国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

加權質心魚群算法在WSNs節(jié)點優(yōu)化布置中的應用*

2018-09-27 08:11:46彭珍瑞董海棠
傳感器與微系統(tǒng) 2018年10期
關鍵詞:魚群質心步長

何 旭, 彭珍瑞, 董海棠, 殷 紅

(蘭州交通大學 機電工程學院,甘肅 蘭州 730070)

0 引 言

風機葉片是風電機組主要部件[1],葉片工作環(huán)境惡劣,檢修成本高,因此,考慮減少運行風險,降低維護成本,對葉片進行健康監(jiān)測具有重大意義[2]。

葉片健康監(jiān)測主要采用模態(tài)測試技術,測試并分析其動力特性。在葉片上安裝若干加速度傳感器,用以提取模態(tài)參數,由于葉片與機艙間存在相對運動,如不使用裝置固定,無法使用有線傳輸;且傳感器數目多、布設線纜復雜,需使用無線傳感器網絡(wireless sensor networks,WSNs)將葉片的狀態(tài)信號實時傳輸至接收裝置[3]。布置WSNs測點,既增大傳輸距離,需解決有線傳輸中的布線問題[4,5],又使系統(tǒng)不易受環(huán)境干擾,運行更穩(wěn)定。

本文將加權質心算法[6](weighted centroid algorithm,WCA)引入人工魚群算法 (artificial fish swarm algorithm,AFSA) 中初始化魚群,通過節(jié)點之間相互測距和定位補償誤差,并采用自適應變步長,提高了算法的收斂速度和尋優(yōu)精度。

1 葉片WSNs節(jié)點優(yōu)化布置數學模型

建立葉片有限元模型,提取振型矩陣φn×m,矩陣的行n對應節(jié)點自由度數,列m對應模態(tài)階數,從n行中選擇s行作為傳感器的優(yōu)化布置測點位置。選擇模態(tài)置信準則(modal assurance criterion,MAC)[7]最大非對角元素作為傳感器優(yōu)化布置問題的目標函數,數學模型為

(1)

2 加權質心魚群算法

AFSA[8,9]算法存在問題為:通過隨機方式產生初始魚群,分布不均勻,降低了算法的全局搜索能力,尋優(yōu)精度有待提高;每條人工魚的步長是固定值,在迭代前期容易陷入局部最優(yōu),收斂速度有待提高。為此引入WCA產生初始魚群及改進步長的策略,提出了一種用于WSNs節(jié)點優(yōu)化布置的加權質心魚群算法。

2.1 WCA-AFSA實現流程

2.1.1 二進制編碼

二進制編碼X與模態(tài)矩陣φs×m間的轉換為從φn×m刪除對應X中{xj|xj=0,j∈[1,2,…,n]}行的過程,即

φs×m=g(φn×m,Xn×1)

(2)

式中 模態(tài)矩陣φs×m為布置s只傳感器的解;Xn×1為對應于該解的二進制編碼。

2.1.2 WCA初始化魚群

質心算法[6]通過選取距離待定位節(jié)點較近的3個交點組成三角形,求其質心,為待定位節(jié)點估計位置

(3)

(4)

WCA[11,12]通過合理分配權重,較質心算法定位更精確。令權值與已知節(jié)點到未知節(jié)點距離的n次方成反比,有

(5)

式中wij為已知節(jié)點j對未知節(jié)點i的權重值;Pi(x,y)為未知節(jié)點i的估計位置;Bj(x,y)為已知節(jié)點j的位置;dij為已知節(jié)點j到未知節(jié)點i的距離估計值;n為權重系數;N為已知節(jié)點個數。

在100 m×100 m的區(qū)域內隨機分布50個WSNs節(jié)點,設WSNs節(jié)點的無線射程R=50 m。由仿真結果圖1知,質心算法誤差比WCA誤差大,WCA較質心算法定位更精確。

圖1 加權質心與質心算法定位誤差對比

2.1.3 聚群行為

步長step越大,最大迭代次數Nmax越小,收斂速度越快,但求解精度下降[13]。因此需合理確定參數step,采用一種基于動態(tài)參數自適應的變步長策略,即搜索初期步長較大,加快收斂速度;隨著迭代次數的增加,逐漸接近最優(yōu)解,變?yōu)樾〔介L進行精細化搜索,提高尋優(yōu)精度。設計步長為

(6)

式中step為初始步長,visual為人工魚視野長度??梢钥闯觯琋max越大,步長非線性減小,甚至達到step/10。步驟如下:

1)計算本次步長nstep。

2)從區(qū)間[-nstep,nstep]中隨機生成整數Δxij,組成Δxij=[Δxi1,Δxi2,…,Δxin]T。

4)重復步驟(1)~步驟(3),直至Nmax為止。

2.1.4 追尾行為

第i條人工魚追尾過程為:

1)在區(qū)間[xij-visual,xij+visual]中,j=1,2,…,n內隨機產生人工魚新位置x'i;

3)重復步驟(1)和步驟(2),直至Nmax為止。

2.1.5 覓食行為

人工魚當前位置xi,感知范圍內的某位置xj,若食物濃度f(xj)

2.2 自適應變步長技術優(yōu)勢分析

引入自適應變步長技術,尋優(yōu)初期,距離最優(yōu)值較遠的人工魚,采用較大步長,快速逼近最優(yōu)值;接近最優(yōu)值時,采用較小步長,提高精度[14,15]。

2.3 時間復雜度分析

時間復雜度用于衡量算法效率的高低[15,16]。根據WCA-AFSA算法實現步驟分析其時間復雜度:

1)初始化N條人工魚需N次,時間復雜度為O(N)。

2)初始化參數,比較N-1次,賦值1次,時間復雜度為O(N)。

3)聚群行為計算δ需N次,判斷 1次,移動1次,N條人工魚聚群N次,時間復雜度為O(N2+2×N)。

4)追尾行為搜索最優(yōu)值N次,計算δ需N次,判斷1次,移動1次,N條人工魚追尾N次,時間復雜度為O(2×N2+2×N)。

5)覓食行為最多try_number次,最少1次,N條人工魚覓食N次,時間復雜度最多為O(N×try_number)。

算法經l次迭代后,時間復雜度為O(l×3×N2+N×try_number+4×N))。

2.4 WCA-AFSA流程

WCA-AFSA流程如圖2所示。

圖2 WCA-AFSA流程

3 WCA-AFSA性能測試及結果分析

3.1 參數設置

分析3個重要參數:設置魚群規(guī)模N=10,初始步長step=0.5,最大迭代次數Nmax=120,取平均值,分析結果如表1所示。

3.2 求解結果

對5個標準函數[14~18]測試,迭代次數120次,取平均值作為求解結果如表1所示。對比曲線如圖3所示。

表1 測試函數求解結果

圖3 WCA-AFSA與AFSA收斂對比曲線

由表1和圖3得出:WCA-AFSA較AFSA提高了收斂精度、加快了收斂速度,WCA-AFSA更為有效。

4 WCA-AFSA的WSNs節(jié)點優(yōu)化布置

4.1 風機葉片算例

某兆瓦(MW)級水平軸風機葉片[19],長29 m,玻璃鋼材料,密度為1 950 kg/m3,彈性模量為16.5 GPa,泊松比為0.305。各階頻率及振型特征如表2。

表2 葉片前五階模態(tài)頻率及振型特征

大型風機葉片的低階模態(tài)具有較大的振型參與系數,能描述結構動態(tài)特性。因此選擇葉片的前五階模態(tài)作為目標模態(tài)[18]。葉片低階振型以揮舞振動為主,所以研究葉片揮舞方向傳感器的優(yōu)化布置,揮舞方向自由度為主自由度,共1 073個節(jié)點自由度,因葉尖處較難布置傳感器,將葉尖處36個自由度忽略不計,葉片的前五階模態(tài)矩陣φ為一個1 037×5階的矩陣。

對風機葉片布置10個WSNs節(jié)點進行研究。如圖4(a)所示,是經AFSA優(yōu)化的MAC柱狀圖;此時MAC最大非對角元素為0.122 655;圖4(b)是經WCA-AFSA優(yōu)化后的MAC柱狀圖,MAC最大非對角元素為0.008 995。說明改進后算法更為優(yōu)越。

圖4 MAC矩陣柱狀圖

4.2 傳感器優(yōu)化布置方案

根據工程實際和試驗經驗,葉片結構健康監(jiān)測中多選用加速度傳感器[19,20],在風機葉片上布置10個WSNs節(jié)點的方案如表3。

表3 加速度傳感器布置方案

表3所得傳感器布置位置較分散,避免了傳感器局部集中導致采集數據不完整的情況;且傳感器位于葉片最不利工況位置,即葉根處和翼型變化較大的位置,可以全面獲取葉片健康狀況信息。

5 結 論

1)引入WCA產生初始魚群,增加種群多樣性,減小計算規(guī)模,提高尋優(yōu)精度;

2)采用一種基于動態(tài)參數自適應變步長,迭代前期以較大的步長跳出局部最優(yōu)解,加快收斂速度,逐漸接近最優(yōu)解;迭代后期以小步長搜索,能夠更精確地尋找到最優(yōu)解;

3)將WCA作為一種算子引入到AFSA中,充分利用兩種成熟算法的優(yōu)勢互補,提高算法的收斂速度和尋優(yōu)精度。

猜你喜歡
魚群質心步長
重型半掛汽車質量與質心位置估計
基于Armijo搜索步長的BFGS與DFP擬牛頓法的比較研究
基于GNSS測量的天宮二號質心確定
魚群漩渦
中外文摘(2017年19期)2017-10-10 08:28:41
基于改進魚群優(yōu)化支持向量機的短期風電功率預測
電測與儀表(2016年3期)2016-04-12 00:27:44
基于人工魚群算法的光伏陣列多峰MPPT控制策略
基于逐維改進的自適應步長布谷鳥搜索算法
多子群并行人工魚群算法的改進研究
一種新型光伏系統(tǒng)MPPT變步長滯環(huán)比較P&O法
電測與儀表(2014年2期)2014-04-04 09:04:00
一種海洋測高衛(wèi)星質心在軌估計算法
航天器工程(2014年5期)2014-03-11 16:35:53
道真| 芒康县| 临桂县| 岗巴县| 铁力市| 南华县| 迁安市| 颍上县| 普兰店市| 奎屯市| 贵德县| 南澳县| 塔河县| 姚安县| 福清市| 新密市| 左贡县| 黑龙江省| 五家渠市| 舟山市| 仲巴县| 延长县| 鹤庆县| 张家川| 同江市| 车险| 墨脱县| 旺苍县| 新余市| 衡阳县| 云霄县| 霍邱县| 丰台区| 克山县| 东安县| 阿拉善盟| 台山市| 平山县| 闽侯县| 石台县| 佳木斯市|