CN113779856B - 一种面向电子系统功能在线重组的离散微粒群算法建模方法 - Google Patents
一种面向电子系统功能在线重组的离散微粒群算法建模方法 Download PDFInfo
- Publication number
- CN113779856B CN113779856B CN202111096213.5A CN202111096213A CN113779856B CN 113779856 B CN113779856 B CN 113779856B CN 202111096213 A CN202111096213 A CN 202111096213A CN 113779856 B CN113779856 B CN 113779856B
- Authority
- CN
- China
- Prior art keywords
- particle
- module
- value
- particles
- adaptive value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向电子系统功能在线重组的离散微粒群算法建模方法，属于计算机领域。该方法主要实现将离散微粒群算法应用与电子系统功能在线重组时的功能模块描述和建模。已达到在不改变系统的硬件连接的情况下，通过软件算法实现功能的电子系统功能在线性能指标最优重组的目标，对现今电子系统应用的具有重要的意义。
Description
技术领域
本发明属于计算机领域，涉及一种面向电子系统功能在线重组的离散微粒群算法建模方法。
背景技术
面向电子系统功能在线重组，可以为灵活地适应不同应用提供技术支持。基于离散微粒群算法完成以上系统功能在线重组，其实质为利用离散微粒群算法的离散空间寻优能力，实现最优性能指标约束下的系统功能模块的最优组合。面向电子系统功能在线重组的离散微粒群算法建模，是实现以上目标的前提和基础。
发明内容
有鉴于此，本发明的目的在于提供一种面向电子系统功能在线重组的离散微粒群算法建模方法。
为达到上述目的，本发明提供如下技术方案：
一种面向电子系统功能在线重组的离散微粒群算法建模方法，该方法包括以下步骤：
S1：确定微粒群规模N，迭代次数上限和目标适应值；
S2：微粒群搜索空间范围，确定初始化微粒位置和速度；即在电子系统各个模块在分类模块表的可用模块组成的搜索空间中，确定微粒位置和速度初值；及针对微粒的不同功能模块对应的不同搜索空间对应的备选功能单元列，利用随机函数产生一个取值区间从1到该单元列所含单元总数的随机整数，从该单元列中取出该整数对应的单元作为微粒的初始位置，确定初始速度；
S3：计算当前微粒的最好位置：对于第i个微粒，将其位置分量带入适应值函数，即性能指标计算分析公式，性能指标计算分析公式为以微粒位置分析量为自变量的函数，不同的电子系统有不同的函数形式，得到该微粒在在当前位置下性能指标适应值，若大于最好位置的适应值，则该微粒当前位置为该微粒的最好位置；最好位置为适应值最大时对应的微粒各分量取值；以适应值函数取值以取大或取小为好，同一应用中一致取大或取小；当前位置为各分量当前的取值；
S4：计算全体微粒的最好位置：对每个微粒，将其适应值与全局所经历的最好位置的适应值进行比较，若好，则将其作为全局而当前最好位置；
S5：如未达到结束条件，即未达到目标适应值或未达到预设的最大代数，则返回S2。
可选的，所述离散微粒群算法中，中全局位置为：所有微粒在当前迭代次数前，性能指标最优的那次模块组合所对应的微粒位置；性能指标最优为适应值函数取值最大；
微粒最好位置为该微粒在当前迭代前，性能指标最优的那次迭代所对应的该微粒的位置；
以上微粒的位置就是微粒的分量，也就是模块的组合方案。
可选的，将所述离散微粒群算法建模方法应用在直放式收音机中；直放式收音机由高放M1、检波M2和功放M3模块组成；在分类模块表中，也有对应的M1、M2和M3模块，其中，M1模块分组中第①个模块不可用，M2模块分组中第④个模块不可用，M2模块分组中第③个模块不可用；剔除不可用模块，得到由可用模块组成的搜索空间；得到微粒速度和微粒位置构成图和适应值计算函数；适应值计算函数为高放M1、检波M2和功放M3三个模块的总增益；在确定微粒种群规模、微粒初始值、适应值阈值和迭代次数后，由离散微粒群算法得到最优模块组合。
本发明的有益效果在于：本发明的有益效果在于：本发明提供的技术方案可以利用离散微粒群优化方法，实现在电子信息系功能模块的性能指标最优重组。本方法发明了面向电子系统功能重组离散微粒群方法的备选模块组织方法和备选模块搜索空间等，在以此为基础，实现了性能指标最优的电子系统功能重组。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为面向电子系统功能重组的离散微粒群算法微粒的构成；
图2为基于离散微粒群算法的电子系统性能指标最优功能重组流程；
图3为直放式收音机模块图；
图4为直放式收音机模块动态重组过程。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
首先，如图1由电子系统模块图中模块信息，可确定离散微粒群算法中微粒的构成，微粒的分量对应电子系统的模块，该微粒分量的搜索空间为该模块对应的分类模块表的可用模块，以上可用模块在数据结构上可以用表中的一列向量在标识，该列向量存放以上可用模块的标识号。此外，即微粒的分量数为电子系统模块图的模块数，即一个模块对应一个分量。
然后，如图2所示，利用离散微粒群算法实现电子系统的模块的性能指标最优的功能重组。结合电子系统模块图，确定模块组合方案的性能指标计算分析公式，并将其作为微粒算的适应值函数。
再后，根据离散微粒群算法流程，得到功能模块的(系统性能指标)最优组合搜索方法，如下：
1)确定微粒群规模N，迭代次数上限和目标适应值。
2)微粒群搜索空间范围，确定初始化微粒位置和速度。即在电子系统各个模块对应的分类模块表中的可用模块组成的搜索空间中，确定微粒位置和速度初值。及针对微粒的不同分量(不同功能模块)对应的不同搜索空间(对应的备选功能单元列)，利用随机函数产生一个取值区间从1到该单元列所含单元总数的随机整数，从该单元列列中取出该整数对应的单元作为微粒的初始位置，类似地可以确定其初始速度。
3)计算当前微粒的最好位置：对于第i个微粒，将其位置分量带入适应值函数(本方法中也即性能指标计算分析公式)，得到该微粒在在当前位置下性能指标适应值，并其所经历过的最好位置的适应值进行比较，若较好，则将其作为该微粒当前位置而当前最好位置；
4)计算全体微粒的最好位置：对每个微粒，将其适应值与全局所经历的最好位置的适应值进行比较，若较好，则将其作为全局而当前最好位置；
5)根据离散微粒群算法各个微粒位置和速度进行进化；
6)如未达到结束条件(通常为达到目标适应值或达到一个预设的最大代数，则返回2)。
以上算法中，离散微粒算法的中全局位置为：所有微粒在当前迭代次数前，适应值(性能指标)最优的那次模块组合所对应的微粒位置；微粒最优位置为该微粒在当前迭代前，适应值(性能指标)最优的那次迭代所对应的该微粒的位置。以上微粒的位置就是微粒的分量，也就是模块的组合方案。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
一种面向电子系统功能在线重组的离散微粒群算法建模方法。该方法主要实现将离散微粒群算法应用于电子系统功能在线重组时的功能模块描述和建模。利用分类模块表存储表示不同类型的模块信息，利用可用模块表，构建微粒群中的微粒分量及搜索空间，并以此为基础，构建电子系统功能在线重组的离散微粒群算法模型，达到在不改变系统的硬件连接的情况下，通过软件算法实现功能的电子系统功能在线性能指标最优重组。
本实施例以动态重组直放式为例，说明本发明方法。
如图3所示，为直放式收音机模块图。
功能模块链接规则单元：确定高放，检波，功放和喇叭模块的连接关系，这里为依次顺序连接关系，并以一定数据结构描述存储该连接关系。
如图4所示，对于直放式收音机，有高放(M1)，检波(M2)和功放(M3)模块组成。在备选模块分组中，也有对应的M1，M2和M3模块，其中，M1模块分组中第①个模块不可用，M2模块分组中第④个模块不可用，M2模块分组中第③个模块不可用。因此，剔除以上不可用模块，得到由可用模块组成的搜索空间。同时，根据直放式收音机功能模块图，可以得到微粒速度和微粒位置构成图和适应值计算函数。这里适应值计算函数为高放(M1)，检波(M2)和功放(M3)等三个模块的总增益。在确定微粒种群规模，微粒初始值，适应值阈值(总增益性能指标阈值)和迭代次数后，由离散微粒群算法可以得到最优模块组合。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种面向电子系统功能在线重组的离散微粒群算法建模方法，其特征在于：该方法包括以下步骤：
S1：确定微粒群规模N，迭代次数上限和目标适应值；
S2：微粒群搜索空间范围，确定初始化微粒位置和速度；即在电子系统各个模块在分类模块表的可用模块组成的搜索空间中，确定微粒位置和速度初值；及针对微粒的不同功能模块对应的不同搜索空间对应的备选功能单元列，利用随机函数产生一个取值区间从1到该单元列所含单元总数的随机整数，从该单元列中取出该整数对应的单元作为微粒的初始位置，确定初始速度；
S3：计算当前微粒的最好位置：对于第i个微粒，将其位置分量带入适应值函数，即性能指标计算分析公式，性能指标计算分析公式为以微粒位置分析量为自变量的函数，不同的电子系统有不同的函数形式，得到该微粒在在当前位置下性能指标适应值，若大于最好位置的适应值，则该微粒当前位置为该微粒的最好位置；最好位置为适应值最大时对应的微粒各分量取值；以适应值函数取值以取大或取小为好，同一应用中一致取大或取小；当前位置为各分量当前的取值；
S4：计算全体微粒的最好位置：对每个微粒，将其适应值与全局所经历的最好位置的适应值进行比较，若好，则将其作为全局而当前最好位置；
S5：如未达到结束条件，即未达到目标适应值或未达到预设的最大代数，则返回S2；
所述离散微粒群算法中，中全局位置为：所有微粒在当前迭代次数前，性能指标最优的那次模块组合所对应的微粒位置；性能指标最优为适应值函数取值最大；
微粒最好位置为该微粒在当前迭代前，性能指标最优的那次迭代所对应的该微粒的位置；
以上微粒的位置就是微粒的分量，也就是模块的组合方案；
将所述离散微粒群算法建模方法应用在直放式收音机中；直放式收音机由高放M1、检波M2和功放M3模块组成；在分类模块表中，有对应的M1、M2和M3模块，其中，M1模块分组中第1个模块不可用，M2模块分组中第4个模块不可用，M2模块分组中第3个模块不可用；剔除不可用模块，得到由可用模块组成的搜索空间；得到微粒速度和微粒位置构成图和适应值计算函数；适应值计算函数为高放M1、检波M2和功放M3三个模块的总增益；在确定微粒种群规模、微粒初始值、适应值阈值和迭代次数后，由离散微粒群算法得到最优模块组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111096213.5A CN113779856B (zh) | 2021-09-15 | 2021-09-15 | 一种面向电子系统功能在线重组的离散微粒群算法建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111096213.5A CN113779856B (zh) | 2021-09-15 | 2021-09-15 | 一种面向电子系统功能在线重组的离散微粒群算法建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113779856A CN113779856A (zh) | 2021-12-10 |
| CN113779856B true CN113779856B (zh) | 2023-06-27 |
Family
ID=78852100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111096213.5A Active CN113779856B (zh) | 2021-09-15 | 2021-09-15 | 一种面向电子系统功能在线重组的离散微粒群算法建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113779856B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108493951A (zh) * | 2018-03-21 | 2018-09-04 | 中南大学 | 一种基于混沌粒子群算法的多目标无功优化方法 |
| CN108764450A (zh) * | 2018-05-22 | 2018-11-06 | 常州工学院 | 一种基于广义粒子群算法的参数优化及估计方法 |
| CN111767991A (zh) * | 2020-06-29 | 2020-10-13 | 重庆大学 | 一种基于深度q学习的测控资源调度方法 |
| CN112558515A (zh) * | 2020-11-27 | 2021-03-26 | 成都中科合迅科技有限公司 | 一种功能可动态重组的模拟电子系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101295008B (zh) * | 2008-06-19 | 2010-06-23 | 电子科技大学 | 一种基于离散粒子群算法的多目标故障测试优化方法 |
| US8606424B2 (en) * | 2011-04-05 | 2013-12-10 | King Fahd University Of Petroleum And Minerals | Particle swarm optimization system and method for microgrids |
| CN102880760B (zh) * | 2012-10-11 | 2015-04-01 | 江苏科技大学 | 基于多目标粒子群及拓扑扩张的微波电路设计方法 |
| CN103258131A (zh) * | 2013-04-25 | 2013-08-21 | 中山大学 | 基于正交学习粒子群的功率电路元件优化方法 |
| CN111177864B (zh) * | 2019-12-20 | 2023-09-08 | 苏州国方汽车电子有限公司 | 基于粒子群算法的内燃机燃烧模型参数优化方法及装置 |
| CN111488709A (zh) * | 2020-04-16 | 2020-08-04 | 湖北汽车工业学院 | 一种零件平面度误差分析方法、误差分析系统及计算机 |
| CN112505533A (zh) * | 2020-12-14 | 2021-03-16 | 电子科技大学 | 基于改进粒子群算法的模拟电路双故障诊断方法 |
| CN112711535B (zh) * | 2020-12-29 | 2021-12-21 | 哈尔滨工业大学 | 基于粒子群优化的约束下组合测试数据生成方法 |
| CN112949154B (zh) * | 2021-03-19 | 2023-02-17 | 上海交通大学 | 并行异步粒子群优化方法、系统及电子设备 |
-
2021
- 2021-09-15 CN CN202111096213.5A patent/CN113779856B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108493951A (zh) * | 2018-03-21 | 2018-09-04 | 中南大学 | 一种基于混沌粒子群算法的多目标无功优化方法 |
| CN108764450A (zh) * | 2018-05-22 | 2018-11-06 | 常州工学院 | 一种基于广义粒子群算法的参数优化及估计方法 |
| CN111767991A (zh) * | 2020-06-29 | 2020-10-13 | 重庆大学 | 一种基于深度q学习的测控资源调度方法 |
| CN112558515A (zh) * | 2020-11-27 | 2021-03-26 | 成都中科合迅科技有限公司 | 一种功能可动态重组的模拟电子系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113779856A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102184205B (zh) | 基于可扩展精度混沌哈希的多模式串匹配方法 | |
| CN111079351B (zh) | 考虑风电不确定性的配电网概率潮流获取方法、装置 | |
| CN116167289B (zh) | 电网运行场景生成方法、装置、计算机设备和存储介质 | |
| CN113435509A (zh) | 基于元学习的小样本场景分类识别方法及系统 | |
| CN116236993B (zh) | 丙烯酸共聚乳液生产控制系统的优化方法及系统 | |
| CN113962358A (zh) | 一种基于时序超图注意力神经网络的信息扩散预测方法 | |
| CN104376015A (zh) | 关系网络中节点的处理方法及装置 | |
| CN113779856B (zh) | 一种面向电子系统功能在线重组的离散微粒群算法建模方法 | |
| CN115618949A (zh) | 基于沉浸式元宇宙服务的用户兴趣分析方法及系统 | |
| CN116629376A (zh) | 一种基于无数据蒸馏的联邦学习聚合方法和系统 | |
| CN111353391A (zh) | 雷达干扰效果评估方法、装置、电子设备及其存储介质 | |
| CN107992358A (zh) | 一种适用于核外图处理系统的异步io执行方法及系统 | |
| CN114781688A (zh) | 业扩项目的异常数据的识别方法、装置、设备及存储介质 | |
| CN117013607A (zh) | 带分布式电源配电网的状态估计方法及系统 | |
| CN116722589A (zh) | 一种分布式能源配电网拓扑结构选取方法及相关装置 | |
| CN111309725A (zh) | 一种基于哈希算法的电力设备数据存取方法及系统 | |
| CN114691630B (zh) | 一种智慧供应链大数据共享方法及系统 | |
| CN117153233A (zh) | 一种基于遗传算法的存储芯片冗余修复方案生成方法、装置、设备及存储介质 | |
| CN113778941B (zh) | 一种基于群体智能算法的功能可重组模拟电子系统及方法 | |
| CN102880629A (zh) | 概率数据库加速查询方法 | |
| CN115187042A (zh) | 一种概率电压评估方法、装置、存储介质及系统 | |
| CN116934182B (zh) | 一种企业数据协同观测方法、系统及介质 | |
| CN116760115B (zh) | 时空特征融合的电力系统机组组合优化方法及其系统 | |
| CN118095540A (zh) | 一种基于人工智能的情报成果智能管理方法及系统 | |
| CN117575028A (zh) | 基于马尔科夫链的网络安全分析方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |