基于细菌觅食性的改进粒子群优化算法翼型设计

提出了一种基于细菌觅食性的改进粒子群优化算法。该算法以粒子群优化算法的社会模型为基础,添加了个体之间的交流项,丰富了粒子之间的优势信息源,增强了粒子的信息共享能力,同时,引入了细菌觅食算法中的趋化和驱散机制,使得算法能够有效地跳出局部最优。函数测试结果表明,该算法显著地提高了粒子群优化算法的寻优性能,并将该算法应用到了翼型设计之中。     

基于层次分析法与粒子群算法的飞机装配公差多目标优化

飞机研制过程中合理的装配公差分配是提高装配准确度和一次装配成功率、降低研制成本的有效途径。本文提出了面向装配性能、加工成本和装配操作复杂度的多目标装配公差优化模型;采用层次分析法与粒子群算法相结合的方法对飞机装配公差多目标优化模型进行求解,用层次分析法确定权重因子并以多目标装配公差优化模型作为适应度函数;最后,以某型飞机外襟翼的一个组件装配公差为例对算法进行验证,计算表明装配公差优化结果能够达到设计要求,可以提高装配公差优化的精度和效率。     

基于自适应粒子群优化算法的无人机三维航迹规划

针对传统的粒子群优化算法容易陷入局部最优解的问题,提出了一种自适应粒子群优化算法,在迭代寻优过程中自适应地调节惯性权重和2个学习因子的数值。建立了无人机在山区环境执行勘察任务的航迹规划环境模型,分析了无人机自身约束条件。设计了自适应粒子群优化算法的适应度函数和航迹规划算法流程。分别采用自适应粒子群优化算法和传统粒子群优化算法开展了无人机三维航迹规划仿真实验。仿真结果对比表明,所提出的自适应粒子群优化算法比传统粒子群优化算法具有更高的全局搜索能力和搜索精度。     

基于IGA-ELM网络的滚动轴承故障诊断

为了提高航空发动机轴承故障诊断准确率,提出基于改进遗传算法优化极限学习机网络（IGA-ELM）的诊断模型。针对传统遗传算法易早熟等缺陷,对遗传算法的交叉操作和变异操作进行改进,并用改进的遗传算法优化极限学习机的输入权值矩阵和隐含层阈值,利用Moore-Penrose算法计算极限学习机的输出权值矩阵。使用IGA-ELM诊断模型对滚动轴承正常、内环故障、外环故障和滚珠故障4种工况进行诊断,并分析极限学习机隐含层神经元的数量和激活函数对轴承故障诊断的影响。为了验证改进遗传算法优化极限学习机的有效性,将传统遗传算法、自适应遗传算法和粒子群算法作为对比算法。经过分析表明：改进遗传算法收敛速度和收敛误差,均优于对比算法。     

高超声速飞行器再入轨迹多目标优化

针对飞行器再入轨迹多目标优化问题,提出了一种基于粒子群算法与层次分析法的综合求解策略。首先,根据飞行器的动力学模型以及再入约束条件,建立了飞行器多目标优化模型;然后,考虑到粒子群算法只能求解无约束单目标问题,采用罚函数处理飞行过程中的约束条件和优化目标;最后,针对不同约束及目标的权重对再入轨迹的影响,利用层次分析法建立包含主观评估信息的优化模型,采用粒子群算法优化求解满足相应约束条件的再入轨迹问题。仿真结果表明,该方法所生成的优化轨迹具有较高的精度和计算效率,并对设计者的主观需求有良好的体现。     

基于混合粒子群算法的上升段交会弹道快速优化设计

基于梯度搜索的高效性和粒子群搜索的随机性,提出了一种混合粒子群算法,并应用该算法研究了运载火箭上升段交会弹道快速优化设计问题.以运载火箭与目标飞行器在交会时刻的距离最小为目标函数,设计了运载火箭飞行程序,建立了运载火箭上升段交会弹道优化模型,同时分别采用混合粒子群算法、遗传算法和粒子群算法进行求解.仿真结果表明:基于本文算法对运载火箭上升段交会弹道进行优化设计,平均交会位置误差为4.137m,较遗传算法减少了17.940m,平均优化耗时488.922s,较粒子群算法缩短了2342.125s.混合粒子群算法搜索速度较快,收敛精度较高,可用于运载火箭上升段交会弹道的快速优化设计.      

基于粒子群算法的导弹飞行控制系统设计

针对反坦克导弹鲁棒飞行控制系统设计问题,提出了一种基于粒子群算法的鲁棒飞行控制律设计方法.在使用μ综合方法设计反坦克导弹控制律时,采用粒子群算法优化鲁棒性能加权函数,解决了加权函数难以选择的问题.仿真结果表明,采用粒子群算法的μ综合方法设计的反坦克导弹飞行控制律具有较强的鲁棒性和更好的指令跟踪能力.     

粒子群优化算法在网络计划资源优化中的应用

对粒子群优化算法在网络计划资源优化中的应用进行了探讨,首先,介绍了粒子群优化算法的基本原理,给出了网络计划中工期固定一资源均衡优化问题的优化目标和数学模型;然后,详细介绍了粒子群优化算法实现网络计划资源优化的算法流程及其编程实现,对典型网络计划进行优化的结果表明粒子群算法可以较好地实现网络计划资源优化。     

基于粒子群和人工蜂群混合算法的气动优化设计

现代启发式智能算法存在全局与局部搜索能力的平衡问题,针对此问题,采用双种群进化策略和信息交流机制,提出一种基于粒子群算法和人工蜂群算法相结合的新型混合优化算法——MABCPSO,并分别进行函数测试和翼型的气动优化设计验证。结果表明:MABCPSO新型混合优化算法具有更好的寻优能力,相比粒子群算法和人工蜂群算法,该算法能以更少的进化代数分别提高1.7%和2.2%的减阻效果。     

基于模拟退火的改进粒子群算法研究及应用

为加快粒子群算法效率,跳出局部最优陷阱,得到高精度最优解,文章提出了基于模拟退火的带收缩因子的粒子群混合算法(SACPSO)。首先,对混合优化算法进行了分析;然后,对混合算法进行函数数值仿真;最后,将SACPSO算法应用于PID参数整定问题。结果表明,改进粒子群算法的稳定性和搜索精度有了明显提高,收敛速度明显加快;在PID参数整定应用上,同传统方法相比,系统稳定,收敛性能好。     

高阶非线性系统的位置控制器PID参数优化

针对高阶非线性系统的位置控制器PID参数优化问题,以五阶传递函数横动伺服系统为例,结合粒子群算法成功实现了参数的优化。设计了粒子群算法的PID参数优化原理。在已知系统传递函数的基础上,利用ZN法进行参数初求解,然后利用粒子群算法对初解进行参数寻优,并将优化前后的系统进行动态性能对比,结果表明:优化后的高阶非线性系统动态性能更好,响应速度更快,调节时间更短,鲁棒性更强。     

改进的粒子群优化算法在气动设计中的应用

为了提高优化系统的搜索效率,发展出了社会模型这种改进智能优化算法的通用策略,在此基础上,提出了一种基于社会模型的改进粒子群优化(IPSOSM)算法。该算法对社会模型进行了分析并在此指导下,将人工鱼群算法(AFSA)中的聚群行为引入到粒子群优化(PSO)算法中,丰富了粒子之间的优势信息源,增强了粒子的信息共享能力,使得IPSOSM算法能够有效地跳出局部最优。函数测试表明,该算法显著提高了PSO算法的寻优性能。将IPSOSM算法应用到翼型和机翼的气动优化设计之中,取得了良好的结果,从而表明提出的算法简洁有效,具有较好的实用性。     

小型无人机气动参数辨识的新型HGAPSO算法

针对小型无人机(UAVs)研制中操稳特性和飞行控制律设计评估对气动参数辨识的需求,提出了一种混合遗传粒子群优化算法(HGAPSO)。该算法以粒子群优化算法(PSO)为主体,在粒子优化路径中,引入遗传算法(GA)的交叉变异操作,增强粒子群跳出局部最优的能力;同时采用Kent映射改进粒子种群的初始化,使初始种群在可行解空间内分布更加均匀,增强全局优化能力。基于仿真结果,依据辨识准度及辨识成功率,对比了HGAPSO、常规PSO和GA优化算法气动参数辨识的结果,然后用蒙特卡洛仿真测试随机观测噪声的影响,结果表明该算法兼备PSO算法高的搜索效率和GA算法的全局优化能力,对随机观测噪声不敏感。最后,通过设计小型UAV试飞示例进行综合应用评价,结果表明:HGAPSO算法基于真实试飞数据进行气动参数辨识取得了满意结果,具有良好的实用性。     

基于MEMS陀螺仪辅助的粒子群优化磁力计校正

目前磁力计校正中存在需要采集大量数据、获取良好的初值和已知准确的传感器噪声分布等问题,传统的粒子群优化磁力计校正算法能够解决以上问题,但是该算法只能用于磁力计简化模型,校正其中9个误差参数,造成补偿不准确的问题。该算法借助MEMS陀螺仪建立矢量目标函数,采用随机漂移粒子群优化算法估计磁力计12个误差参数,具有较强的全局搜索能力和动态适应性。经过仿真与实测实验表明,该算法在磁力计绕其任意2个单轴不完整旋转1周即可实现校正,并且能够在磁场变化情况下保持精度,相比于传统算法补偿精度高、操作简单。     

基于分布式粒子群算法的翼型优化设计

采用求解N-S方程作为优化算法中的CFD分析方法,基于标准粒子群优化算法(PSO),将其与遗传算法中的选择机制相结合,形成了一种改进的基于自然选择的粒子群算法(SELPSO),以提高算法的求解精度和改善算法的全局收敛性。为改善串行粒子群算法效率低,耗机时等缺点,文中将分布式计算引入到优化设计过程中,实现了基于分布式粒子群算法的翼型设计优化系统,设计实践表明,文中发展的优化算法对优化设计系统质量和效率都有着大幅度的提高,在工程中具有很好的实用价值。     

基于自适应Kalman滤波的改进PSO算法

针对基于Kalman滤波的PSO算法在设计与应用过程中存在的不足,提出了基于自适应Kalman滤波的改进PSO算法。利用粒子群状态空间Markov链模型,建立粒子群系统状态方程;采用粒子的速度和位置作为观测量,构建观测方程;引入记忆衰减因子动态调整Kalman滤波模型参数及噪声方差阵,降低模型误差,提高粒子的位置估计精度。仿真实验表明:改进的PSO算法无论在优化精度、收敛速度,还是在稳定性方面都有很大的改进和提高,这就有效避免了粒子的"早熟"收敛问题;尤其在处理复杂多峰问题上,改进算法表现出很明显的优越性。     

APSO算法在语音信号盲源分离中的研究

将自适应粒子群优化（Adaptive Praticle Swarm Optimization）算法运用到语音信号的盲源分离中,以峰度为目标函数,通过自适应调整惯性因子,克服了收敛速度和分离效果之间的矛盾,最终实现盲源分离。该算法避免了传统的优化算法自然梯度法稳定性差、易于陷入局部最优的不足。通过比较仿真结果和性能指标可以看出,APSO算法提高了收敛速度,改善了分离性能,表明了该算法在实现语音信号盲源分离中性能的优越性。