一种新型的非线性系统模型参数辨识方法

针对传统模型参数辨识方法和遗传算法用于模型参数辨识时的缺点,提出了一种基于微粒群优化(PSO)算法的模型参数辨识方法,利用PSO算法强大的优化能力,通过对算法的改进,将过程模型的每个参数作为微粒群体中的一个微粒,利用微粒群体在参数空间进行高效并行的搜索来获得过程模型的最佳参数值,可有效提高参数辨识的精度和效率.     

一种嵌入局部混沌搜索的混合微粒群优化算法

该文研究了基于种群演化的微粒群优化算法，针对此算法在迭代的过程中陷入局部极小点而产生群体演化停滞的现象，提出了一种嵌入局部混沌搜索的混合微粒群优化算法。此混合方法利用混沌迭代的遍历性来增强算法的局部精确搜索能力从而达到全局搜索性能和局部搜索性能的平衡，使群体快速脱离停滞状态。实验结果表明，相比于其他演化搜索算法如标准微粒群算法，标准遗传算法和改进微粒群算法，嵌入局部混沌搜索的混合微粒群算法在收敛性和鲁棒性方面得到了较大的改善，很大程度上避免了演化停滞现象的发生，是一种高效的搜索方法。     

基于群体多样性反馈控制的自组织微粒群算法

微粒群算法是一种新型的群智能算法,已被广泛用于各种复杂优化问题的求解,但算法依然面临着过早收敛问题.为克服算法的早熟问题,提出了自组织微粒群算法.将微粒群体视为自组织系统,引入负反馈机制.群体多样性是影响微粒群算法全局优化性能的关键因素,把群体多样性作为个体微粒可感知的群体动态信息,用于动态调整惯性权重或加速度系数,通过不同的特性参数实现微粒的集聚或分散,使群体维持适当的多样性水平以利于全局搜索.用于复杂函数优化问题的求解,并与其他典型改进算法进行了性能比较.仿真结果表明,基于多样性控制的自组织微粒群算法可以有效避免早熟问题,提高微粒群算法求解复杂函数的全局优化性能.     

基于微粒群算法的二维最大熵图像分割算法

将微粒群算法运用于二维最大熵图像阈值分割法。首先构建图像分割的二维最大熵准则函数,然后采用适用于整数规划的微粒群算法最大化该准则函数,最终实现含噪声干扰下图像的有效分割。分割实验表明,该方法具有较强的抗噪声能力,且比普通和基于遗传算法的二维最大熵法运算速度更快。     

基于BSP并行计算模型的并行微粒群算法

在对标准微粒群算法分析的基础上,将它与BSP并行计算模型相结合,设计并实现了一种基于BSP并行计算模型的并行微粒群算法.这种基于BSP并行计算模型的并行微粒群算法改变了标准微粒群算法的结构,提高了算法求解效率.实验结果表明,该并行算法的性能比标准微粒群算法有了很大的提高.     

资源受限项目调度问题的改进文化微粒群算法求解

为了克服标准微粒群算法在求解资源受限项目调度问题上存在的早熟现象,提出一种改进的文化微粒群算法。该算法框架基于微粒群算法的主群体空间和文化算法的知识空间,两种空间具有各自的群体并可独立并行演化,形成双演化双促进机制,提高了算法的全局搜索能力和运行效率。同时为了避免文化算法知识空间自我演化限制,引入遗传算法的演化机制来改进知识空间的演化操作。通过具体的算例比较,验证了提出的改进文化微粒群算法在求解资源受限项目问题时的有效性。     

动态评价免疫微粒群算法在Job-shop调度中的应用

传统粒子群优化算法在解决组合优化问题上具有一定的局限性,通过分析其优化机理,对迭代公式加以改进,提出了改进微粒群算法。算法中,利用遗传算法的交叉思想来完成粒子间的信息交换,以期达到粒子更新。粒子进化过程中,为保留群体中的优秀粒子,使用了加速度这一优化算子。为避免粒子陷入局部搜索,迭代过程中使用免疫算法来动态评价微粒群体。通过大量实验仿真,算法可以有效求解作业车间调度问题,验证了算法的合理性。     

免疫微粒群算法优化的水下机器人运动控制器

借鉴免疫算法基于浓度和适应度的抗体更新策略,提出一种改进微粒群局部搜索能力的免疫微粒群算法,并对其进行收敛性分析。该算法在满足收敛性的条件下,根据微粒浓度和适应度动态调整加速因子,保证了群的多样性和持续搜索能力。在与遗传算法、免疫遗传算法、基本微粒群等算法的仿真比较试验中,该算法不仅搜索到了最好的近优解,而且收敛速度最快。在无人潜水器仿真平台上的控制试验表明,基于免疫微粒群算法的控制器性能良好,具有较强的抗海流干扰能力。仿真结果证明了该算法的可行性。     

基于微粒群与混合蛙跳融合的群体智能算法

针对微粒群算法和混合蛙跳算法存在的早熟收敛问题,提出一种基于微粒群与混合蛙跳算法融合的群体智能算法。新算法将整个群体分成数目相等的蛙群和微粒群群体。在两群体独立进化过程中,设计了一种两群之间的信息替换策略：比较蛙群与微粒群的最佳适应值,如果蛙群进化较好,利用蛙群各子群中最差个体替换微粒群一部分较好个体;否则,用微粒群中较好的一部分个体替换蛙群各子群的最好个体。同时,设计了一种两群之间的相互协作方式。为避免微粒群因早熟收敛而影响信息替换策略效果,适时对其所有个体最好位置进行随机扰动。仿真实验表明,新算法可以有效提高全局搜索能力及收敛速度,对于高维复杂函数问题,算法具有很好的稳定性。     

遗传算法在建筑概念设计中的应用

介绍了一种可以应用于建筑概念设计的遗传算法.该算法采用基于数学表示二叉树结构的编码方法,以及相应的交叉、变异操作,目标函数及人机交互相结合的适应度值确定方法,生成简单的曲线.选定的曲线经过三维可视化处理形成实体.这些生成的三维实体与人工设计的构件一起被分类,然后统一保存到构件库中.通过采用二进制编码的遗传算法,生成组合方案,组合构件库的构件,形成比较复杂的外观造型.以一个建筑外观设计为例,介绍了算法的执行过程.     

结合几何动力学卡通头发生成*

提出了一种结合几何动力学的卡通头发生成方法。它包括头发的几何建模和动力学模拟两个部分。在几何建模阶段：用户导入一个头部模型,交互指定头发生长区域控制点和头发模型中心控制点,系统自动生成卡通头发的几何模型。在动力学模拟阶段：引入基于网格的逆向动力学实现卡通头发运动。实验结果表明：系统通过简单的用户交互能够制作出令人满意的卡通头发。     

改进粒子群优化的极限学习机软测量建模方法

工业过程常含有显著的非线性、时变等复杂特性,传统的极限学习机有时无法充分利用数据信息,所建软测量模型预测性能较差。为了提高极限学习机的泛化能力和预测精度,提出一种改进粒子群优化的极限学习机软测量建模方法。首先,利用高斯函数正态分布的特点实现惯性权重的自适应更新,并线性变化学习因子以提高粒子群优化算法的收敛速度和搜索性能;然后将该算法用于优化极限学习机的惩罚系数和核宽,得到一组最优超参数;最后将该方法应用于脱丁烷塔过程软测量建模中。仿真结果表明,优化后的极限学习机模型预测精度有明显的提高,验证了所提方法不仅是可行的,而且具有良好的预测精度和泛化性能。     

改进粒子群三维空间路径规划研究

将改进粒子群优化算法应用于三维空间路径规划。首先给出三维空间建模方法,其次通过在迭代过程中对算法惯性系数[w]分段设置和对粒子位置进行随机扰动的方式来改进粒子群优化算法,然后对路径陷入障碍物的处理方式进行改进,最后给出了基于改进粒子群优化算法的三维空间路径规划的算法流程。仿真结果表明：改进方式能有效提高粒子群优化算法应用于三维空间路径规划的计算效率和可靠性,合理设置路径节点能有效节约计算资源。     

软测量技术在SMB色谱分离过程中的应用

针对SMB色谱分离过程中组分纯度难于实时在线测量的问题,建立了一种基于BP神经网络的软测量模型。首先对实际生产中的原始数据,经过过失误差剔除及滤波处理后得到一套训练数据和校验数据组成训练样本,然后采用BP神经网络进行训练,得到组分纯度的非参数模型。为加快网络收敛速度,采用改进BP算法对其进行训练。在MATLAB工作平台上进行了大量的仿真研究,对该模型进行验证,仿真结果表明,该方法的有效性。     

基于有限信息的铜吹炼动态过程智能集成建模

针对具有强动态变化特征但过程信息有限可知的铜转炉吹炼过程, 提出一种基于有限数据信息的吹炼动态过程智能集成建模方法. 依据冶金反应动力学原理, 建立了描述吹炼过程反应体系变化的非线性动力学模型; 引入动力学系数修正因子, 基于有限的数据信息和龙格–库塔公式, 构建了动力学系数修正因子的优化模型; 结合智能决策生成的典型样本集, 提出了基于微粒群算法和模式搜索法的混合智能算法确保有效获得最优修正因子, 最 终形成吹炼过程的动态模型. 用实际生产数据仿真实验, 模型预测的最大相对误差小于5%, 仿真结果验证了模型有效性.     

独立成分相关分析的自适应故障监测方法

工业过程数据具有动态、非高斯等特性.独立成分分析(independent component analysis, ICA)既可以分析数据的非高斯形式,又可以极大地去除多变量间的耦合且满足独立性要求.本文引入粒子群算法优化ICA模型参数,自适应地确定独立成分个数.同时,提出一种基于隐马尔科夫链模型(hidden Markov model, HMM)的自适应检测限设计方法,将时间相关数据块的特征信息变化作为过程故障的检测依据.首先利用由时间窗方法确定的独立成分组成监测矩阵来训练HMM模型,旨在提高独立成分间相关性水平的表示能力;然后将得到的HMM模型对监测矩阵进行相关性评估,并在一定容许裕度的基础上设计评估值的自适应因子及检测限,并据此监测特征信息变化,动态地进行在线故障检测.最后, Tennessee Eastman (TE)仿真平台的实验结果表明了所提方法的有效性.     

引入时频聚集交叉项干扰抑制的大数据聚类算法

面向大数据集管理的数据聚类方法研究在模式识别、故障诊断和数据挖掘等领域具有重要的研究意义。传统的大数据聚类算法采用混合差分进化的粒子群算法,因数据信息流分量之间的交叉作用而出现的类间交叉项干扰影响了聚类分量的正确判断,聚类效果不好。提出了一种基于时频聚集交叉项干扰抑制的大数据聚类算法。在面向传播学视域下物联网大数据库中生成大数据聚类的信息特征向量,对任意两个分簇矢量进行近邻样本的隶属度训练,在时间滑动窗口模型中进行信息调度,采用高频分量抑制方法实现对时频聚集交叉项的干扰抑制,通过频域卷积相似度融合处理,采用粒子群优化算法进行聚类适应度计算,以实现数据聚类算法改进。仿真结果表明,采用该算法进行大数据聚类,具有较好的抗干扰性和自适应性,聚类准确度较高。     

基于APSO—LSSVM的软测量建模研究

针对最小二乘支持向量机在生化过程建模中的重要建模参数值选择问题,提出利用具有较强的全局搜索能力的自适应粒子群（APSO）优化算法,对最小二乘支持向量机建模过程中的重要参数进行优化调整,每一个粒子的位置向量对应一组最小二乘支持向量机建模的参数。利用参数优化调整后得到的具有较优拟和预测效果的模型对谷氨酸发酵过程进行预测,仿真结果表明该方法能使模型取得较好的预测效果。     

Modified genetic programming combining with particle swarm optimization and performance criterion in solar cell fabrication

This study describes the design and development of the novel model for the process optimization of solar cell fabrication. The model performance can affect the result of the physical experiment in the solar cell fabrication because the high accuracy model can provide the closer result to the output efficiency of the physical experiment. In this study, genetic programming (GP) based modeling technique was developed for the process simulation. GP is a global modeling technique, so it is suitable for process data modeling. This study describes the modified GP algorithm to solve the constant terminal problem. In the traditional GP, the constant term can be randomly selected within the fixed range when the structure is changed. Therefore, the variation ratio of the constant is too low to fit the model well. In this study, the novel GP is proposed. The method includes particle swarm optimization (PSO) to optimize the constant term in the terminals. PSO is a strong searching algorithm without a high computation cost. Actually, through the simulation results, the modeling performance and speed can be improved by the proposed GP. Because by the proposed modeling method, the structure and parameters of the model can be optimized simultaneously, the proposed method can be used as the new global modeling approach.     

经验模式分解与时间序列分析在网络流量预测中的应用

提出一种经验模式分解和时间序列分析的网络流量预测方法. 首先,对网络流量时间序列进行经验模式分解,产生高低频分量和余量;然后,对各分量进行时间序列分析,确保高频分量采用改进和声搜索算法优化的最小二乘支持向量机模型、低频分量和余量采用差分自回归滑动平均模型进行建模和预测;最后,将预测结果通过RBF神经网络进行非线性叠加,得到最终的预测值.仿真实验表明,所提出方法具有更好的预测效果和更高的预测精度.