一种改进的神经网络集成法预测PMV指标

为解决大样本的PMV指标预测问题,采用基于模糊聚类的神经网络集成方法,将原始样本集模糊划分为多个相交子集,通过这些模糊子集训练神经网络得到预测个体,再对个体输出加权结合获得预测结果.在进行神经网络集成过程中,采用微粒群算法有效克服了聚类和常规神经网络训练容易陷入局部最优的缺点,总结出一种更加有效的神经网络集成方法.实验结果表明:基于微粒群的神经网络集成算法有较好的全局优化性能,其集成的神经网络系统能更准确地预测PMV指标.     

车路协同的插电式汽车预测能量管理策略研究

为进一步改善插电式混合动力汽车(plug-in hybrid electric vehicle, PHEV)的能量经济性,提出了一种考虑市区道路交通信息的经济车速规划方法及基于模型预测控制(model predictive control, MPC)的能量优化管理策略。以某款P2构型的PHEV为研究对象,基于市区路口信号灯配时状态信息,分别采用动态规划与高斯伪普法优化求解经济车速。根据规划出的经济车速,提出了基于MPC的优化能量管理策略,其利用Dijkstra算法求解最优转矩分配。结果表明：对比基于规则的分段三角函数法,2种经济车速规划算法分别可降低6.31%、7.03%的PHEV等效油耗。基于MPC的优化能量管理策略相比于基于规则的能量管理策略可进一步提升4.98%的能量经济性。     

燃料电池混合动力系统优化控制策略

针对车用燃料电池蓄电池混合动力系统的特点设计了优化的能量管理策略。采用动态规划算法对目标驾驶循环进行全局优化,对最优能量分配策略进行分析,提取相应的控制规则,并设计了基于模糊控制的燃料电池混合动力系统实时控制策略。仿真及台架试验结果表明该控制策略能够控制燃料电池工作在高效区,提高整车的燃料经济性。     

基于二阶段微粒群优化模糊C-均值算法的模糊聚类分析研究

针对常规动态聚类方法对初始聚类中心的敏感性和容易陷入局部最优的缺点等问题,提出了基于二阶段微粒群优化模糊C-均值算法(TPSOFCM),并将此算法与现有的模糊C-均值聚类算法和基于多阶段的模糊C-均值算法进行比较。该算法对Iris数据进行聚类,计算结果表明:该算法有较好的全局收敛性,不仅能有效地克服传统的模糊C-均值算法易陷入局部最优解的缺点,而且全局收敛能力优于模糊C-均值聚类算法和基于多阶段的模糊C-均值算法。     

燃料电池混合动力系统优化控制策略

针对车用燃料电池蓄电池混合动力系统的特点设计了优化的能量管理策略。采用动态规划算法对目标驾驶循环进行全局优化,对最优能量分配策略进行分析,提取相应的控制规则,并设计了基于模糊控制的燃料电池混合动力系统实时控制策略。仿真及台架试验结果表明该控制策略能够控制燃料电池工作在高效区,提高整车的燃料经济性。     

融合改进A~*算法和动态窗口法的全局动态路径规划

针对移动机器人路径规划全局最优、实时避障的需求,提出了一种融合改进A~*算法和动态窗口法的全局动态路径规划方法。首先,基于传统A~*算法,结合Manhattan和Euclidean距离,设计了一种优化的启发搜索函数;然后,利用关键点选取策略,剔除冗余路径点和不必要的转折点;最后,融合动态窗口法,构造了顾及全局最优路径的评价函数,基于该评价函数,应用动态窗口法,进行实时动态路径规划,在保证规划路径全局最优性的基础上,提高了平滑性及路径规划的局部避障能力。实验结果表明:与传统A~*算法相比,所提算法规划的路径更平滑,可实时动态避障,且能输出控制参数,这利于机器人的自动控制;与动态窗口法相比,所提算法能够保证规划路径的全局最优性,路径长度由28.879m缩短为22.285m。该研究对于移动机器人自主导航的应用具有重要的参考价值。     

基于遗传算法的一种自动聚类方法

遗传算法(Genetic Algorithm,简称GA)是一类模拟生物界的进化规律(适者生存,优胜劣汰遗传机制)而形成的一种最适应全局优化概率搜索算法。针对常规动态聚类方法对初始聚类中心的敏感性以及聚类结果与样本输入次序有关等问题,本文提出了一种基于GA的动态聚类方法,并将它应用到数据库的数据分析中。计算结果表明,该方法是一个具有全局最优解的动态聚类方法,其结果明显好于K-均值聚类算法。     

基于动态规划的E-REV能量管理策略研究

增程式电动汽车动力来源于增程器与动力电池,车辆运行过程中如何在两者之间分配需求功率,使得整车在行驶过程中燃油经济性最好,是增程式电动汽车能量管理策略核心的问题.提出一种基于动态规划的增程式电动汽车能量管理策略,运用动态规划对整个工况增程器与动力电池输出功率分配比例进行优化.欧洲标准行驶工况(NEDC)组合行驶工况的仿真结果表明:相比实车采用的恒温器式控制策略,基于动态规划的能量管理策略整车燃油经济性提高12.6%.     

一种改进粒子群优化算法在入侵检测中的应用

针对现有的粒子群优化(PSO)算法大多存在早熟收敛、容易陷入局部最优值的问题,提出了一种新的协同粒子群优化(CPSO)算法。该算法拥有两个子群,一个用于全局搜索始终保持粒子多样性,另一个用于局部搜索保证搜索精度,通过相互协同合作在全局最优值附近实现精确搜索。最后把该算法应用到动态聚类入侵检测,通过优化聚类半径和聚类阈值,对训练数据进行正、异常类聚类,然后用测试数据进行攻击检测。试验结果表明该算法较粒子群和突变粒子群(MPSO)算法性能明显提高。     

基于动态隧道系统的K-means聚类算法研究

针对K-means聚类算法易陷入局部极小的问题,利用动态隧道算法在解决全局最优化问题中的有效性,将算法中的动态隧道过程引入到K-means聚类算法中,提出了一种基于动态隧道算法的K-means聚类算法.该算法在K-means聚类算法寻优得到的局部极小值基础上,利用动态隧道过程寻找更小的能量盆地,再将其值提交给K-means聚类算法进行迭代寻优,重复该过程,直到找到全局最小值.理论分析和仿真实验证明,该算法的聚类效果要优于K-means聚类算法.     

基于动态规划插电式并联混合动力汽车能量管理控制策略的研究

混合动力汽车能量管理策略会影响其动力性和经济性。为了寻找整车的最优节油点及控制策略,文章基于世界轻型汽车测试循环(world light vehicle test cycle, WLTC)工况,提出了利用动态规划算法优化插电式并联混合动力汽车能量管理策略。以发动机、电机的扭矩和角速度作为动态规划的控制变量,以保证电池荷电平衡和燃油最小为目标,建立动态规划模型。仿真结果表明,所提出的能量管理策略能使电池荷电状态(state of charge, SOC)保持在设定范围之内,且相对于基于标定经验规则的能量管理控制策略,节油率能达到5.78%,此方法对于整车厂(original equipment manufacturer, OEM)制定并联式混合动力汽车整车控制器能量控制策略及实车标定工作有一定的参考意义。     

一种分布式的模糊聚类方法

由于FCM算法中的初始值需要随机的设定,这种随机性不能保证每次都能达到全局最优,也就是说如果初始聚类中心的设置具有全局的特点,那么聚类的结果才能达到全局最优。因此主要针对模糊c-均值(FCM)聚类算法对初始值很敏感,而且容易陷入局部最优解的这一特点,提出了一种分布式的模糊聚类方法。首先用分治法得到模糊聚类的全局的聚类中心值,然后再用FCM进行聚类,从而克服FCM算法对初始值敏感和容易陷入局部最优解的缺陷,达到全局最优。经仿真实验证明结果是很理想的。     

基于APSO的模糊聚类算法

利用改进的自适应粒子群优化算法(APSO)较强全局寻优、快速收敛的特点和模糊C-均值算法(FCM)对初始值敏感、容易陷入局部最优的缺点.提出一种基于自适应粒子群优化算法的模糊聚类算法(APFM).新算法有效的克服了FCM算法的缺点,同时增强了APSO算法全局搜索和跳出局部最优的能力.实验表明:新算法与单一的FCM和APSO算法相比聚类更准确,效率更高.     

基于神经网络的移动机器人路径规划算法的仿真

研究一种基于神经网络的移动机器人路径规划算法，充分利用神经网络的融合性和并行性提高移动机器人路径规划算法的运算速度．此算法也可以解决机器人的全局路径规划和局部路径规划问题．仿真结果表明这种算法可以快速可行地实现无碰撞优化路径规划，并且对动态环境具有较好的适应性．     

融合A-Star与DWA双优化算法的自动引导车路径规划

自动引导车的应用越来越广泛,为了达到自动引导车在路径规划中要达到全局最优,实时避障的要求,提出了一种优化A-Star算法与优化DWA算法相融合的自动引导车路径规划方案。A-Star算法能找到全局最优路径,根据A-Star算法进行优化,引入自适应启发函数,并进行路径关键点选取,删除冗余路径点。优化后的A-Star算法解决了传统算法规划效率低,路径不平滑的问题。动态障碍物躲避采用DWA算法,优化评价函数,提升了规划效率。仿真结果表明,融合优化后的A-Star算法与优化后的DWA算法,减小了搜索范围,提高了路径规划效率且能实现避障的效果。该融合算法相较其他融合算法在路径规划效率上有很大提升,最终实现全局最优路径规划和局部动态实时避障。     

混合并行遗传算法在多文档文摘中的应用

提出了一种基于改进混合并行遗传算法的多文档文摘方法.该方法将k-means聚类算法的高效、局部搜索特性,和并行遗传算法的全局优化能力有机结合,解决了k-means算法对初始聚类中心的选择较为敏感,易于陷入局部最优等问题,提高了多文档聚类算法的效率和精确度.     

基于改进遗传算法的模糊C均值聚类算法

针对传统模糊C均值聚类算法(FCM)的缺陷,提出了一种基于改进遗传算法的模糊聚类方法.利用改进遗传算法强大的全局寻优能力,这种算法较好地克服了FCM算法对初始化敏感、容易陷入局部最优的缺陷.仿真实验证明,该算法具有较强的全局寻优能力和较快的收敛速度.     

基于核的模糊c均值聚类算法的收敛性定理

利用Zangwill收敛性定理, 证明了基于核的模糊c均值聚类算法(KFCM)的收敛性. 结果表明, 当核函数在给定数据集上诱导的距离矩阵满足一定条件时, KFCM算法产生的迭代序列收敛或至少存在一个子序列收敛于KFCM聚类模型目标函数的局部极小值点或鞍点.     

基于人工蜂群的模糊聚类算法

针对模糊C-均值(FCM)聚类算法存在容易陷入局部极小值、对初始值和噪声数据敏感的缺点,提出一种基于人工蜂群(ABC)的模糊聚类算法(ABFM).该算法引入全局寻优能力强的人工蜂群算法来求得最优解作为FCM算法的初始聚类中心,然后利用FCM算法优化初始聚类中心,最后求得全局最优解,从而有效克服了FCM算法的缺点.实验结果表明,新算法与FCM聚类算法相比,提高了算法的寻优能力,并且迭代次数更少,收敛速度更快,聚类效果更好.     

基于多因素均衡动态分簇的WSN路由协议算法研究

为了解决无线传感器网络分簇路由协议随机筛选簇头节点的位置分布不均衡及转发节点的数据传输路径不合理会加剧节点能量消耗、缩短网络生存周期的问题,提出一种基于改进社交网络搜索算法(ISNS)优化模糊C均值聚类(FCM)的多因素均衡动态分簇路由协议(MD-LEACH)。首先,引入莱维飞行改进反向精英学习策略,以增强社交网络搜索算法的全局寻优能力;接着,使用ISNS优化模糊C均值聚类算法对网络节点动态均匀分簇,均衡网络负载;此外,在每个簇内,考虑簇内节点的能量因素和位置因素引入模糊推理,设计两种簇头选取模式,动态选举簇首,提高簇首质量。在稳定传输阶段,将单跳改为簇首之间的通信的方式,使用改进的蚁群算法寻找最优数据传输路径,提高能量效率。仿真结果表明,算法能够有效提高能量效率,平衡网络负载,延长网络生存期。