基于图像采集的电梯控制粒子群算法研究

论文对以往的电梯派梯算法进行改进.在电梯信息采集模块中加入图像处理模块,来增加电梯呼梯信号的可信度.派梯算法模块中采用多目标粒子群优化算法,对电梯的耗能,乘客乘梯和候梯时间等几个目标进行优化.     

异步变化收缩因子粒子群算法心脏电流模型重构

针对收缩因子的粒子群算法(CFPSO)求解复杂问题时精度偏低,提出了异步变化收缩因子的粒子群算法(NL-CFPSO).该算法利用异步变化的学习因子来产生收缩因子,改善粒子进化中的社会性和自身的学习性能,同时引入了"发散"和"收敛"操作,有效提高了粒子的收敛速度和精度.在该算法中,首先在给定的搜索空间上随机产生初始的粒子种群,在进化过程中采用异步变化的收缩因子,再根据判别函数来执行"发散"和"收敛"操作,使得粒子加速向全局最优的位置运动.将新算法和CFPSO在最新的6个测试函数进行对比,结果证明新算法比CFPSO算法具有更高的搜索精度和较低的时间复杂度.将该算法用于心脏单电流偶极子模型的反演计算仿真中,仿真结果证明该算法可以得到精确的模型参数,能够反映心脏模型的电磁现象,具有很高的实用价值.     

基于IPSO-GNN的油田指标预测模型研究

针对油田开发指标预测问题,提出将灰色神经网络(GNN)与改进粒子群算法(IPSO)相结合的组合预测模型(IPSOGNN),通过IPSO对GNN的a、u参数进行优化,改善了GNN的不足,有效地保证了预测精度。以油田开发指标中的含水率作预测算例,仿真结果表明:此模型的预测精度高于灰色预测模型、灰色神经网络以及BP神经网络模型,同时也表明了此方法的可行性与有效性。     

基于脑机接口的自动驾驶意图研究

为了得到驾驶员在驾驶过程中的驾驶意图,通过采用理论分析与实验、仿真相结合的方法对大脑不同区域的脑电信号进行研究分析;设计模拟驾驶实验,建立脑电信号采集系统,采集驾驶人在左转、右转、直行前指定时间窗内的脑电信号;对采集的脑电信号运用小波包变换等方法进行信号分析处理、提取特征参数;建立粒子群算法的支持向量机模型和神经网络的驾驶意图识别模型;并对更高识别率的驾驶意图信号转换为相应的指令控制车辆实现自动驾驶。结果表明：粒子群优化算法的支持向量机的识别率最高达到73.53%,粒子群算法的神经网络识别模型具有更高的识别率最高可以达到92.9%。     

基于期望生存率的动态自适应粒子群算法

针对惯性权重线性递减粒子群算法(LDPSO)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权重的自适应粒子群算法(DAPSO).在该算法中引入期望生存率的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为期望生存率的函数.每次迭代时算法可根据当前粒子群平均期望生存率的大小动态地改变惯性权重,从而使算法具有动态自适应性.对6个典型函数的测试结果表明,DAPSO算法的收敛速度明显优于LDPSO算法,收敛精度也有所提高.     

高速公路网路径诱导与匝道控制集成

应用非线性最优控制方法,探索了高速公路网的匝道控制和路径诱导的集成问题,构造了集成控制的最优控制模型.最优控制模型以路网总耗时最小为优化目标,以经典的METANET高速公路网交通流模型作为最优控制问题中的网络交通流模型,能够考虑控制变量(路径分流比例、匝道调节率)的更新周期约束.最优控制问题的求解采用粒子群优化(PSO)技术.仿真测试显示,实施集成控制,较之仅采用路径诱导和仅采用匝道控制,能更大幅度地减少路网总耗时,从而显著提高路网时空利用效率.对于算例路网的仿真测试验证了集成控制的有效性和优越性.     

动态环境下分布式自适应粒子群优化算法

针对现有粒子群算法的不足,提出一种基于微粒自身信息的环境变化检测方法,同时采用分布式处理模式,通过激活粒子群中的停滞粒子适应环境变化,不仅降低了的算法复杂度,而且提高了算法对复杂环境的自适应能力.对于有界连续函数,证明新算法能依概率收敛于全局极小点.应用抛物线函数和Rastrigin函数构造的复杂动态环境对该算法进行验证,并同APSO、D-PSO算法进行了对比.实验结果表明,在复杂的动态环境中,DAPSO算法具有更好的适应性.     

基于频谱聚类分割的粒子群最优模态分解仿真研究

在两种有力措施的基础上提出了粒子群最优模态参数识别算法.一是提出了一种性能稳定的模态参数初始值估计算法,引入模态聚类的思路来估计出各个模态参数的上下限范围.该算法把幅谱曲线看成是局部波峰的集合,按聚类分割思路来构造聚类距离函数,使用k-means算法把振动信号频谱自动聚类成多个单模态类,然后运用单模态分解算法估计出每个模态类的模态参数的上下限范围,给出粒子属性值的上下界,极大地减少粒子群算法的搜索空间,减少最优搜索时间提高搜索结果的稳定性.二是采用了混合变异粒子群算法来提高最优化搜索的效率,有效避免陷入局部最优,提高模态参数的准确性.从仿真信号的大量实验研究结果看,与经典的正交多项式拟合算法相比,该算法的噪声抵抗能力更强、更稳定.     

基于对立学习的PSO算法研究

为进一步提高PSO算法的优化效率,加速寻优过程,提出基于随机对立策略的PSO算法,包括QOP-SO和QRPSO。这两种算法在种群初始化阶段采用随机对立学习方法,并在进化过程中用随机对立学习进行种群动态跳跃,以提高产生解的质量。利用6个测试函数对算法的效率进行检验,将其与标准PSO和OPSO算法进行对比,结果表明,新算法具有更快的收敛速度和更高的求解精度。     

自适应粒子群算法的整定模糊PID控制器的参数优化

提出了一种基于自适应粒子群算法(APSO)优化模糊PID控制器隶属函数的方法以及基于模糊控制规则的权值来消减规则数目的参数优化方法.仿真实验表明,该方法相比传统方法能得到具有更快响应速度和更小的超调量的模糊PID控制器.