度控制,实现了粒子在分量时频中心的自动聚集,克服了应用匹配追踪和传统多峰粒子群优化算法对跳频信号自适应分解时存在终止条件难以确定和需要先验知识的问题.     

求解经济负荷分配的自适应混沌粒子群算法

针对电力系统经济负荷分配(economic load dispatch,ELD)这一典型的非凸、非线性的多约束优化问题,提出一种自适应混沌粒子群算法(self adaptive chaotic particle swarm optimization,SACPSO).在混沌粒子群算法(CPSO)的基础上,先利用引入变异算子和社会因子的粒子群算法进行全局搜索,再对搜索得到的先验解进行基于Tent映射的混沌细搜索(CLS),并将逆映射回的决策变量和全局最优粒子的线性组合作为CLS的搜索结果输出.通过6机组、15机组电力系统的仿真,验证了该算法的有效性.     

基于DELMIA的变速箱虚拟装配仿真研究

针对变速箱零部件数量多、装配复杂等问题,文章提出以DELMIA为平台,对其进行虚拟装配过程仿真研究。为了解决变速箱装配方案这一难题,提出了基于拆卸法、组件识别法和装配关联图法三者相结合的装配序列规划方法,并在DELMIA环境下,对变速箱的箱体及其中一根轴的装配过程进行仿真,最后通过干涉碰撞检测和甘特图对其装配方案进行验证和优化。干涉分析与仿真验证表明,该方法能够有效地提高变速箱的装配质量、降低研制成本、缩短产品开发周期。     

精密设备主动SAWPSO-PID振动控制器设计及仿真研究

比例-积分-微分(PID)控制器具有简单、稳定性好、可靠性高、鲁棒性强等特点,在振动控制领域应用广泛。而传统的主动PID控制器参数以假设或经验性选取为主,不科学且不能充分发挥控制器性能。自适应权重粒子群算法(self-adaptive weight particle swarm optimization,简称SAWPSO)克服了传统粒子群算法寻优过程的早熟情况,能使PSO算法达到局部及全局最优的平衡。文章基于SAWPSO算法,设计了SAWPSO-PID控制器,以时间乘以误差绝对值积分(ITAE)为目标适应值函数,对精密设备振动进行了PID参数自整定的优化控制研究,并与经验型参数选定PID振动控制、被动隔振(无控)进行了对比分析。     

PSO-QGA在移动机器人复杂路径规划中的应用

量子遗传算法具有适应性强、收敛速度快、适合于全局搜索的特点,粒子群优化算法的优点是具有记忆能力,在智能搜索的实现上可以结合个体和全局的最佳位置实现位置定位,但粒子群优化算法在搜索速度和择优能力方面还有待提升.因此提出了一种改进的路径规划算法,即利用量子遗传算法结合粒子群优化算法的记忆功能和最佳定位能力,实现对移动机器人路径规划算法的改进.通过仿真实验已经证明,改进后的移动机器人路径规划算法在稳定性和路径优化选择上都优于单纯的粒子群优化算法和量子遗传算法,并且改进后的算法更适合于复杂路径中实现优化.     

基于Powell搜索法的混合微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部搜索能力强等优点,本文提出了一种与Powell搜索法相结合的改进微粒群算法实践.改进算法将微粒的搜索过程分为两阶段,第一阶段,将PSO算法的速度公式改进后进行搜索;第二阶段,将第一阶段的最后一代微粒作为Powell搜索法的初始点,让Powell搜索法与PSO算法交替进行.这样既克服了PSO算法易陷入局部最优的缺点,也大大提高了算法的求解精度和收敛速度,同时保持了微粒的多样性.仿真结果表明:同PSO算法相比,Powell-PSO算法具有较高的求解精度和较强的寻优能力,并且不论是对单峰函数还是多峰函数都能取得很好的优化效果.