为更好地应对动态多目标优化中的环境变化,提出了一种对差分向量进行角度修正以及分级多种群协同进化(Angle Correction and Hierarchical Multi-Population,ACHMP)的进化算法.根据历史信息,使用无迹卡尔曼滤波模型来预测种群的中心点,...为更好地应对动态多目标优化中的环境变化,提出了一种对差分向量进行角度修正以及分级多种群协同进化(Angle Correction and Hierarchical Multi-Population,ACHMP)的进化算法.根据历史信息,使用无迹卡尔曼滤波模型来预测种群的中心点,通过不同时刻的中心点产生不同的差分向量,再使用无迹卡尔曼滤波对差分向量进行角度修正;提出的多种群协同进化模式将种群分为三部分并使其沿不同的方向进化,子种群监督主种群进化,在提升了算法性能的同时,也保证了种群的多样性.与10种对比算法在不同测试问题上的实验结果显示,ACHMP算法的性能总体优于其他算法,证明了本文提出的角度修正和分级多种群方法在处理动态多目标优化问题时具有较强的竞争力.展开更多
针对强噪声环境下船舶综合电力系统故障时间定位精度不高的问题,提出一种基于Hilbert-Huang变换(HHT)和自适应软阈值法的船舶综合电力系统故障时间定位新方法。首先,电能信号经EMD分解为若干固有模态函数(IMF),对第一个IMF分量进行Hilb...针对强噪声环境下船舶综合电力系统故障时间定位精度不高的问题,提出一种基于Hilbert-Huang变换(HHT)和自适应软阈值法的船舶综合电力系统故障时间定位新方法。首先,电能信号经EMD分解为若干固有模态函数(IMF),对第一个IMF分量进行Hilbert变换得到其瞬时幅值向量。然后,在分析故障波形变化规律的基础上,定义并计算故障信号的瞬时幅值差分向量。最后,设计一种自适应软阈值处理方法,将瞬时幅值差分向量变换为故障时间特征向量,经加权均值后,实现故障时间定位。仿真试验结果表明,该方法能够精确定位不同强度噪声下的故障起止时间,在1 k Hz采样频率下精度为0.88 ms,适用于实际船舶综合电力系统故障的时间定位。展开更多
基金supported by National Natural Science Foundation of China(10371083) and the Young Teachers’Foundation of Chongqing University of Posts andTelecommunications(A2004-12)
文摘为更好地应对动态多目标优化中的环境变化,提出了一种对差分向量进行角度修正以及分级多种群协同进化(Angle Correction and Hierarchical Multi-Population,ACHMP)的进化算法.根据历史信息,使用无迹卡尔曼滤波模型来预测种群的中心点,通过不同时刻的中心点产生不同的差分向量,再使用无迹卡尔曼滤波对差分向量进行角度修正;提出的多种群协同进化模式将种群分为三部分并使其沿不同的方向进化,子种群监督主种群进化,在提升了算法性能的同时,也保证了种群的多样性.与10种对比算法在不同测试问题上的实验结果显示,ACHMP算法的性能总体优于其他算法,证明了本文提出的角度修正和分级多种群方法在处理动态多目标优化问题时具有较强的竞争力.
文摘针对强噪声环境下船舶综合电力系统故障时间定位精度不高的问题,提出一种基于Hilbert-Huang变换(HHT)和自适应软阈值法的船舶综合电力系统故障时间定位新方法。首先,电能信号经EMD分解为若干固有模态函数(IMF),对第一个IMF分量进行Hilbert变换得到其瞬时幅值向量。然后,在分析故障波形变化规律的基础上,定义并计算故障信号的瞬时幅值差分向量。最后,设计一种自适应软阈值处理方法,将瞬时幅值差分向量变换为故障时间特征向量,经加权均值后,实现故障时间定位。仿真试验结果表明,该方法能够精确定位不同强度噪声下的故障起止时间,在1 k Hz采样频率下精度为0.88 ms,适用于实际船舶综合电力系统故障的时间定位。
