粒子群优化算法在多用户检测中的应用

粒子群优化算法是一类有效的随机全局优化技术。它利用一个粒子群搜索解空间,每个粒子表示一个被优化问题的解,通过粒子间的相互作用发现复杂空间中的最优区域。多用户检测技术是直扩序列码分多址中的一项关键技术。将粒子群优化算法应用于多用户检测中,能有效抑制多址干扰,实现结构简单、鲁棒性强的目的,在加速收敛的同时降低了计算复杂度。仿真结果表明,这种多用户检测器充分利用了粒子群优化算法的优良特性,与传统的码分多址接收机、基于进化算法的多用户检测器和基于遗传算法的多用户检测器比较,在误码率和收敛速度等方面都有显著的改善。     

基于自适应粒子群算法的轨下基础病害识别

基于车辆-轨道耦合动力学模型，对不同轨下基础病害情况下的轨枕振动响应进行仿真分析。提出利用支持向量机算法和粒子群算法对轨下基础病害进行识别。为了提高粒子群算法的收敛速度，提出一种自适应粒子群算法，并将所提方法应用于轨下基础病害识别仿真，分析不同病害条件下的轨枕振动特征。研究表明：所提算法的病害识别准确率≥80%,且其算法收敛速度有明显提升。     

适用于轨道交通供电故障定位的改进二进制粒子群算法

提出了一种结合了交叉操作和保留最优解操作的改进二进制粒子群算法,并将其用于轨道交通电网故障定位中.改进后的算法较好地改善了传统粒子群算法易于局部收敛的缺点,并且加快了算法的收敛速度,在城市轨道交通供电系统发生故障时能迅速准确地判断出故障区段.还对轨道交通单端供电系统和多端供电系统故障分别进行了仿真计算,验证了该算法在轨道交通电网故障定位中的可行性,并且验证了算法具有计算速度快、收敛性好和容错性高的特点.     

基于遗传粒子群算法的堆垛机作业路径优化

堆垛机的作业路径决定了自动化仓库的作业效率。建立了堆垛机作业的数学模型,并采用遗传粒子群算法对自动化仓库堆垛机作业路径进行优化。该算法引入了遗传算法中交叉和变异操作,通过粒子与个体极值和群体极值的交叉和粒子自身变异的方式来搜索最优解。仿真实验结果表明,该算法的求解效果在收敛速度和优化效果方面都有明显的提高,可以有效地减少堆垛机系统拣选作业运行时间,提高了自动化仓库的作业效率。这对实际应用有一定的参考价值。     

基于粒子群BP网络混合算法的边坡稳定性评价

边坡稳定性评价与预测具有高度非线性和不确定性特征,难以用准确的数学模型表达。选取多个边坡工程实例构成学习样本集,以土体重度、内摩擦角、黏聚力、坡角、坡高、孔隙压力比6个主要影响因素作为土坡稳定性的评价判别指标;然后采用粒子群算法优化BP神经网络模型,实现混合算法,在保持BP网络算法误差反向传播修正权值特点的同时,将网络权值和阈值粒子化,利用粒子群算法的全局搜索性实现网络权值和阈值的更新,从而加快收敛速度和提高收敛精度,避免传统粒子群结合BP网络算法的"早熟"现象;通过与其他算法进行边坡稳定性评价的比较分析,表明了本文研究算法的可行性与合理性。     

公路路基拓宽优化设计改进粒子群算法

考虑单位路段内的工程数量、公路占地、边坡稳定等因素,建立以最优造价为目标函数的路基拓宽优化设计数学模型;引入具有一定全局搜索能力和较快收敛速度的粒子群算法并予以改进,得到了基于改进粒子群算法的路基拓宽优化设计方法,并编制相应优化计算程序.最后结合算例,给出不同条件下路基断面的拓宽形式,同时,对比分析证明了该法的可靠和可行性.     

基于改进MH算法的高铁ATO运行操纵多目标优化研究

在高速列车运行过程中,运行环境变化将对ATO提出更高的计算要求,ATO既要满足实时计算又要满足运行操纵多目标优化。针对该问题提出一种改进MH算法计算列车运行操纵序列。在原有MH算法基础上,对算法计算频率与寻优目标函数进行改进,提出随机惯性权重粒子群算法与司机驾驶逻辑相结合的方式计算运行操纵序列,通过选取合理的计算间隔时间使得算法性能最佳。以武广高铁85km线路仿真高铁自动驾驶,改进MH算法中随机惯性权重粒子群算法的收敛速度优于原算法。仿真结果表明:改进MH算法在列车运行准点性和停车精度方面得到提升,为ATO在线计算提供思路。     

改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用

本文提出了一个基于改进粒子群优化算法的BP神经网络优化模型来进行轴承故障诊断,此模型融合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了诊断结果的精确性.仿真结果表明机车滚动轴承故障得到了有效诊断.相比于常规的BP神经网络模型,此方法不仅改进网络的收敛速度并且提高了预测准确性.     

基于IPSO-Capsule-NN模型的中欧班列出口需求量预测

为提高中欧班列出口需求量的预测精度,提出将改进粒子群算法(IPSO)与胶囊神经网络(Capsule-NN)相结合的预测模型(IPSO-Capsule-NN)。与全连接神经网络不同,胶囊神经网络通过动态路由算法增强了模型的拟合能力和泛化能力。利用改进粒子群算法优化胶囊神经网络的神经元数量、迭代次数以及学习率,以克服人为设定模型参数随机性较大导致模型精确度不高的不足之处。此外,针对标准粒子群算法存在的缺点,提出一种非线性递减惯性权重并引入Levy飞行对粒子群算法的全局寻优能力和收敛速度进行优化。将采用spearman秩相关性分析得到的11个因素作为中欧班列出口需求量的影响因素并对其进行预测,结果表明:胶囊神经网络具有2层隐含层时,IPSO-Capsule-NN模型预测精度更高。     

粒子群优化的神经网络在齿轮故障诊断中的应用

针对BP神经网络容易陷入局部极小及收敛速度慢的问题,本文利用粒子群优化算法代替BP算法中的梯度下降法训练神经网络的权重和阚值,有效地改善了BP网络诊断性能;利用训练后的神经网络对齿轮进行了故障诊断,并比较了基于粒子群优化算法与BP算法的诊断结果,通过仿真实验表明:无论是在诊断速度上还是在诊断精度上,PSO-BP神经网络诊断性能都比单独的运用神经网络有很大提高.     

基于粒子群优化神经网络算法的货运机车能耗预测研究

机车能耗是铁路能耗的主要部分,是衡量铁路运营水平的重要指标,机车能耗水平的有效降低,将成为未来铁路节能降耗的主要手段之一。阐述测算机车能耗普遍采取的算法,考虑粒子群算法具有全局最优、能够实现动态搜索等优势,提出粒子群优化神经网络算法,将机车能耗有关影响因素作为输入变量,建立基于粒子群优化神经网络算法的货运机车能耗预测模型。以邯长线货运机车能耗为例,分别采用神经网络算法和粒子群优化神经网络算法进行货运机车能耗预测。结果表明,基于粒子群优化神经网络算法的货运机车能耗预测具有较高的可信度。     

基于果蝇算法优化的移动机器人RBPF-SLAM研究

针对基于传统Rao-Blackwellized粒子滤波(Rao-Blackwellised Particle Filter,RBPF)算法的移动机器人在进行同时定位与地图构建(Simultaneous Location and Mapping,SLAM)时易发生粒子退化导致移动机器人位姿估计不准确以及地图一致性较差的问题,提出一种基于果蝇优化算法的RBPF-SLAM算法。该算法将果蝇种群觅食过程中果蝇具有的趋味特性引入RBPF算法,将粒子视为果蝇个体,粒子的适应度值作为空气中食物味道的浓度,利用果蝇优化算法的高寻优能力使粒子向高似然区域移动并不断迭代寻优,以优化粒子种群的整体分布。同时,在果蝇寻优后的新种群中引入自适应交叉变异操作,以增加种群多样性。根据粒子的适应度值确定交叉概率,对配对好的粒子进行自适应交叉操作,再根据变异概率对当前种群的最优粒子进行变异操作,选取适应度值更高的粒子作为当前最优解。采用指数函数步长公式更新粒子状态,增加寻优过程中的搜索距离,有效提高算法的收敛效率。基于ACES building和MIT Killian Court数据集的仿真实验以及移动机器人实机测试结果显示,基于果蝇优化算法的RBPF-SLAM算法在比传统RBPF-SLAM算法在粒子数减少50%以上的情况下仍可以得到效果更佳的栅格地图,并且CPU占用率更低。仿真和实验结果表明基于果蝇优化算法的RBPF-SLAM算法有效提高了滤波器的估计性能,是一种提高移动机器人位姿估计和建图精度的有效方法。     

混沌微粒群算法在离散型生产调度中的应用

本文基于离散型生产调度问题的定义、约束条件,建立了相应的数学模型,针对微粒群算法后期容易陷入局部最优解且收敛速度慢的特点,提出了混沌的微粒群算法.详细介绍了混沌微粒群算法在离散型生产调度的优化流程,并将该算法用于实际项目,进行优化求解,与基本的微粒群算法对比得出更好的结果,验证了混沌微粒群算法的优越性.     

多种群分层联合优化的城轨列车ATO研究

针对城轨列车控制系统运行模式曲线的设计需求,在满足安全、精确停车及各种约束条件下,以运行时间和能耗为目标,建立列车运行的多目标优化模型。将粒子群优化PSO算法与布谷鸟搜索CS相结合,即多种群分层PSO-CS联合优化算法。在底层,该方法将整个种群分成若干个小种群,小种群使用PSO算法寻优,再将寻优得到的精英粒子送往高层使用CS算法深度优化,高层优化后的粒子再返回到底层各自的小种群中去。将该方法与多目标粒子群MOPSO分别用于列车运行过程的优化,仿真实验表明,所提出算法得到的Pareto前沿解的收敛性和多样性更好。将该算法用于城轨列车运行曲线的优化设计中,不仅能够获得更优的列车运行控制策略,还能为设计者提供更多选择方案。     

基于粒子群优化算法的地铁列车节能运行研究

在建立地铁列车运行物理模型的基础上,采用粒子群优化算法搜寻列车区间运行的惰行点位置,优化列车区间运行时间及运行能耗。基于南京地铁2号线实际线路模型,利用粒子群优化算法求解定时节能策略中列车区间运行惰行点位置,计算区间运行时间、能耗及回馈能量。结果显示,区间运行时间增加5.5%,列车运行能耗相应降低18.73%。     

基于节能的地铁列车时刻表优化

合理的列车时刻表,可调节在线列车启动、制动情况,增加再生制动能量被启动列车吸收利用效率,减少其在制动电阻上的消耗。结合四列车理想模型,采用粒子群算法调节列车停站时间,优化列车运行时刻表以达到节能的目的。停站时间修正量为5 s和10 s两种情况。仿真结果显示理想模型中变电站能耗降低、列车总能耗降低、列车总回馈能量上升,制动电阻能耗降低。在此基础上,利用粒子群算法优化南京地铁2号线时刻表,结果表明变电站能耗减少5%,节能效果明显,算法有效。     

基于粒子群算法的轨道车辆设备布局优化

轨道车辆车上设备布局是轨道车辆设计中一个重要的环节，开展轨道车辆设备布局优化设计对保证轨道车辆的安全运行具有重要作用。考虑轨道车辆设备外轮廓约束、设备干涉约束等，建立了以设备总重心相对于轨道车辆自身中心的距离最小化的轨道车辆布局优化数学模型。根据轨道车辆设备布局优化的特点设计了基于粒子群算法的轨道车辆设备布局数学模型。采用线性递减权值策略，通过改进惩罚因子，有效地引导粒子群算法向全局最优解方向收敛。以轨道工程车辆的设备布局问题为实例，采用本文算法进行了车上设备布局优化设计的实例分析，表明本文方法可有效解决轨道车辆设备布局优化问题。     

基于铁路无线通信环境下改进的PSO算法在多用户检测中的应用

随着无线通信技术在铁路系统中迅猛发展和广泛应用,对通信系统装备的抗干扰能力提出更高更新的要求,因此必须研究有效的抗干扰技术以对付日益严重的干扰威胁。在粒子群算法中采用量子力学和经典力学的理论,将量子离散粒子群算法应用于多用户检测技术。在铁路无线通信系统中,可以提高铁路信道质量,降低数据通信误码率,解决列车与调度指挥中心之间的高数据通信中误码率高的问题,并且在抗多址干扰能力明显优于传统检测器。     

基于小生境粒子群算法的ATO运行过程优化研究

针对自动驾驶(ATO)列车的低能耗、高准时和高舒适度问题,以列车运行过程中的安全性及其列车动力学模型为约束条件,建立列车运行过程的多目标优化模型,提出粒子群算法与小生境技术相结合的求解算法。该求解算法首先计算随机生成的粒子间欧式距离的平均值,确定小生境半径,划分小生境种群;采用共享机制对更新后的小生境群体进行调节,提高粒子的适应度值;最后通过迭代求出最优解。通过对选取线路的仿真模拟,验证该算法在降低ATO列车的运行能耗、提高列车运行过程的准时性与舒适性方面的有效性。     

一种改进的高斯粒子滤波室内节点跟踪算法研究

粒子滤波器(PF)是非线性估计领域一个重要方向。为了避免粒子失去多样性的问题,基于启发式优化算法的思想,提出了一种新的引力高斯粒子滤波算法(GSA-GPF)并将该算法用于室内节点轨迹跟踪问题。在使用高斯粒子滤波器(GPF)估计出粒子分布及权重后,采用引力搜索算法使粒子向高似然区域移动,增加了有效粒子数,同时,GSA-GPF避免了PF中重采样过程的缺陷,减小了粒子多样性的损失。仿真结果表明:GSA-GPF有效地抑制了常规PF的发散现象,在少量粒子数的情况下,将其跟踪误差减小了约64.1%,并且与粒子群优化的GPF相比,保持了更好的滤波精度。