离散型粒子群算法求解民航飞机排班问题

本文首先介绍了民航飞机排班问题,给出了飞机排班问题的基本数学模型。然后介绍了离散型粒子群算法的基本原理和在组合优化问题方面的应用,并通过相应参数的匹配选择将离散型粒子群算法引入到民航飞机排班问题。     

基于动态因子的粒子群算法在航路规划中的应用

粒子群优化PSO(Particle Swarm Optimization)因其实现容易、精度高、调整参数少、收敛速度快等优点而在解决优化问题中得到了广泛的应用。分析了惯性权值及加速度因子对粒子群算法优化性能的影响,进而提出改进粒子群算法的方法:线性或非线性动态调整惯性因子,从而有效地提高算法的搜索能力;进行了仿真实验,仿真结果表明改进后的算法在全局搜优的速率与精度方面均有明显提高。     

基于改进粒子群算法的管道动强度可靠性优化设计

本文对某型飞机液压管道采用的带压缩因子的粒子群算法(PSO)进行了改进,并对其支撑位置进行动力学优化。使用映射方法来离散粒子的位置,分别利用"和声搜索"法和"飞回技术"法对粒子群算法的边界条件和约束条件进行处理,改进了粒子群算法。并有效结合有限元(FEM)和改进的粒子群算法,以管道的疲劳累积损伤可靠度为约束,以一阶固有频率最大为目标对支撑位置进行动力学优化。经过优化,提高了管道的一阶固有频率,降低了振动水平,增强了系统的抗振能力。     

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。     

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。     

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。     

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PSO-GA优化的TOP-HAT形态学滤波器及其应用

针对机栽红外图像中运动弱小点目标检测的难题,提出了一种基于PSO-GA训练参数的形态学滤波器.以粒子群优化算法(Particle Swarm Optimization,PSO)为主线,按PSO算法中标准的速度和位置更新,遗传算法(Genetic Algorithm,GA)采用新的区间离散化编码和自适应的主次式交叉与变异算子,将遗传算法与粒子群优化算法的自动更新特征结合在一起,通过优化搜索全局空间获得形态学滤波器的最优参数,进而确保优化的形态学滤波器具有良好的滤波性及时效性.通过对低信噪比红外图像(SNR约为2)的测试,检测概率可以达到98％以上,与利用神经网络(Neural Network,NN)训练结构元素后的Top-Hat形态学滤波器相比提高了2％ ～3％.与GA算法相对,训练算法效能提高20％,提高了搜索最佳值的能力.     

基于PSO参数优化的CDM控制应用

分析了CDM方法的发展过程和基本设计思路,提出了基于CDM方法控制需要解决的三个问题,即系统稳定指数的优化选择、结构解耦分式约束条件设计、控制器的参数选择策略,同时给出了采用粒子群(PSO)优化算法的解决思路,并以此对直接力/气动力导弹复合控制进行了设计。仿真结果表明,即使在大攻角下控制器仍具有很强的鲁棒性。     

多无人机协同任务分配混合粒子群算法

针对多无人机协同任务分配问题(MTAP),设计了一种综合考虑飞行航程、任务收益以及任务完成时间窗口的混合粒子群任务分配算法。首先,将粒子位置编码为一组任务分配向量,针对同时打击场景可能存在的死锁问题,设计了一种基于多打击任务有向图的死锁检测和修复算法,解码出对应一组可行的任务分配解或方案,实现粒子群算法解的离散化。另外,对于传统粒子群算法(PSO)容易陷入局部收敛的缺点,提出一种基于变邻域搜索算法的跳出局部收敛策略,并建立局部搜索启动概率准则,实现跳出局部收敛和计算开销的平衡。最后,将跳出局部收敛的策略嵌入到粒子群算法中,得到协同任务分配的混合粒子群算法(HPSO)。另外,针对新目标发现导致的初始计划失效问题,设计了一种基于匹配策略的局部任务重分配方法。仿真实验证明,所提出的混合粒子群算法能够有效解决异构多无人机同时打击场景中的任务分配问题。     

粒子群优化的粗糙集-神经网络在航空发动机故障诊断中的应用

提出了一种基于粒子群优化算法的邻域粗糙集-神经网络的发动机智能故障诊断方法,首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用粒子群优化算法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对航空发动机气路故障进行诊断.仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了诊断精度.     

基于DMOM算法的航空发动机性能寻优控制

提出一种分散迁移优化算法(DMOM),可实现多峰值优化问题的全局最优解搜索.该算法通过随机选择参考粒子,不断迁移搜索自身所处区域峰值点,再通过分散操作排除局部最优点,重新生成新个体,可快速搜索到全局最优区域.将DMOM应用于航空发动机性能寻优控制仿真,结果表明:在最小油耗和最低涡轮温度模式下, DMOM的寻优速度相比遗传算法(GA)和粒子群算法(PSO)提高了2倍以上;同时DMOM的优化精度相比自组织迁移算法(SOMA)提高了60%以上,相比可行性序列二次规划(FSQP)算法提高了20%以上.验证了DMOM相比其他优化算法有更强的跳出局部最优的能力,在航空发动机最小油耗和最低涡轮温度这类多峰值寻优问题中具有明显的优势.      

DR/GPS组合导航系统滤波技术研究

陆用航位推算系统（DR）的精度主要受到里程系数和航向误差的制约,其误差模型本质具有非线性,因此采用非线性滤波算法能显著提高里程系数和航向误差的估计精度。本文将粒子滤波应用到航位推算（DR）/GPS组合导航系统数据融合过程中,对航位推算 (DR) 与GPS组合导航系统中的里程系数误差和航向误差进行辨识估计,并对里程系数和航向进行修正。粒子滤波存在的主要问题是粒子的退化现象严重,本文将量子粒子群优化 (PSO) 算法与粒子滤波相结合,提出了量子PSO粒子滤波算法,该算法采用量子位对粒子进行编码,引入量子旋转门与变异操作保持了粒子集的多样性,通过量子PSO搜索寻优重新分配粒子,使粒子集有效地逼近真实的后验概率分布,从而有效地减轻了退化现象,提高了粒子滤波的精度。跑车实验结果表明,该算法有效地抑制了DR导航系统误差的增长,提高了组合导航系统的定位精度。     

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。     

基于改进粒子群算法的航空发动机状态变量建模

为了克服现有航空发动机状态变量建模过程中的不足,采用了一种改进粒子群算法建立航空发动机状态变量模型。首先改进了粒子群算法,提出一种每个粒子根据自身适应值动态调整其惯性系数方法来平衡搜索性能;对群体最优位置进行实时的代内更新以提高搜索速度;为避免陷入局部最优,在最优个体附近进行随机搜索。其次利用该算法建立航空发动机状态变量模型,根据航空发动机在稳态点处的线性化模型应与在该同一稳态工作点处的非线性模型响应一致的原则构造适应值函数,仿真结果表明所建立的状态变量模型不论是稳态过程还是动态过程都与非线性模型响应基本一致,建模精度较高,建立过程简便。     

基于SAPSO算法的异步电动机参数辨识

异步电动机等效电路参数的准确辨识对电动机的控制具有重要作用,同时,等效电路参数的变化可以反映电动机的运行状态,故参数辨识也被运用到电机故障诊断中。将现代最优化算法应用到三相异步电动机的等效电路参数辨识中。通过将粒子群优化算法(PSO)和模拟退火算法(SA)相结合,可以准确有效地对异步电动机的6个等效参数进行辨识,与遗传算法相比,SAPSO算法易于实现且收敛速度快。算法采用考虑铁耗的异步电机dq坐标系下的模型来实现,将温度对电阻参数的影响考虑在内。通过算例证明了算法能够有效地对电机参数进行辨识及跟踪电阻的变化。     

基于灰色关联分析的航空发动机气路部件故障诊断

为了改善对航空发动机气路部件故障诊断能力,提出了一种基于灰色关联分析的两层诊断方法。该方法首先利用粒子群算法优化各蜕化程度下灰色关联加权指数,构建标准故障序列,利用灰色关联分析进行第一层定性诊断,再优选故障模式利用灰色斜率关联分析方法进行二次诊断,得到了气路部件故障诊断结果。仿真表明,改进二次灰色关联分析诊断方法比单层诊断方法结构更简单,计算量小,更适合于较多传感器的发动机诊断系统,比经验灰色关联分析方法诊断精度更高。     

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

 针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法。该方法将嵌入维数作为影响状态时间序列预测精度的重?问?以交叉验证误差为评价准则,利用粒子群优化（PSO）进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型。航空发动机排气温度（EGT）预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测。