多目标粒子群优化算法
多目标粒子群优化算法的相关文献在2004年到2022年内共计97篇,主要集中在自动化技术、计算机技术、电工技术、机械、仪表工业
等领域,其中期刊论文77篇、会议论文3篇、专利文献238361篇;相关期刊56种,包括西北工业大学学报、机械设计与制造、电工技术学报等;
相关会议3种,包括第六届中国计算机学会服务计算学术会议、中国电工技术学会电力电子学会第十四届学术年会、2012中国制导、导航与控制学术会议等;多目标粒子群优化算法的相关文献由281位作者贡献,包括刘宝宁、章卫国、吉兴全等。
多目标粒子群优化算法—发文量
专利文献>
论文:238361篇
占比:99.97%
总计:238441篇
多目标粒子群优化算法
-研究学者
- 刘宝宁
- 章卫国
- 吉兴全
- 李广文
- 聂瑞
- 韩红桂
- 安伟刚
- 张璐
- 李为吉
- 代学武
- 代才
- 何羚
- 何骞
- 冯国奇
- 刘宇
- 司少卿
- 吴娜
- 孙亮
- 尤文波
- 尹孜阳
- 崔东亮
- 张斌
- 张玉振
- 张静
- 张鹏威
- 徐嘉斌
- 徐文星
- 方红根
- 施祥玲
- 李国庆
- 李浩君
- 樊淑娴
- 江岳文
- 王万红
- 王万良
- 王城
- 王宏宇
- 王琴
- 王群京
- 王茜
- 甄琪
- 程锐利
- 舒文江
- 莫玉岩
- 董建杭
- 谢承旺
- 赵燕伟
- 边卫斌
- 郐晓丹
- 郑晓
-
-
胡俊辉;
孙博;
孟婥;
张豪;
孙以泽
-
-
摘要:
针对喷胶机器人时间-冲击等多目标优化的轨迹规划问题,提出基于时间-冲击最优的轨迹优化算法,优化喷胶机器人的运行时间和冲击(加加速度)两个效果相反的目标。采用4-5-6多项式插值曲线作为关节空间内的插值轨迹,确保机器人运动的连续性和平稳性;在关节角速度、角加速度和角加加速度的运动学约束下,利用多目标粒子群优化(multi-objective particle swarm optimization,MOPSO)算法,以喷胶机器人的运行时间和冲击为目标对其进行轨迹优化。仿真结果表明,采用MOPSO算法对4-5-6分段多项式插值结果进行优化,提高了机器人的轨迹精度,减少了机器人运动过程中的冲击,有效缩短了机器人的作业时间。
-
-
薛金红;
涂群章;
邵发明;
潘明
-
-
摘要:
为进一步提高混合动力应急救援车辆的能源利用率,针对N3类重型车辆的特点设计了双模糊逻辑控制策略,分别对前后轴之间的制动力及前轴再生制动与机械制动的制动力进行了合理分配,同时兼顾了车辆的制动稳定性及再生制动能量的回收效率。为了更好地发挥模糊逻辑控制器的性能,采用多目标粒子群优化算法,以车辆制动稳定性指标及再生制动能量回收量为优化目标,对双模糊逻辑控制器的输入/输出隶属度参数进行了优化。最后,通过Simulink离线仿真实验验证了所设计的双模糊逻辑再生制动策略及多目标粒子群优化算法的正确性、有效性及实用性。
-
-
吴佳欣;
郝正航
-
-
摘要:
随着电动汽车的规模化应用,电力系统正面临着经济及环境的双重考验,为了应对新的挑战,本文提出了一种V2G模式下考虑用户满意度的动态经济/排放调度模型。首先利用蒙特卡洛随机抽样方法分析了大规模EV无序充电对电网负荷的影响;其次,为了兼顾电网与用户双侧利益,在经济调度各时段内,以EV的充放电功率以及火电机组的出力作为决策变量,以负荷峰谷差、总的燃料费用以及污染物排放作为目标函数,充分考虑电力系统约束、EV约束以及用户满意度约束,动态优化电力系统经济性、环境效益和EV的充放电功率。考虑到该模型的多约束复杂性,本文采用双层优化调度策略,并分别利用粒子群优化算法以及多目标粒子群优化算法对模型进行求解。以修改的IEEE 6机30节点系统为例进行仿真分析,本文提出模型的合理性得到了有效验证。
-
-
秦川;
任伟;
江叶峰;
熊浩;
徐贤;
鞠平
-
-
摘要:
区外来电和大规模新能源发电比例的迅速提升使得电力系统频率安全问题日益严峻,精准负荷控制为源荷的瞬时平衡提供了新途径。提出了频率安全分段控制下,毫秒级负荷控制(FC-Ⅰ段)和秒级/分钟级负荷控制(FC-Ⅱ段)的用户侧轮次切负荷协调优化策略。根据FC-Ⅰ段控制策略确定的节点负荷控制量,以控制代价最小为目标,以负荷重要程度、负荷控制精确度为约束,基于McCormick松弛和内点法,快速求解该节点下底层用户的毫秒级负荷切除策略;对于FC-Ⅱ段的秒级/分钟级负荷控制,综合考虑FC-Ⅰ段控制后的剩余可控量与用户的参与意愿,建立多用户非合作博弈模型,并采用多目标粒子群优化算法求解秒级/分钟级负荷切除方案。通过实例分析,验证了所提策略的有效性。
-
-
谢云浩;
吴自然;
陈威;
包晓忠;
许海波
-
-
摘要:
建立了考虑材料非线性与二次回路参数的电流互感器数学模型,计算宽量限范围内的传变电流波形。同时选用高倍电流下二次侧电流的垂直分辨率作为评价指标,分析关键设计参数对互感器传变特性的影响。在此基础上,利用多目标粒子群优化算法,对250 A额定电流的电流互感器产品进行优化,在保证线性区测量精度的前提下,深度饱和区的垂直分辨率提高13.2%,成本降低5.4%。
-
-
高建树;
陈煜;
赵志民
-
-
摘要:
针对机场航班保障车辆调度问题,传统的研究对象主要为燃油特种车辆且大都基于人工经验和单车单航班调度,无法适用于当前特种车辆电动化的实际情况。通过分析航班保障任务的业务流程,以减少机场电动特种车辆的数量和充电时长为目标,建立电动特种车辆充电调度模型,采用多目标粒子群优化(MOPSO,multi-objective particle swarm optimization)算法对模型求解,并以国内某机场实际数据为例,验证了模型求解算法的有效性。实验表明:该方法可以减少5辆特种车辆且充电时长降低了14.60%,较好地解决了机场电动特种车辆的充电调度问题,提升了机场电动特种车辆运行效率。
-
-
陈万芬;
王宇嘉;
林炜星
-
-
摘要:
针对小样本数据构建代理模型初期优化效率低、模型精度差的问题,文中提出组合加点准则的代理辅助多目标粒子群优化算法。该算法通过加权平均法将Kriging模型和径向基函数网络模型组合成异构集成模型,使用改善期望准则和最小化代理模型预测准则相结合的组合加点准则对代理模型进行管理,加快了模型收敛速度。此外,该算法采用实际目标函数对每次迭代中增加的样本点进行评估,并对代理模型进行更新以增加模型准确性。实验结果表明,在适应度函数评估次数上,所提算法与非代理模型算法相比减少了10倍,证明该算法可提高代理模型的优化效率及准确性,并在勘探与开发之间取得了更好的平衡。
-
-
曹敏;
杨国龙
-
-
摘要:
针对永磁同步电动机的电磁转矩要求,即起动转矩倍数较大、转矩密度较高以及输出稳定性较强的要求,以一款36槽8极永磁同步电动机为例,采用Taguchi方法,以起动转矩幅值、电磁转矩稳定值以及转矩波动系数为目标变量,以磁钢厚度、极弧系数、磁钢偏心距、定子槽口宽度为参数,通过有限元仿真,得到每个搭配组合的转矩目标变量.为了得到最优的电磁转矩曲线,利用最小二乘法对Taguchi法得到的结果进行拟合,利用多目标粒子群算法(MOPSO)对目标变量进行寻优,得到最优解,并利用有限元软件仿真验证.结果表明,采用Taguchi法和MOPSO算法对永磁同步电动机的电磁转矩进行优化具有可行性以及较高的准确性.
-
-
吴晓伟;
刘宏昭
-
-
摘要:
针对LCC/S型无线电能传输系统谐振补偿拓扑参数配置困难,使得系统难以同时兼顾效率与输出功率,以系统传输效率和输出功率两输出特性构造目标函数.对于这两个具有非线性关系的目标函数,通过Pareto支配并结合粒子群优化(PSO)算法进行寻优计算,以此完成对LCC/S磁谐振耦合机构的多目标参数优化,使得系统在获得足够功率的同时获得更高的传输效率.通过仿真验证了优化算法的有效性.
-
-
冯国奇;
崔东亮;
代学武;
俞胜平
-
-
摘要:
针对航空发动机涡轮盘多目标优化计算密集、案例需求大、分析费用高的问题,提出一种基于混合样本管理的人工神经网络训练方法,以辅助多目标粒子群优化算法处理这类计算密集问题.通过均匀设计的偏差控制,设计面向混合精度数值仿真的试验表;在误差分析基础上,通过联合优化"虚拟样本噪声强度—隐含层节点数—虚拟样本量",确定混合样本集的构造方法和神经网络拓扑结构,以提高模型的精度和泛化能力;多目标优化过程中,采用基于网格邻域信息的拥挤指标提高Pareto前沿的收敛性、多样性和均匀性;通过遗忘式增量学习提高寻优目标的导向性.以某型涡轮盘的多目标优化设计为例验证该体系的有效性.实验表明,所提方法在保证涡轮盘多目标优化质量的前提下,能够显著降低设计费用.
-
-
刘宝宁;
毕可军;
章卫国;
李广文
- 《2012中国制导、导航与控制学术会议》
| 2012年
-
摘要:
提出一种改进的多目标粒子群优化算法.首先,对Kent混沌映射进行的分析,并采用Kent映射进行种群初始化;其次,采用改进的世代距离指标作为判断条件,进行kent混沌搜索;最后,当外部种群数量超出规定上限时,采用K 均值聚类进行外部种群的维护.通过测试函数的仿真验证了改进的多目标粒子群优化算法的有效性,并应用到飞控系统的设计中,效果良好.
-
-
Liu Chun-Yan;
刘春燕;
Zou Cheng-Ming
- 《第六届中国计算机学会服务计算学术会议》
| 2015年
-
摘要:
虚拟化技术为云环境下的物理资源整合提供了技术发展平台.针对虚拟机资源调度问题,以往的研究提出了面向用户满意度或面向QoS的调度算法.前者缺乏物理资源利用率的考虑,后者忽略了用户的体验满意度.为了解决这些不足之处,本文提出多目标PSO优化算法的虚拟机分配策略(U-RPSO算法).该算法从用户满意度和资源利用率多目标问题着手,通过引入聚集变化因子动态改变粒子种群更新机制.为了验证U-PRSO算法,扩展doudsim包模拟云环境进行仿真实验,并与ADPSO算法和双适应度算法进行对比测试,实验结果显示,该算法不仅提高了用户任务的完成效率,同时降低了用户任务的成本耗费,并充分利用了云环境下的物理资源,使得资源利用率最大化.
-
-
Liu Chun-Yan;
刘春燕;
Zou Cheng-Ming
- 《第六届中国计算机学会服务计算学术会议》
| 2015年
-
摘要:
虚拟化技术为云环境下的物理资源整合提供了技术发展平台.针对虚拟机资源调度问题,以往的研究提出了面向用户满意度或面向QoS的调度算法.前者缺乏物理资源利用率的考虑,后者忽略了用户的体验满意度.为了解决这些不足之处,本文提出多目标PSO优化算法的虚拟机分配策略(U-RPSO算法).该算法从用户满意度和资源利用率多目标问题着手,通过引入聚集变化因子动态改变粒子种群更新机制.为了验证U-PRSO算法,扩展doudsim包模拟云环境进行仿真实验,并与ADPSO算法和双适应度算法进行对比测试,实验结果显示,该算法不仅提高了用户任务的完成效率,同时降低了用户任务的成本耗费,并充分利用了云环境下的物理资源,使得资源利用率最大化.
-
-
Liu Chun-Yan;
刘春燕;
Zou Cheng-Ming
- 《第六届中国计算机学会服务计算学术会议》
| 2015年
-
摘要:
虚拟化技术为云环境下的物理资源整合提供了技术发展平台.针对虚拟机资源调度问题,以往的研究提出了面向用户满意度或面向QoS的调度算法.前者缺乏物理资源利用率的考虑,后者忽略了用户的体验满意度.为了解决这些不足之处,本文提出多目标PSO优化算法的虚拟机分配策略(U-RPSO算法).该算法从用户满意度和资源利用率多目标问题着手,通过引入聚集变化因子动态改变粒子种群更新机制.为了验证U-PRSO算法,扩展doudsim包模拟云环境进行仿真实验,并与ADPSO算法和双适应度算法进行对比测试,实验结果显示,该算法不仅提高了用户任务的完成效率,同时降低了用户任务的成本耗费,并充分利用了云环境下的物理资源,使得资源利用率最大化.
-
-
Liu Chun-Yan;
刘春燕;
Zou Cheng-Ming
- 《第六届中国计算机学会服务计算学术会议》
| 2015年
-
摘要:
虚拟化技术为云环境下的物理资源整合提供了技术发展平台.针对虚拟机资源调度问题,以往的研究提出了面向用户满意度或面向QoS的调度算法.前者缺乏物理资源利用率的考虑,后者忽略了用户的体验满意度.为了解决这些不足之处,本文提出多目标PSO优化算法的虚拟机分配策略(U-RPSO算法).该算法从用户满意度和资源利用率多目标问题着手,通过引入聚集变化因子动态改变粒子种群更新机制.为了验证U-PRSO算法,扩展doudsim包模拟云环境进行仿真实验,并与ADPSO算法和双适应度算法进行对比测试,实验结果显示,该算法不仅提高了用户任务的完成效率,同时降低了用户任务的成本耗费,并充分利用了云环境下的物理资源,使得资源利用率最大化.
-
-
Liu Chun-Yan;
刘春燕;
Zou Cheng-Ming
- 《第六届中国计算机学会服务计算学术会议》
| 2015年
-
摘要:
虚拟化技术为云环境下的物理资源整合提供了技术发展平台.针对虚拟机资源调度问题,以往的研究提出了面向用户满意度或面向QoS的调度算法.前者缺乏物理资源利用率的考虑,后者忽略了用户的体验满意度.为了解决这些不足之处,本文提出多目标PSO优化算法的虚拟机分配策略(U-RPSO算法).该算法从用户满意度和资源利用率多目标问题着手,通过引入聚集变化因子动态改变粒子种群更新机制.为了验证U-PRSO算法,扩展doudsim包模拟云环境进行仿真实验,并与ADPSO算法和双适应度算法进行对比测试,实验结果显示,该算法不仅提高了用户任务的完成效率,同时降低了用户任务的成本耗费,并充分利用了云环境下的物理资源,使得资源利用率最大化.
-
-
Liu Chun-Yan;
刘春燕;
Zou Cheng-Ming
- 《第六届中国计算机学会服务计算学术会议》
| 2015年
-
摘要:
虚拟化技术为云环境下的物理资源整合提供了技术发展平台.针对虚拟机资源调度问题,以往的研究提出了面向用户满意度或面向QoS的调度算法.前者缺乏物理资源利用率的考虑,后者忽略了用户的体验满意度.为了解决这些不足之处,本文提出多目标PSO优化算法的虚拟机分配策略(U-RPSO算法).该算法从用户满意度和资源利用率多目标问题着手,通过引入聚集变化因子动态改变粒子种群更新机制.为了验证U-PRSO算法,扩展doudsim包模拟云环境进行仿真实验,并与ADPSO算法和双适应度算法进行对比测试,实验结果显示,该算法不仅提高了用户任务的完成效率,同时降低了用户任务的成本耗费,并充分利用了云环境下的物理资源,使得资源利用率最大化.
-
-
-