一种极坐标下的改进多目标粒子群优化

对现有多目标粒子群优化算法的全局最优解选择机制进行分析,指出其不足。在此基础上设计一种全新的极坐标下的选择机制:利用极坐标下解和粒子的角度信息计算适应度角度,选择适应度角度最大的解作为粒子的全局最优解。并针对多目标粒子群优化算法在迭代后期收敛变慢的问题改进位置更新公式:将位置更新过程产生的中间点也作为粒子新位置的候选解,有效提高算法收敛速度。对测试函数的仿真试验表明,所提出的改进算法在解集的分布性和收敛性上较其它典型算法有明显提高。     

多UCAV协同目标分配算法研究

针对多无人作战飞机(unmanned combat aerial vehicle, UCAV)协同目标分配问题,提出了一种基于离散粒子群算法的多UCAV协同目标分配方法。根据多UCAV协同目标分配问题的特点,建立了粒子与实际问题间的映射,设计了新的粒子群位置和速度更新公式,并且对标准粒子群算法作了改进。充分利用粒子群优化算法的全局搜索能力,有效地解决多约束条件下多UCAV协同目标分配问题。仿真结果表明,离散粒子群算法能够稳定快速地找到较优分配方案,并且算法简单、灵活。     

基于模糊随机规划的反TBM目标分配优化模型

针对反导目标分配优化问题中存在的不确定性特征,引入模糊随机规划理论.首先建立了基于模糊随机规划的反战术弹道导弹(tactical ballistic missile,TBM)的目标分配优化模型.在此基础上,构建了一种针对多约束目标分配问题的粒子编码方案,并改进传统粒子群算法的位置和速度更新方式,提出了改进型离散粒子群(improve discrete particle swarm optimization,IDPSO)算法.最后,设计了模糊随机模拟技术和IDPSO算法相结合的混合智能求解算法.仿真实例表明,混合智能算法全局寻优能力强,优化效率高,满足反TBM目标分配优化对时效性的要求.     

基于优化SVM的反渗透脱盐水故障诊断

针对反渗透脱盐水系统中的反渗透膜故障问题,提出了一种基于支持向量机(SVM)的故障诊断方法.为了解决SVM的参数优化问题,采用一种基于改进的混沌粒子群优化算法的支持向量机参数选择方法.将混沌理论引入粒子群优化算法中,提高种群的多样性和粒子搜索的遍历性,有效地提高了粒子群算法的收敛速度和精度,得到了优化的SVM模型.并将此模型应用于反渗透脱盐水系统的故障诊断中.仿真结果表明,改进的SVM分类器能有效地诊断出反渗透膜故障,并且取得了较高的准确率和诊断效率.     

基于差分演化的改进多目标粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样挫;通过循环拥挤距离采控制归档集中非劣解的分布．提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘睹法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度...     

多邻域改进粒子群算法

为了改进标准粒子群算法的性能,提出了多邻域改进粒子群算法。算法提出了一种较为简单的多邻域拓扑方案,对速度惯性权重的更新策略进行了改进,引入了速度和搜索区间限制算法。经过对经典测试函数的计算测试,算法表现出良好的复杂问题求解能力。最后,针对多目标优化问题,给出了多目标应用在粒子群算法中的处理方法,并对经典的5维优化和Golinski 减速器设计问题进行了求解,通过数据比对,证明了算法性能远优于现有的一些算法。     

基于IBPSO的编队协同对地攻击目标分配算法

针对编队协同对地攻击目标分配问题特点,对二进制粒子群算法应用于编队协同对地攻击目标分配的若干问题进行研究。首先,通过战斗机毁伤目标收益和攻击目标代价建立了目标分配问题的评估标准。然后,在引入了一系列操作符的基础上,对二进制粒子群算法的速度和位置更新计算公式进行了改进,并利用改进的二进制粒子群算法完成了编队协同对地攻击目标分配。仿真结果表明,改进的二进制粒子群算法比遗传算法具有更强的全局寻优能力、更快的收敛速度。     

少控制参数的分层式骨干粒子群优化算法

针对传统粒子群优化易于早熟的缺点,提出一种少控制参数的改进骨干粒子群优化算法.该算法利用关于粒子全局和个体极值点的高斯分布更新粒子的位置,无需设置惯性权重和学习因子等控制参数;利用混沌扰动策略产生粒子的全局极值点,提高了粒子群的多样性;为改善算法的全局探索能力,依据收敛速度动态分配每个粒子的变异概率,设计了一种自适应跳离算子;为均衡算法的局部开发和全局探索能力,给出了一种分层式粒子更新公式.最后,将所提算法用于多个典型测试问题,并与三种典型算法进行对比,实验结果证明了它的有效性.     

基于IDPSO的武器目标分配优化算法

针对武器目标分配(weapon-target allocation,WTA)优化问题的特点,对改进型离散粒子群(improve discrete particle swarm optimization,IDPSO)算法应用于WTA的若干问题进行研究。首先建立了资源受限条件下最大化效费比的WTA优化模型。然后,构建了一种针对多约束WTA问题的粒子编码方案,在此基础上,改进传统粒子群算法的位置和速度更新方式,提出了带怀疑因子和斥力因子的IDPSO算法。仿真实例表明,该算法具有更强的全局寻优能力和更快的收敛速度,能够有效求解大规模WTA问题,适应现代战争中辅助决策对实时性的要求。     

基于最优评价的改进自适应粒子群算法

在求解高维空间中复杂多峰函数的优化问题时,传统的粒子群算法在收敛速度和局部搜索能力等方面表现出严重不足。针对这些问题,提出了一种基于最优评价的改进自适应粒子群算法(IAPSO),引入了改进的速度迭代公式,利用对每次迭代后种群的一系列最优值的评价来控制惯性权重的增幅,并设置对速度和位置的变异机制来防止搜索陷入局部最优。相关实验表明,在对高维空间中的复杂多峰函数进行优化求解时,改进粒子群算法IAPSO的表现比常规粒子群算法更加优越。     

基于测试重要度的Petri网序列优化算法

针对故障诊断测试序列优化问题,提出一种基于测试重要度的Petri网序列优化算法。该方法依据测试代价原则,并引入测试重要度函数,采用Petri网全局搜索算法,在传统测试优化目标测试费用和故障检测率的基础上,选择包含故障信息量大的测试,有效缩减测试序列的长度,并结合测试代价的反馈计算,减少总体测试费用。研究表明,所提出的优化算法克服了传统算法陷入局部优化的缺点,能够有效地减少总体测试代价。     

基于Web的导弹远程诊断系统

介绍了一种基于Web的导弹远程诊断信息处理系统。利用知识库、Web等新技术构建了一个专供导弹用户使用的导弹诊断互联网 ,导弹用户对导弹执行标准的测试程序并将测试结果发送到信息中心 ,通过服务器 ,采用严格的加密方式 ,发送到该专用互联网上 ,诊断网站进行分析诊断以后 ,把解决方案和监控状态反馈给用户 ,这样就实现了对导弹的实时监控及故障的自动诊断 ,提高了导弹系统的可靠性     

基于lookahead的交互式动态影响图的DMU改进算法

区别模型更新(discriminative model update,DMU)是一种常用的求解交互式动态影响图(interactive dynamic influence diagrams, I-DIDs)问题的算法。结合lookahead思想提出了一种判断模型近似行为等价的改进DMU方法。所提方法首先将满足近似行为等价的模型聚类形成代表模型集合,然后自上而下对代表模型进行更新,在模型更新过程中,只更新那些与其他模型预测行为不同的模型。结合lookahead思想提出了一种判断模型近似行为等价的方法。与DMU算法相比,该算法能迅速有效地减少模型的数量,从而减少了计算机的存储空间和运行时间,提高了算法的效率。最后通过对多Agent老虎问题及机器维修问题实验来验证所提方法的有效性。     

基于AP的Volterra级数自适应多重回归及其多步预测应用

为解决时间序列多步预测的高效率、高精度问题,提出一种基于Volterra级数的多重回归仿射投影自适应算法。应用虚假最临近点法算法选择最优嵌入维数,优化模型初始参数。以系统Volterra核向量增量的模与某约束总和为损失函数,按照最陡下降原理导出各阶Volterra核更新公式,再利用矩阵求逆引 理递推求取各阶Volterra子系统自相关逆矩阵导出算法,从而实现了对多输入多输出数据样本的建模,采用该模型对Henon映射产生的时间序列进行多步预测实验,结果表明可以对该时间序列进行准确建模和预测,证明了所提模型的有效性。     

改进的Pareto多目标协同优化策略

为了提高标准协同优化的收敛性并扩展其多目标优化能力,将Pareto多目标遗传算法用于协同优化的系统级优化,提出了一种改进的Pareto多目标协同优化策略（enhanced collaborative optimization using Pareto multi-objective genetic algorithm, ECO-PMGA）。为了保证非劣解集的Pareto最优性与均布性,提出了一种考虑拥挤度的非劣解逐级排序方法。ECO-PMGA采用2-范数形式的学科间一致性约束以提高学科级优化的效率。通过两个典型的优化算例对ECO-PMGA的数值稳定性与搜索Pareto非劣解集的能力进行了检验。研究结果表明,ECO-PMGA的收敛性与数值稳定性得以显著提高,而且ECO-PMGA具有良好的Pareto多目标优化能力。因此,ECO-PMGA在复杂耦合系统的多目标优化设计方面具有较高的实用价值。     

Actuator fault diagnosis of time-delay systems based on adaptive observer

1 .INTRODUCTIONOwingtotheincreasing demandfor highreliabilityinmany industrial processes , much attention has beenpaid to the problem of fault detection and diagnosis(FDD) in dynamic systems over the past twodecades. Fruitful results can be found in Refs .[1 ~3] .It is well known that faults in a dynamic systemcan take many forms . They can be actuator faults ,sensor faults ,unexpected abrupt changes of some pa-rameters or even unexpected structure changes[4 ,5].The purpose of detection…     

基于BPSO的多故障最小候选集生成技术

多故障最小候选集生成是制定多故障诊断策略的首要步骤。利用二进制粒子群优化算法（binary particle swarm optimization, BPSO）生成多故障模糊组的最小候选集。首先，利用紧集表示法描述某或节点上的多故障模糊组，其最小候选集即多故障模糊组的最小碰集|然后，利用BPSO算法求解多故障模糊组的最小碰集，通过构造个体适应度和群体适应度双函数，解决BPSO算法求解最碰集的适应性问题，并保证了算法尽可能搜索冲突集的全部碰集|最后，通过某系统实例对算法的有效性进行了验证。事实表明，该方法能有效应用于多故障最小候选集问题的求解。     

基于遗传算法的故障样本优化选取方法

为降低测试性验证试验费用,提出基于遗传算法的故障样本优化选取方法。方法通过故障-测试关联分析和故障-故障等价分析,确定初始故障样本集中各元素对应的等价集,并对初始故障样本集进行扩展,在此基础上,建立了故障样本选取优化求解模型。在不降低样本注入数量和测试特性的条件下,以试验费用最小为优化目标,给出了基于改进遗传算法的样本优化选取方法。算例应用结果表明,该方法设计的故障样本选取方法能有效降低测试性验证试验费用。     

网络化制造模式下基于改进蚁群算法的供应链调度优化研究

为制定网络化制造（networked manufacturing,NM）模式下供应链合作成员间的动态调度策略,构建了由制造商、协同设计商以及客户组成的三层动态调度模型;在生产能力约束、多目标优化约束等制约因素下,采用时间函数、成本函数和延期惩罚函数三个目标函数对调度问题进行描述;使用改进蚁群算法（improved ant colony optimization algorithm,IM-ACO）,对调度路径可行解节点添加不同的信息素,并将信息素浓度约束在τ_min和τ_max之间,使得供应链客户个性化需求服务、运作时间、成本等综合收益达到最优. 实例仿真表明本文提出的动态调度优化算法求解具有较快的搜索速度、收敛性好,算法具有较好的稳定性;同时,也表明本文构建调度模型合理,可以为实际生产调度提供优化的策略.     

基于提升小波和递归增量聚类的实时故障诊断方法

针对复杂时变工业过程实时故障诊断问题,提出了一种基于提升小波( lifting wavelet, LW) 与递归增量聚类（recursive incremental clustering, RICLUSTER）相结合的实时故障诊断方法（lifting wavelet recursive incremental clustering, LW-RICLUSTER）。该方法首先通过LW变换对数据实时去噪,再通过RICLUSTER实时监控。由于采用LW与RICLUSTER相结合的方法,节省存储空间和运算时间的同时提高了诊断精度。实验结果表明,LW RICLUSTER集合方法能有效实现时变过程监控, 在诊断精度、速度和适应性方面,优于传统单一型CLUSTER方法。