基于优化高斯过程回归算法的锂离子电池可用容量估算

为了解决应用数据驱动算法估算锂离子电池可用容量时存在的电池老化特征提取不准确、可用容量衰退趋势跟踪精度低及模型要求训练数据量大等问题,提出一种基于优化高斯过程回归算法的锂离子电池可用容量估算方法,实现锂离子电池强非线性全衰退过程可用容量精确估算。首先,提取电池表面平均温度、容量增量曲线峰值及峰值对应电压作为表征电池老化状态的健康因子,通过灰色关联度分析法和熵权值法对所选健康因子进行合理性评估;然后,用2个单一核函数构造高斯过程回归算法复合核函数,并利用鲸鱼优化算法完成复合核函数的参数寻优,基于优化后的高斯过程回归模型实现锂离子电池可用容量估算;最后,通过对比不同核参数寻优算法,证明鲸鱼优化算法在参数寻优方面的先进性,并通过与传统的高斯过程回归、支持向量机、径向基神经网络等机器学习算法进行可用容量估算对比,证明模型的有效性。研究结果表明:基于复合核函数和鲸鱼优化算法参数寻优可以有效改善高斯过程回归模型性能,所建立的优化高斯过程回归模型能够基于较少训练数据实现电池容量的精确估算,并能够有效追踪锂离子电池非线性长周期衰退趋势;对不同电池数据也具备较好的自适应能力,可用容量估算最大误差低于1.56%。     

基于改进支持向量回归机的锂离子电池剩余寿命预测

为提高电动汽车锂离子电池剩余循环寿命预测的准确性,提出了一种基于改进支持向量回归机的预测算法,利用免疫完全学习型粒子群优化算法对支持向量回归机的惩罚系数和超参数进行优化,增强其预测能力,基于NASA PCoE研究中心提供的锂电池测量数据,与完全学习型粒子群优化的支持向量回归机预测算法进行对比分析,仿真结果显示,本文提出的算法预测相对误差低于6%,容量预测平均相对误差低于0.4%,具有更好的预测性能。     

基于改进二次粒子群算法的汽车零配件配载优化

综合考虑汽车零配件物流运输配载过程中成本、资源及服务质量等决策要素,建立了汽车零配件配载优化模型。引入二次粒子群算法对该问题进行求解,并针对该算法在搜索早期粒子多样性低的缺点,提出了改进二次粒子群优化算法,它采用遗传算法的变异思想和互换更新机制来提高种群的多样性,以避免过早收敛和改进优化效果。仿真实例表明,与原算法相比,改进后算法的计算效率显著提高,且搜索到全局最优解的概率也更高。     

基于改进粒子群优化算法的多目标自适应巡航控制

跟驰过程中,在保证安全性的前提下为了提升自适应巡航控制(ACC)系统的舒适性和燃油经济性,研究了多目标自适应巡航控制算法.在建立车间纵向运动学模型的基础上,根据模型预测控制理论,设计综合考虑安全性、舒适性、燃油经济性以及车辆自身限制等因素的目标函数和约束条件,并引入松弛因子向量软化硬约束边界解决无可行解问题.进一步在滚...     

基于自适应网格粒子群算法的多目标配送优化模型

对配送方案的选择提出多目标优化,在满足客户需求的前提下,力求成本最低和各配送中心负荷均衡,建立多目标规划模型。运用粒子群算法对解空间粒子进行局部和全局的搜索,再运用自适应网格算法对非劣解外部集进行更新和维护,保持其规模。实证表明,采用基于自适应网格的多目标粒子群算法对该模型进行求解能够得到均匀分布于解空间的Pareto前沿。结果表明两目标具有一定的悖反关系,据此选择满意解。     

基于自适应遗传粒子群优化模糊神经网络的疲劳驾驶预测模型

为提高疲劳驾驶的预测精度,提出了基于减法聚类和遗传粒子群优化模糊神经网络的疲劳驾驶预测模型.根据训练样本,利用减法聚类确定网络结构和初始参数;借助于进化速度因子,采用自适应遗传粒子群算法优化网络参数.利用疲劳驾驶实车模拟实验获得的数据,对该模型进行了训练和测试,并将结果与传统的粒子群、遗传和反向传播算法进行对比.结果表明,该模型不仅精简了网络结构,缩短了训练时间,而且减小了全局误差,提高了预测精度.     

基于粒子群优化的关联交叉口群信号控制策略研究

提出基于粒子群优化的城市关联交叉口群信号控制策略.采用具有车型信息的感应线圈检测装置,获取各交叉口的实时交通流信息;通过对短时交通流时间序列进行可预测分析,确定交通流时间序列的动力学性质,对于具有确定性变化规律的时间序列建立基于神经网络的组合预测模型,实现对交通流的在线预测;以车辆平均延误时间最少为优化目标,建立关联交叉口群的信号控制参数优化性能函数,根据粒子群优化思想求解信号控制参数.仿真实验证实,基于粒子群优化的关联交叉口群信号控制策略有效.     

考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计

由于迟滞特性的存在,电池管理系统难以准确获得开路电压（OCV）与荷电状态（SOC）之间的状态关系。为有效地运行和管理动力电池,本文研究了考虑迟滞特性的锂离子电池模型,选用带有遗忘因子的递推最小二乘法进行参数在线辨识。提出了一种联合门控循环单元（GRU）神经网络和自适应扩展卡尔曼滤波（AEKF）的SOC估计,分别以AEKF和GRU神经网络的估计结果为模型值和测量值,通过卡尔曼滤波（KF）得到最终的SOC估计结果,并作为下一时刻AEKF的输入。结果表明,常温环境下考虑迟滞特性的模型对端电压预测及联合估计法对SOC估计的均方根误差（RMSE）分别在0.5 mV和0.64%以内;低温及变温环境下端电压预测及SOC估计的RMSE分别在0.9 mV和0.72%以内。考虑迟滞特性的模型及联合估计法具有良好的精度和鲁棒性。     

基于粒子群优化和极限学习机的底盘测功机加载扭矩模型

汽车底盘测功机通过电涡流测功器产生加载扭矩模拟汽车行驶在道路上时所受到的阻力。针对电涡流测功器输出扭矩的非线性特性,提出采用极限学习机神经网络建立电涡流测功器输出扭矩模型的方法,并利用粒子群算法优化网络结构提高模型的准确性。仿真结果显示,模型的平均相对误差为1.3%。通过与BP神经网络模型相比较,极限学习机模型显示出了更高的准确性。     

基于响应面法及粒子群算法的异形斜拉桥索力优化

为简化异形斜拉桥的索力优化过程,提出了采用响应面法与粒子群算法相结合的索力优化方法。该方法首先通过分析异形结构的受力特点确定优化目标,再利用响应面法将优化目标函数与成桥索力的关系显式化并构建响应面方程,最后结合粒子群算法根据响应面方程进行索力寻优。为验证该优化方法的有效性,以某异形斜拉桥为背景开展索力优化。基于该异形斜拉桥受力特点,以主梁的横梁两端最大剪力差为优化目标、以斜拉索成桥索力为优化变量、以斜拉桥成桥索力均匀性为约束条件,建立了索力优化目标函数进行索力优化。结果表明：优化后该异形斜拉桥主梁的横梁两端最大剪力差减小20.3%,主梁最大弯矩减小13.8%,南北侧边箱梁最大竖向位移差减小25.0%;全桥成桥索力及主梁弯矩均匀性均有所提升,主梁受力、线形更加合理。     

基于相空间重构和PSO-GPR的短时交通流预测

准确实时的短时交通流预测是智能交通诱导的关键.为提高短时交通流预测精度,研究了基于相空间重构和粒子群优化高斯过程回归的短时交通流预测模型.针对交通流时间序列的非线性、复杂性和随机性,基于混沌理论确定原始时间序列的最佳延迟时间和嵌入维数,进行相空间重构,获得与原始数据具有相同动态特性的更为合理的模型输入-输出数据集.利用粒子群算法改进传统高斯过程模型参数优化的不足,构建预测模型.以重构序列作为预测模型的训练集和测试集,实现短时交通流预测.采用北京市东四环快速路检测器实测数据对比分析模型预测效果.结果表明,基于PSR和PSO-GPR的短时交通流预测模型评价指标均优于对比模型,其中绝对误差平均降低4.88,绝对百分比误差平均降低3.97%,均等系数达到0.963,所研究模型能够有效提高短时交通流预测精度.