重型变速箱壳体模态频率激励下声品质预测模型

为探究重型商用车变速箱壳体噪声的声品质特性,采集了前10阶模态频率激励下的噪声作为声品质试验样本,分析了样本的物理学参数和心理声学参数,探究了声品质客观参数之间的相关性和主成分。运用成对比较法进行声品质主观试验,并进行了主观评价的一致性分析。建立了粒子群-广义回归神经元网络(PSO-GRNN)声品质预测模型,并与广义回归神经网络(GRNN)、粒子群-BP神经网络(PSO-BP)模型进行了对比。结果表明,模型平均预测误差低于5%,网络稳定性更好。可见PSO-GRNN网络能很好的预测变速箱壳体激励噪声声品质。     

考虑峰谷差因素的用户侧负荷优化运行

在智能电网高速发展背景下,针对用户侧节能减排和电网侧削峰填谷问题,提出家庭负荷优化运行策略。基于家电能量控制系统,将峰谷差成本化,以最小化用户侧电能成本和最小化电网侧峰谷差为目标,考虑分时电价,可转移负荷时间舒适度约束和温控类负荷温度舒适度约束。综合峰谷差系数,采用粒子群算法进行求解,最终得出各类家电的运行方案。算例仿真结果表明,优化方案实现了用户侧和电网侧的利益双赢。     

含步长加速变异算子的微粒群算法

提出了含步长加速变异算子的微粒群算法和它的一种变体———全局最优位置的步长加速变异微粒群算法,通过测试函数的对比分析,说明了这两种含变异算子的微粒群算法具有较好的收敛速度和稳定性.     

求解通信优化问题的一种微粒群优化方法

简述了微粒群优化算法的原理、流程及其参数,在此基础上,针对其在通信中的应用,提出了一种基于分布式计算的多目标微粒群算法分割域多目标PSO算法(简称DRMPSO),并将其用于基站优化问题·仿真研究结果表明,它能很好地解决移动通信中的基站优化问题,并可被有效推广到处理诸如信道分配、网络拓扑优化设计、IP组播、Adhoc簇结构及组播路由等通信服务·     

基于免疫粒子群算法的飞行控制器参数寻优

提出了一种免疫粒子群混合优化算法.该方法将免疫算法中的基于浓度的抗体繁殖策略与粒子群优化算法相结合.对浓度低的粒子进行促进,对浓度高的粒子进行抑制,因而保持了粒子的多样性,克服了PSO算法易于陷入局部最优点的缺点,寻优速度快.将该方法用于飞行控制器的参数优化设计.仿真结果表明：使用该方法进行参数优化设计获得了优良的飞行控制效果,能够较大地提高飞行控制器参数的设计效率.     

基于粒子群算法的隔振体系参数优化研究

首先利用粒子群优化算法,以传递率为适应值函数,分别对单自由度、双自由度隔振体系进行了隔振参数的单目标和多目标优化研究.随之,考虑了状态反馈控制方法,目标函数选为传递函数矩阵的无穷范数;数值试验表明,在无控最优隔振参数的基础上,施加反馈控制,并不能进一步优化隔振体系;而重新在线计算隔振参数及反馈控制器,可以进一步优化原无控最优隔振体系.最后,进行了兼顾控制力传递率的多目标研究,旨在优化隔振体系传递率的同时,尽可能降低控制能源消耗.本文的系统研究,解决了隔振体系参数的最优设计问题;并在隔振基础上施加控制体系,讨论了最优参数设置的重要性;此外,兼顾控制能源消耗的参数优化,对于传统的隔振和控制体系设计具有一定的创新意义.     

基于位置加权粒子群算法的WSNs能量优化

针对无线传感器网络经典分簇协议Leach存在能量消耗过大的问题,提出了一种基于LEACH的改进协议。该协议采用位置加权粒子群算法结合对惯性权值、学习因子的调整,优化LEACH协议的簇头选择机制,将节点剩余能量、簇间距离及簇头到基站的距离作为适应度函数因素,调节簇及选举簇头。仿真结果表明,改进的协议使整个网络能量消耗达到相对均衡,大大减少了节点能量消耗,从而延长了网络寿命。     

基于动态罚函数的PSO-CO算法

本文分析了协同优化算法中所存在的问题,采用动态罚函数的解决思路,对系统级中的一致性等式约束问题进行改造,使其成为一无约束问题.另外,提出不同学科分配不同的惩罚权重的方法,大大提高了计算精度.同时,以粒子群算法替代了原有的求解算法,消除了初始解对优化结果的影响,也改善了算法的整体求解速度.在Matlab软件中实现该算法的运行,同时通过两个典型算例对该算法进行验证,表明其具有较好的优化性能.     

改进的阈值小波和PSO－SVM算法及应用

本文提出了基于改进阈值小波及改进支持向量机的低速重载滚动轴承故障识别方法.首先在实验台上测量三种不同工况的轴承信号,利用改进阈值小波对信号进行降噪处理,将降噪的信号利用小波包分解法得出各频带的特征能量值;其次利用粒子群算法来优化支持向量机的学习因子,提高支持向量机多分类器的识别性能;最后,将特征能量值导入优化后的多分类器,实现低速重载滚动轴承的智能识别.结果表明,结合后的方法有着良好的诊断效果.     

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.