柔性作业车间调度问题的一种混合进化算法

目的 为了克服现有求解柔性作业车间调度问题的算法所存在的早熟现象、收敛速度慢等不足,提出了一种混沌遗传粒子群算法.方法 将遗传算法中的交叉变异策略引入到粒子群算法中,并在遗传粒子群算法中引入了混沌技术.结果 新的混沌遗传粒子群算法,提高了收敛速度和求解精度,有效解决了柔性作业车间调度问题.结论 通过一组测试函数比较了遗传算法、粒子群算法和混沌遗传粒子群算法的性能.仿真计算表明:混沌遗传粒子群算法具有收敛快、优化性能好的优点.     

磁性材料成型烧结生产调度优化方法及应用

建立以最小化提前和拖期时间、最小化炉重偏差为目标的混合整数线性规划模型, 解决磁性材料成型-烧结两阶段生产调度问题. 提出一种混合粒子群优化算法(HPSO)进行模型的求解,该算法采用基于订单的编码方式. 针对粒子群算法易陷入局部最优, 在迭代过程中引入模拟退火思想. 改进粒子群算法的全局极值和个体极值选取方式, 使算法尽快收敛到非劣最优解. 生产现场实际数据仿真结果表明: 该混合粒子群算法无论在求解精度, 还是求解速度上均优于普通粒子群算法和遗传算法.     

小水电群智能优化调度算法研究

小水电群的优化调度是一个大规模、多目标、复杂的多阶段决策过程,通常采用传统的动态规划法.探讨了智能优化算法在小水电优化调度中的应用问题,分析了改进遗传算法的工程实现方法及仿真结果,着重分析了算法的收敛特性、算法的计算速度等,说明了遗传算法求解该问题的不足,并提出了采用粒子群算法、蚁群算法等的设想.     

改进PSO算法解决电力系统机组优化组合问题

机组组合优化问题是一个大规模、离散、非线性的混合整数规划问题,所以求解比较困难,不容易找到理论上的最优解。本文在基本粒子群算法（PSO）的基础上,使用一种空间收缩策略,加快了算法的收敛速度。同时,为了避免算法出现“早熟”现象,让粒子不仅根据自身和同伴中的最好个体进行调整自己的飞行速度,并且向其他个体学习,以及通过改进的粒子群算法（MPSO）进行仿真计算,证明了该算法的有效性。     

求解自动化药房储位优化问题的GA-PSO混合粒子群算法

通过对自动化药房快速发药系统的储位优化所受约束条件和目标函数的分析,基于静态存储理论,建立了该问题的数学模型,提出了利用GA-PSO混合粒子群算法来解决此问题.该算法引入了遗传算法的搜索机制形成初始粒子群,并引入"交叉"和"变异"的概念形成离散粒子群算法.在优化的过程中,采用精英策略和进化逆转操作提高了搜索能力和寻优速度.对陷入局部最优的粒子群进行变异,使粒子群在新的引导下改变方向,继续寻找问题最优解,从而避免了粒子重复收敛于一点的现象.仿真试验结果表明,该策略是有效的,在求解速度和求解质量上得到了很大提高.     

基于RTDS微网的混合储能优化配置研究

微网的混合储能容量配置问题直接关系其电能质量和经济性。基于独立光伏发电不确定的特点,针对基本粒子群算法的不足,文章提出了基于微网的混合储能改进粒子群优化算法。该方法以容量、功率为约束条件,系统全生命周期费用最小为目标,收敛速度更快、经济性更优。将改进后的粒子群算法与RTDS(实时数字仿真仪)平台相结合进行仿真,平抑了光伏发电系统直流侧输出电压,提高了电力系统的可靠性。     

基于PSO算法的CMOS运算放大器优化设计

针对CMOS运算放大器设计中缺乏自动设计工具,采用手工设计很难提高电路性能的问题,基于群智能技术提出了一种改进的粒子群优化算法(PSO)来进行全局优化求解.主要将CMOS运算放大器的电路性能解析方程转化成粒子位置的求解,先初始化粒子的速度和位置,然后不断迭代更新,直到搜索出全局最优值.仿真结果表明,该方法可以提高CMOS运算放大器的性能,在精度和速度上优于遗传算法和基本PSO算法的设计效果.     

基于改进离散粒子群算法的限流措施优化配置

为求解实际电力系统中的限流措施优化配置问题,对传统粒子群算法（PSO）进行改进,提出一种改进离散粒子群算法（MDPSO）.此MDPSO算法采用二进制结合十进制的编码方式,并引入置0算子,优化初始种群,同时引入单方向的变异算子,防止算法陷入局部优化解.应用此算法对新英格兰39节点系统和中国西部82节点系统进行限流措施优化配置计算,并同遗传算法（GA）和普通离散粒子群算法（DPSO）进行比较,仿真结果表明,MDPSO算法是有效可行的.     

电力系统经济负荷分配的改进粒子群算法

为解决电力系统中的经济负荷分配问题,将改进粒子群算法用于其中。该算法是以基本粒子群算法为基础,利用优化惯性权重策略以及改进最优最差粒子策略,使改进粒子群算法具有高效率全局搜索能力。对三个算例进行仿真测试,证实该算法可有效地解决经济负荷分配问题;性能对比显示,该算法求得的解优于基本粒子群算法及其它优化算法所求得的解。     

基于IASHGA算法的水轮发电机组PID调速器参数优化研究

针对遗传算法(SGA)存在求解精度与收敛速度间的矛盾,提出了一种自适应对称调和遗传算法(IASHGA),并将该算法用于水轮发电机组PID调速系统参数的优化设计,以系统的上升时间和超调量指标作为IASHGA算法的适应度函数;以四川某水电站的真实数据对经过优化后遗传算法PID控制规律进行计算机仿真.仿真结果表明,改进的算法较之常规遗传算法(SGA)和粒子群优化算法(PSO),不但提高了全局的搜寻能力,而且有效避免了早熟收敛问题.为水轮机调速器PID参数优化研究提供了新途径.     

改进PSO算法及其在函数优化中的应用

针对微粒群算法PSO（Particle Swarm Optimization）应用于函数优化存在的问题，提出一种加入了梯度信息改进的微粒群算法。微粒群算法用于函数的优化，具有简单、效果好等优点。但是研究也表明该方法也存在着一些缺点，如计算时间较长、容易陷入局部最小等，这是由于算法本身的随机性决定的。梯度法是传统的优化方法，典型的特征是在确定优化解的方向时遵循梯度下降原则，因此在寻找优化值时方向比较确定，可以减少优化时间。为了克服PSO的缺点，在标准PSO优化策略中引入梯度原则，设计了一个具有梯度指导的PSO算法。现将改进的PSO算法应用于函数的优化，并与标准PSO算法的效果进行了比较。函数优化实验的结果表明，改进的PSO算法提高了标准PSO算法的收敛时间。     

约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.     

种群分类粒子群改进算法研究

针对粒子群算法在陷入局部最优时难于跳出的缺陷,提出一种改进的粒子群算法.该算法首先利用粒子适应值的统计规律对粒子进行分类,对属于不同类别的粒子采用不同的进化模型,对于利用完全模型进化的粒子,采用动态调整学习因子的方法,从而大大提高了算法的优化效率和优化精度.通过反复实验分析,得出学习因子随着进化推进的最优变化规律,并给出了学习因子的最佳函数表达式.仿真结果表明,利用改进的PSO算法优化4种具有代表性的基准函数,无论是在优化精度方面还是在优化效率方面,均较以往提出的PSO算法在性能上有本质的提高.     

基于IC-PSO和ISM的反馈控制算法设计

为了提高光纤偏振模色散(PMD)补偿系统的动态自适应补偿能力,提出了用改进粒子群优化(PSO)算法作为搜索算法,用改进单纯形法(ISM)作为跟踪算法的反馈控制算法设计方案,从而实现对PMD补偿单元的动态调整。在PSO算法中,引入免疫克隆(IC)原理提高了搜索算法的全局优化能力;对SM的反射操作和扩张操作进行改进,从而提高算法的收敛速度;用映射操作代替原有的顶点代换操作,从而使单纯形在迭代过程中不发生退化现象。实验结果证明了该算法用于PMD补偿系统的有效性和可行性。     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。     

An extended particle swarm optimization algorithm based on coarse-grained and fine-grained criteria and its application

In order to study the problem that particle swarm optimization （PSO） algorithm can easily trap into local mechanism when analyzing the high dimensional complex optimization problems, the optimization calculation using the information in the iterative process of more particles was analyzed and the optimal system of particle swarm algorithm was improved. The extended particle swarm optimization algorithm （EPSO） was proposed. The coarse-grained and fine-grained criteria that can control the selection were given to ensure the convergence of the algorithm. The two criteria considered the parameter selection mechanism under the situation of random probability. By adopting MATLAB7.1, the extended particle swarm optimization algorithm was demonstrated in the resource leveling of power project scheduling. EPSO was compared with genetic algorithm （GA） and common PSO, the result indicates that the variance of the objective function of resource leveling is decreased by 7.9%, 18.2%, respectively, certifying the effectiveness and stronger global convergence ability of the EPSO.     

基于粒子群优化算法的功率倒置阵列

针对功率倒置阵列采用最小均方(LMS)算法不能兼顾收敛速度和稳态误差的问题,以及采用递归最小二乘(RLS)算法运算量增大,实现复杂等缺点,提出采用时变适用度函数的粒子群优化(PSO)算法．通过引入可变的惯性因子、可变的最大速度、选择机制等操作,自适应调整阵列权系数来寻找最优权值．将此算法应用于功率倒置阵列中能有效地生成零陷抑制干扰．     

An estimation method for direct maintenance cost of aircraft components based on particle swarm optimization with immunity algorithm

A particle swarm optimization (PSO) algorithm improved by immunity algorithm (IA) was presented. Memory and self-regulation mechanisms of IA were used to avoid PSO plunging into local optima. Vaccination and immune selection mechanisms were used to prevent the undulate phenomenon during the evolutionary process. The algorithm was introduced through an application in the direct maintenance cost (DMC) estimation of aircraft components. Experiments results show that the algorithm can compute simply and run quickly. It resolves the combinatorial optimization problem of component DMC estimation with simple and available parameters. And it has higher accuracy than individual methods, such as PLS, BP and v-SVM, and also has better performance than other combined methods, such as basic PSO and BP neural network.     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

基于策略模式的粒子群优化算法平台设计

为了扩大粒子群优化算法的应用范围和增强它的影响力,从软件重用的角度出发,考虑到算法流程的共性和个性,设计了一种基于策略模式的粒子群优化算法平台,此平台包含了基本的粒子群优化算法和经典的改进算法,可以解决连续优化和二进制组合优化问题.一系列的粒子群优化算法和优化问题被分别封装到相应的算法策略类和问题策略类中,这些类继承自一个具有统一接口的抽象基类.因此,该平台非常适合于粒子群优化算法的理论和应用研究,且易于维护和扩充.