树状管网布置与管径同步优化方法研究

针对过去树状管网优化中将管网和管径分步研究,难以实现同步优化的问题,以投资最小为目标,研究了树状管网布置与管径同步优化遗传算法整数编码方法和不同管网布置下水流路径自动识别和压力、流速等约束条件自动计算方法,建立了基于整数遗传算法的树状管网布置与管径同步优化模型.实例研究表明,该方法能将设计经验融合到管网优化之中,可克服传统分步优化方法不易得到全局最优解的缺陷,能快速求解符合工程实际的树状管网布置和管径同步优化方案.同时该方法对其它领域最小生成树问题求解有一定借鉴作用.     

复杂空间热网的拓扑结构及水力过程仿真

针对多热源多环复杂热网的水力过程，提出了基于空间管网的计算方法。该方法可根据网络的固有参数通过求解非线性方程组给出不同工况下管网的流量分配和节点压力，还可解决故障导致的管网水力不对称问题，从而弥补了平面网方法的不足。应用图论理论描述了空间热网的拓扑结构，提出了用平面网信息生成空间网络关联矩阵和基本回路矩阵的实用方法。编制了计算程序，通过算例验证了该方法的正确性和实用性。     

变频驱动油田往复式注水泵站最小轴功率优化控制

利用最优化原理与方法结合变频调速技术实现注水泵站效率优化控制，以满足油田生产节能降耗的需要。在详细分析往复式柱塞泵性能和注水管网特性的基础上，建立了注水管网数学模型，提出了往复式注水泵站最小轴功率效率优化问题模型。利用枚法和Wolfe简约梯度法对效率优化模型进行了求解，得到理想的开泵给合w和调速比k。MATLAB实验仿真证明了该方法的有效性。新优化控制策略已在某注水泵站投入使用。与常用的变频驱动恒压注水 站相比，节电率可提高12％以上。     

网中水塔树状给水管网优化设计

在考虑了二级泵站分级供水的基础上，把整个管网系统作为一个整体，根据水塔在管网中的位置，分别建立了两类网中水塔树状给水管网优化设计的数学模型。应用所提出的优化模型，在保证管网各节点流量压力条件下，可确定管段尺寸，水塔高度及泵站扬程最优值，使管网系统年费用最低。由于优化模型为线性规划模型，便于计算机求解。这一方法也可推广应用到网前和对置水塔树状给水管网系统的优化设计中去.     

变频驱动油田往复式注水泵站最小轴功率优化控制

利用最优化原理与方法结合变频调速技术实现注水泵站效率优化控制 ,以满足油田生产节能降耗的需要 .在详细分析往复式柱塞泵性能和注水管网特性的基础上 ,建立了注水管网数学模型 ,提出了往复式注水泵站最小轴功率效率优化问题模型 .利用枚举法和 Wolfe简约梯度法对效率优化模型进行了求解 ,得到理想的开泵组合 w和调速比 k .MATLAB实验仿真证明了该方法的有效性 .新优化控制策略已在某注水泵站投入使用 .与常用的变频驱动恒压注水泵站相比 ,节电率可提高 1 2 %以上 .     

用多目标动态规划求解拆卸序列的Pareto最优前沿

针对拆卸序列多目标优化问题，考虑拆卸任务先后顺序约束，提出基于改进的与/或图(Transformed AND/OR Graph, TAOG)和基于Pareto占优概念的多目标动态规划(Multi-Objective Dynamic Programming, MODP)求解方法。与其他多目标优化方法相比，MODP不需要调整计算参数和考虑参数变化对解的影响，并可获得问题的Pareto最优前沿，是求解拆卸序列多目标优化问题的精确算法。通过求解算例，验证了提出方法的可行性和高效性。     

马斯京根模型参数估计的差分进化算法

针对洪水演算的马斯京根模型参数估计问题,首先将其归结为非线性参数优化问题,然后利用自适应加速差分进化算法进行求解。计算结果表明,自适应加速差分进化算法具有求解速度快、计算精度高、算法控制参数设置简便、通用性强等优点,与现有马斯京根模型参数估计方法相比,该算法显示出更好的优化性能,从而为准确估计马斯京根模型参数提供了一种更为有效的方法。该算法也可以广泛应用于其他各种复杂非线性模型的优化问题,特别是在洪水预报方面有很好的应用前景。     

基于粒子群优化技术的点匹配算法

点匹配问题一直是计算机视觉、模式识别、医学临床诊断领域的一项重要的基础性工作。本文提出了一种基于粒子群优化算法的准确、快速和鲁棒性的点匹配方法。该方法首先确定两个特征点集的点匹配问题的能量函数，通过最小化该能量函数可以同时得到点集之间的匹配矩阵和映射参数，利用粒子群优化算法求解变换参数，实验表明，该算法适用于点匹配，具有操作方便、可靠性好、不易陷入局部极值等优点。     

基于污染物侵入模拟的供水管网水质监测点优化选址方法

提出了突发或者蓄意污染情况下供水管网水质监测点优化选址的最大覆盖选址模型.结合一管网算例,利用EPANET2软件模拟扩展周期非稳态水力水质条件下管网节点污染物浓度变化情况,由此得到各个节点被注入污染物后,监测点监测到污染物浓度时不同用户节点对外供出的污染水体体积.同时提出基本粒子群优化算法与遗传算法交叉、变异算子相结合的整数编码的混合粒子群优化算法来求解该选址模型,并编制了相应的C 程序.提出的优化模型与求解算法对管网水质监测点的优化选址具有一定的参考作用.     

自适应差分进化算法求解多平台多武器-目标分配问题

针对水面舰艇编队防空反导作战中的武器-目标分配问题,建立了编队防空火力分配模型,将自适应差分进化算法应用到模型的求解与仿真中,并根据参数优化,改善了问题求解的收敛特性。针对模型求解的特殊要求,采用适当的编码方案,使种群个体编码满足约束条件,利用混沌序列初始化种群,加强种群的搜索多样性,变异、交叉参数的动态自适应策略和混沌序列扰动避免算法陷入局部最优等方法对算法进行优化改进,较方便快捷地解决了多平台多类型武器-目标分配问题。实例证明,该方法能够获得满意的结果,与其他智能算法相比,在优化性能上有较大改进。     

信息不完备小样本条件下离散DBN参数学习

针对信息不完备小样本条件下离散动态贝叶斯网络参数学习问题,提出约束递归学习算法。该方法通过前向算法建立含有隐藏变量的离散动态贝叶斯网络参数递归估计模型,以当前时刻网络参数为变量,构建均匀分布表示的先验参数约束模型。在此基础上利用优化算法获得近似的Beta分布,将该分布下的先验参数信息加入递归估计模型中完成参数学习。通过无人机动态威胁评估模型验证了该方法的有效性和精确性。     

混沌量子粒子群的权重类条件贝叶斯网络分类器参数学习

针对贝叶斯网络判别学习方法在处理大数据集时,存在的模型训练时间长、算法迭代次数过多等问题,通过引入指数级参数,提出了混沌量子粒子群的权重类条件贝叶斯网络参数学习方法。该方法首先通过优化对数似然函数,解决生成学习的参数估计问题。然后,使用生成学习的结果,初始化判别学习的参数。最后,引入混沌映射序列,通过混沌量子粒子群优化(chaos quantum particle swarm optimization, CQPSO)算法,优化条件对数似然函数。使用权重类条件贝叶斯网络分类器对液体火箭发动机的故障进行分类,仿真结果表明,改进的方法分类精度高,误分类率低。同时,采用CQPSO与量子粒子群优化(quantum particle swarm optimization, QPSO)算法、标准粒子群优化(particle swarm optimization, PSO)算法相比,能够有效减少算法的迭代次数,提高算法的效率。     

一种用于故障诊断的演化小波神经网络

针对小波神经网络实现故障模式识别时存在的“维数灾”问题 ,提出了利用遗传算法在小波网络的学习过程中优化网络结构的方法 ,可有效减少小波基元 ,加速收敛。同时为提高遗传优化的收敛速度和精度 ,避免“早熟”现象 ,采用基于实数编码的遗传算法。给出了各个控制算子的自适应调整策略 ,并设计了增加和删除操作对遗传算法进行改进。仿真结果证明了该算法的有效性。     

基于一维CNN参数优化的压缩振动信号故障诊断

针对一维卷积神经网络(convolutional neural network, CNN)参数多的特点,提出一种正交试验和粒子群优化算法相结合的参数优化方法,并将其应用于压缩振动信号故障诊断。压缩感知理论突破了奈奎斯特采样定理的限制,为大量振动信号的采集与传输提供一种有效途径。首先利用CNN“端-端”特性,建立了基于压缩信号的CNN故障诊断模型。利用正交试验进行参数范围的粗略评价,选择出最优方案。对最优方案中每个参数,利用多目标粒子群优化算法进行细化,得出精确的参数最优取值。选择齿轮箱实测信号和西储大学轴承信号作为研究对象。实验结果表明,经过优化后非劣粒子的输出特征分类明显, CNN诊断率有明显提高,也证明了对压缩信号直接进行故障诊断的可行性。     

基于BSO-ELM的涡轴发动机加速过程性能参数预测

建立精度和实时性均满足要求的航空发动机性能参数预测模型是实现发动机性能优化和实时监控的基础。极限学习机(extreme learning machine, ELM)对复杂的非线性航空发动机系统具有良好的适应性, 本文提出了利用头脑风暴优化算法(brain storm optimization, BSO)优化ELM的网络参数以提高其性能。并提出以发动机的台架试车加速过程数据为训练和验证样本, 利用BSO-ELM算法回归辨识得到涡轴发动机加速过程性能参数预测模型。结果表明预测参数燃气发生器转速n_g、燃气发生器出口温度T₄和增压比π_c的两项精度指标均优于BSO算法优化的反向传播神经网络和粒子群优化算法优化的ELM方法得到的预测模型, 表明了BSO-ELM预测模型的可行性与优越性; 在相同仿真环境下, BSO-ELM算法可大幅提高计算效率使预测模型的实时性更优。     

基于一维CNN参数优化的压缩振动信号故障诊断

针对一维卷积神经网络(convolutional neural network, CNN)参数多的特点,提出一种正交试验和粒子群优化算法相结合的参数优化方法,并将其应用于压缩振动信号故障诊断。压缩感知理论突破了奈奎斯特采样定理的限制,为大量振动信号的采集与传输提供一种有效途径。首先利用CNN“端-端”特性,建立了基于压缩信号的CNN故障诊断模型。利用正交试验进行参数范围的粗略评价,选择出最优方案。对最优方案中每个参数,利用多目标粒子群优化算法进行细化,得出精确的参数最优取值。选择齿轮箱实测信号和西储大学轴承信号作为研究对象。实验结果表明,经过优化后非劣粒子的输出特征分类明显, CNN诊断率有明显提高,也证明了对压缩信号直接进行故障诊断的可行性。     

供水管网爆管故障诊断的PSO-SVM方法

根据供水管网的实际水压监测数据, 采用粒子群算法优化反演管道的海曾-威廉斯系数, 并通过在管道中间加入虚节点来模拟爆管故障, 进而基于节点水压法建立了管网在爆管故障情况下的水力计算模型. 由计算模型计算出一组不同爆点、不同爆管程度组合下的监测点处的水压值, 以此反向训练支持向量机(SVM)模型, 并通过粒子群算法(PSO)对优化支持向量机模型的核参数, 建立了基于PSO-SVM方法的供水管网爆管诊断模型. 最后, 通过一个供水管网的室内实验模型验证了上述诊断模型的有效性.     

无线传感器网络的信息收益函数研究

信息获取与能量节省的平衡优化是无线传感器网络研究的热点问题,通过信息收益函数可以有效地解决这一问题。然而信息收益函数的性能受到网络特性和算法特性的影响,很难给出较为完备的参数设计、性能评价和选用原则。以动态协同自组织算法在目标跟踪中的应用为例,选取一些典型信息收益函数在此算法下进行分析与仿真,通过设计评价指标,优化参数设计,给出详细的性能评价,并对其鲁棒性进行分析,最后给出应用场合的选用原则,以提高网络的综合性能优化。     

基于自适应量子粒子群算法的FIR滤波器设计

针对量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法的参数控制方式,提出了一种自适应调节方法,该方法根据粒子之间的位置关系来设定参数值,给出了具体的设计思想与实现步骤。然后针对有限脉冲响应(finite impulse response,FIR)数字滤波器的优化设计实质,即多参数优化问题,通过适当的编码方式将改进的QPSO算法(adaptive QPSO,AQPSO)应用在其优化设计中,设计了低通和带通FIR数字滤波器。实验结果表明,AQPSO在收敛速度、鲁棒性及优化效果等方面都优于遗传算法(genetic algorithm,GA)、PSO算法及QPSO算法,说明了AQPSO算法的有效性和可行性。     

高可靠性软件定义航空光信息网络的控制器分布优化策略

针对未来航空光信息网络中控制平面的可扩展性问题,基于软件定义网络思想,提出了软件定义航空光信息网络的网络架构,研究了软件定义航空光信息网络控制器部署策略。以网络节点及链路中断概率为参量,以航空网络的全网可靠性为优化目标,建立基于网络可靠性的整数规划模型;提出融合人工免疫策略、小生境思想和改进遗传算法的混合优化算法,获得控制器部署的最佳部署方案。仿真结果表明,基于可靠性的整数规划模型可实现对软件定义航空信息网络中的控制器部署问题准确建模,为实现控制器最优化部署提供了依据。