光伏电池工程模型及几种最大功率点跟踪算法的研究

利用Matlab/Simulink模块建立了光伏电池模型,通过此模型计算了相同光照不同温度和相同温度不同光照下的光伏电池输出I-V以及P-V特性,仿真结果表明了该模型的正确性。其次,以此为基础构建了光伏电池发电系统模型,通过此仿真模型比较了扰动观察法,电导增量法以及它们的改进算法。分析表明,扰动观察法的优点是跟踪算法简单,跟踪速度较快,采样精度要求低,但该方法并不能使系统真正工作在最大功率点,它会在最大功率点附近震荡;电导增量法的优点是根据光伏电池本身的电导和微分电导特性来判定最大功率点,系统可以快速跟踪最大功率点并且平稳输出最大功率,但该方法对采样的精度要求较高,对硬件和计算要求也较高;因此在实际应用中对于光伏系统最大功率点算法的选取需要综合考虑。     

一种改进的微粒群优化算法

标准微粒群优化(PSO)算法是一种群体智能算法,它容易陷入局部极值点,进化后期收敛速度慢且精度较差,而且参数的选择对算法的优劣影响很大。针对这些缺点,首先提出了一种在位置进化方程中引进动态参数的方法,改进了标准微粒群算法收敛速度;然后通过在速度、位置进化方程中同时引进动态参数来提高算法收敛速度和收敛率。经J．D．Schaffer函数和LevyNo．5函数对改进算法的测试表明,相比于标准微粒群算法,该方法的收敛速度和平均收敛率均有大幅度提高。     

一种新的基于粒子群算法的聚类方法

建立了聚类分析问题的数学优化模型,提出了一种新的粒子群算法解决聚类问题。对基本粒子群优化算法作了改进,思路是将K-均值方法的结果作为一个粒子和利用新的分类中心调整粒子位置。对Iris植物样本数据的测试结果表明:4种粒子群算法的效果都比较好,特别是第3种改进的粒子群算法的效果更好,粒子群优化聚类技术很有潜力．     

处理动边界问题的无网格/直角网格混合算法

把无网格/直角网格混合算法发展用于涉及动边界的非定常流动计算问题.采用无网格/直角网格混合算法,计算区域整体采用直角网格,只在物面附近嵌入局部无网格.对于动边界问题,本文让主体直角网格保持固定,用原混合算法中的局部无网格区跟随运动边界,使得动边界物面附近有不变的点云结构,避免了点云重构;无网格区与直角网格交界面随边界运动跟踪确定,由于主体基于直角网格,方便了交界面的跟踪.用发展的混合算法,结合非定常Euler方程双时间推进方法,先对翼型作俯仰振荡的非定常跨声速流动进行了数值模拟,计算结果与现有文献和实验数据进行了比较与验证;结合刚体运动方程,成功模拟了二维外挂物投放过程,算例展示出发展的混合算法适合处理大位移运动边界问题.     

基于ISPSO的半透明介质中多种辐射特性参数反演（英文）

半透明介质广泛存在于工业和化工设备中，其热辐射特性在研究介质传热过程中起着重要作用。本文提出了一种改进的随机粒子群优化（Stochastic particle swarm optimization, ISPSO）算法，从角度光散射测量信号中反演半透明介质的热辐射特性参数，即吸收系数、散射系数和不对称系数。研究结果表明，与随机粒子群算法（Stochastic particle swarm optimization, SPSO）相比，ISPSO算法避免了局部最优和收敛精度低的现象，即使在5%的随机测量误差下也能获得合理的检索结果。当只需要研究两个参数时，反结果的鲁棒性是令人满意的。当反演的参数较多时，反演精度会降低。此外，在5%随机测量误差下，同时反演多个辐射特性参数时，即吸收系数、散射系数和不对称因子，本文提供的方法仍能得到满意的结果。结果表明，本文提供的反演方法是一种有效可靠的方法，可以同时估计半透明介质中的多个辐射特性参数。     

基于VGWO算法的风力机二阶积分滑模转矩控制器设计（英文）

提出了一种基于变速灰狼优化算法(Variable speed grey wolf optimization,VGWO)的二阶积分滑模(Sec?ond?order integral sliding mode control,SOISMC)鲁棒控制策略。该策略的目的是实现风力机的最大风能捕获,提高风力机的发电量。首先,根据风力机的不确定性模型,设计了一种收敛速度快、鲁棒性强且能有效抑制抖振的二阶积分滑模转矩控制器,保证了转矩控制器能够有效地跟踪参考转速。其次,考虑到灰狼优化算法(Grey wolf optimization,GWO)具有较强的局部搜索能力和粒子群优化算法(Particle swarm optimization,PSO)具有较快的收敛速度和较强的全局搜索能力,将PSO的速度分量引入GWO中,使改进的VGWO具有较快的收敛速度、较高的求解精度和较强的全局搜索能力。然后,利用VGWO对风力机转矩控制器的参数进行优化。最后,在Simulink/SimPowerSystem平台上进行了仿真,结果表明了该策略在存在外部干扰和模型不确定性情况下的有效性。     

峰值点非负矩阵分解聚类算法

非负矩阵分解模型是一种常见的数据降维方法。在现有非负矩阵分解算法用于聚类的研究中,每个类别一般仅由一个或者指定多个中心点表示,然而这种表示方式往往无法准确描述其类别的特征和结构,从而影响聚类效果。为了解决这个问题,本文提出了峰值点非负矩阵分解算法。该算法首先为数据集找到多个密度峰值点,并构建密度峰值点和样本点的二部图,然后利用二部图完成聚类。此外该算法引入流形图正则化项来充分利用数据间的流形结构信息,并给出了算法的迭代更新规则。在大量真实数据集上的实验结果表明,该方法可以更加有效地利用数据本身的结构信息,从而提高聚类效果。     

基于特征点互信息预配准的医学图像配准技术

基于最大互信息的医学图像配准算法近几年来成为医学图像处理领域的热点。由局部极值导致的寻优困难是困扰该算法的核心问题,混合优化算法成功地解决了互信息函数的寻优问题,但延长了配准时间。文中研究了互信息函数峰值周围的局部极值特征,提出安全区域的概念。利用特征点互信息理论,并结合多灰度级和多分辨率策略,提出一种基于混合优化算法寻优和特征点互信息预配准的改进型算法。经过模拟数据和实际数据配准实验证明,该算法在保证了配准精度的同时,提高了配准的速度,稳健性更强,具有临床推广价值。     

基于动态扰动策略的人工搜索群算法

为了提高人工搜索群算法(ASSA)的整体性能,提出一种基于动态扰动策略的人工搜索群算法。为了增加算法的种群多样性,在算法初期,通过Tent映射的混沌策略产生初始种群。结合反向学习策略,算法在进化过程中对种群进行反向学习扰动,从而增加算法跳出局部最优解的可能性。算法采用动态步长的方式,在初期时能够扩大最优解的搜索范围,在后期时能够加速种群收敛到最优解。基于标准测试函数的实验研究结果表明,提出的改进算法与标准人工搜索群算法,及其改进算法进行对比,在收敛速度和收敛精度上都有明显提高,整体上提升了该算法的性能。     

基于CPSOGSA算法的威布尔参数估计及其在民机设备可靠性评估中的应用

为了解决小样本条件下民机装备可靠性模型参数的估计问题，本文提出一种基于收缩系数的粒子群万有引力搜索算法（Contraction factor Particle Swarm Optimization-Gravitational Search Algorithm,CPSOGSA）的参数估计算法。该方法提升了粒子群算法寻优性能，有效提升威布尔模型的参数估计精度。通过算例证明：该方法可以很好地用于民机设备的小样本可靠性参数估计，估计结果具有较高的精度，且耗时更短，表明了该方法的有效性和可行性。     

云制造资源的工序级多目标调度方法研究

由于云制造资源的分散性、多样性、负载率不均衡性等特点对其调度与调度粒度有更高的要求,将云制造任务分解后的工序作为调度的最小粒度,构建一种以最短制造服务时间、最低制造服务成本以及均衡负载率为多目标的云制造资源工序级调度模型,采用以粒子群、遗传相结合的混合多目标调度算法,将遗传算法中通过双层编码的染色体作为粒子群算法的粒子,双层编码方式是指以工序加工顺序作为第一层、工序对应加工资源编号为第二层,随后通过对染色体交叉变异进行粒子更新,使整个调度过程快速收敛于全局最优解。最后电梯实例证明了该算法能在较短的时间内给出最优的调度方案,从而有效地解决云制造资源多目标调度问题。     

GNSS-R海面风速反演算法

针对目前GNSS-R海面风速反演方法观测量单一，精度较低的问题，提出一种基于时延多普勒相关功率图（Delay Doppler map，DDM）的分割多普勒波形匹配反演算法。该方法利用新的DDM观测量，经过训练后，可以反演海面风速。使用该算法根据给定条件建立风场反演模型，以CYGNSS数据作为仿真输入量。仿真结果表明，利用该方法在海面风速20 m/s以下，反演风速的均方根误差为2.01 m/s，结果优于传统GNSS-R风速反演使用的峰值功率法和前缘坡度匹配法（Leading edge slope matching method，LES）。     

基于多目立体视觉和神经网络标定的表面形貌测量方法研究

针对三维表面形貌的非接触式光学测量是计算机多目立体视觉技术的一项重要应用，但目前还存在相机个数受限、特征点匹配算法复杂与纵向测量精度不够等难题。开发了一种基于多目立体视觉和神经网络标定的表面形貌测量方法，其中包括:使用神经网络完成多目标定与三维重构，在表面投射激光点阵作为图像识别与匹配的特征点，应用蚁群粒子跟踪测速技术进行多相机间相同特征点的匹配。经实验测试，相较于传统基于小孔成像模型进行标定与基于核线约束或互相关算法进行匹配的立体视觉测量系统，所提出的方法可适配具有大光学畸变的场景，能有效提高测量的空间分辨率，深度方向的测量误差在1.0%～2.0%的水平。     

基于粒子群——克里金法的筒段应变场重构与载荷位置识别

针对可重复运载器箭体、燃料贮箱以及飞机机身等筒段类结构健康监测需求,本文提出了一种基于高密度弱反射光纤光栅传感器的筒段结构应变场重构与载荷位置辨识方法。借助ABAQUS有限元仿真软件,得到筒段壁面在载荷作用下的应变场分布特性。研究了基于粒子群—克里金法的壁面应变场重构算法,提升了应变场重构精度。构建了筒段壁面应变场分布式光纤监测与重构系统,借助环向粘贴的高密度弱反射光纤光栅传感器获取壁面离散点的应变信息,结合粒子群—克里金法实现圆筒壁面应变场监测和载荷位置识别(平均定位误差为1cm)。研究结果表明,本文所提方法能够为飞行器筒段结构健康监测、剩余寿命预测以及预测性维修提供技术支撑。     

AC-PSO算法在无人机任务规划中的应用

无人机飞行中合理的路线规划可以减小飞行时间、降低油耗,减小被敌方发现、攻击的可能,从而提高了完成任务的概率.鉴于大部分无人机是以一个相对固定的高度进行侦察和任务飞行,故可将无人机的飞行任务规划视为二维平面的TSP问题.本文进一步将地面防空威胁与飞行距离统一量化,通过求解TSP求取最优无人机任务规划.文中通过分析蚁群算法与粒子群算法,提出了一种新的混合方法AC-PSO算法解决TSP求解问题.算法借鉴了蚁群算法的路线构造方法和粒子群算法的进化策略思想,同时给出了提升算法效率的一些措施.实验验证,该算法和威胁建模方法相结合,能有效地满足无人机飞行任务规划的要求.     

基于VS-IMM算法的A-SMGCS场面运动目标跟踪

为实现先进场面运动引导控制系统中场面监视雷达对运动目标的跟踪,研究了将变结构交互式多模型(Variable structure interacting multiple model,VS-IMM)算法应用到该系统中。首先,根据飞机的真实运动情况建立了飞机的匀速运动、匀加速运动和匀速转弯运动模型;然后,针对固定结构交互式多模型(Fixed structureinteractive multiple model,FS-IMM)算法在目标跟踪方面的不足,结合机场地图,将VS-IMM算法应用到机场场面运动目标跟踪中;最后,基于扩展卡尔曼滤波将VS-IMM算法与FS-IMM算法进行仿真比较。结果表明:VS-IMM算法的跟踪精度及模型选择均优于FS-IMM算法,VS-IMM算法在场面跟踪方面具有更大的应用价值。     

一种新PSO混合算法在直升机配平中的应用

直升机配平计算是动力学分析的基础，其实质是求解高维复杂的非线性方程组。针对经典算法与智能算法的特点与不足，提出了一种求解非线性方程组的新粒子群方法。在粒子群(Particle swarm optimization, PSO)算法的基础上，根据模拟退火(Simulated annealing, SA)思想，引入了嵌入式LM (Levenberg-marquardt)优化 算子。该方法充分发挥了3种算法的优势，克服了LM算法初值敏感性，PSO算法易陷入局部极值等问题。通过UH-60A直升机实例配平计算，验证了本文算例模型的准确性。在此基础 上，针对某一前飞状态下的配平算例，在收敛可靠性和计算效率上通过与其他算法进行对比，表明该算法具有可靠的收敛性和较高的计算效率，进一步验证了该算法在配平问题上的可信度与实用性，为直升机飞行动力学问题的处理提供了一种新的有效方法。     

采用ABC算法的关节机器人动力学参数辨识

实验辨识机器人动力学参数是获取基于模型的控制器参数的主要方式。针对一般方法仅能辨识线性动力学模型从而辨识精度不高的问题,提出采用人工蜂群(Artificial bee colony,ABC)算法辨识机器人动力学模型。通过Newton-Euler法建立关节型机器人的刚体动力学模型,并用低速动态特性更佳的非线性摩擦模型描述关节间摩擦特性,代替传统的库仑-黏性摩擦模型。优化辨识实验所用的激励轨迹,采集实验数据进行必要的预处理后,采用ABC算法辨识机器人动力学参数。结果表明,ABC算法能够精确辨识动力学参数,基于辨识结果的预测力矩抑制了误差峰值的出现。应用辨识结果设计基于模型的前馈控制器,实验结果表明基于模型的控制器能够提高轨迹跟踪精度。     

增强现实中的直线边缘对象位姿跟踪

改进了增强现实中跟踪直线边缘对象位姿的方法.首先用扩展卡尔曼滤波器预测对象位姿并限制隐式边缘搜索的区域;然后利用M估计子与权重直线拟合得到图像中直线边缘的方程系数;最后利用平面的标准正交基构建关于对象位姿的目标函数,并用奇异值分解法加以求解.实验表明本文位姿跟踪方法的旋转角最大的平均偏差为0.29°,绝对偏差为1.90°,跟踪速度大约为10帧/s,综合性能明显优于基于LM的跟踪算法.     

基于改进微粒群算法的无人机姿态控制参数智能整定(英文)

提出了基于改进微粒群算法的无人机姿态控制器参数智能整定方法.标准微粒群算法在搜索后期由于群体缺乏多样性而容易出现收敛停滞现象,为此提出了一种改进的微粒群算法.标准微粒群算法中的微粒速度是根据惯性运动、群体历史最优位置和自身历史最优位置来调节的.改进微粒群算法中的微粒除了保持惯性运动外,仅向当前群体中任意更优个体的状态学习,而且惯性权重系数是随机数.改进方案减少了算法不确定参数,简化了微粒学习机制,且增强了群体多样性.本文构建了无人机姿态控制系统,将改进微粒群算法用于四个控制参数的寻优整定.仿真结果表明,改进微粒群算法比一般微粒群算法具有更强的全局搜索能力,故获得更优的无人机姿态控制参数.