一种双层可变子群的动态粒子群优化算法

粒子间信息的共享方式对粒子群优化算法的收敛速度和全局搜索能力有重要的影响.针对全互联、环形拓扑结构,提出基于双层子群的信息共享方式,以收敛率作为子群规模变化的标识,实现子群规模动态变化,协调了算法的全局搜索能力和局部寻优能力.子群排斥机制使子群跳出局部最优解的束缚,提高解的多样性.选取目前比较流行的几种粒子群优化算法,通过五种经典的Benchmark高维函数优化问题进行实验仿真.结果表明基于双层可变子群的动态粒子群优化算法可以有效的避免算法陷入局部最优,在保证收敛速度的同时算法的全局搜索能力和精度有明显的提高.     

基于Q学习的多任务多目标粒子群优化算法

多任务粒子群优化算法(multi-task particle swarm ptimization, MTPSO)通过知识迁移学习,具有快速收敛能力,广泛应用于求解多任务多目标优化问题.然而, MTPSO难以根据种群进化状态自适应调整优化过程,容易陷入局部最优,收敛性能较差.针对此问题,利用强化学习的自我进化与预测能力,提出一种基于Q学习的多任务多目标粒子群优化算法(QM2PSO).首先,设计粒子群参数动态更新方法,利用Q学习方法在线更新粒子群算法的惯性权重和加速度参数,提高当前粒子收敛到Pareto前沿的能力;其次,提出基于柯西分布的突变搜索策略,通过全局和局部交替搜索多任务最优解,避免算法陷入局部最优;最后,设计基于正向迁移准则的知识迁移方法,采用Q学习方法更新知识迁移率,改善知识负迁移现象.与已有经典算法的对比实验结果表明所提出的QM2PSO算法具有更优越的收敛性.     

混沌时间序列的混合粒子群优化预测

提出一种混合粒子群优化算法,即在改进粒子群优化算法全局搜索模型参数的基础上,利用梯度下降法进一步确定径向基神经网络模型参数,以提高网络的收敛精度和网络性能.采用基于RBFNN的混合粒子群优化算法进行离散Henon和连续Mackey-Glass混沌时间序列预测仿真,结果表明该算法能快速精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法.     

一种非线性权重的自适应粒子群优化算法

针对粒子群优化算法中出现早熟和不收敛问题,分析了基本PSO算法参数对其优化性能的影响,提出了基于非线性权重的自适应粒子群优化算法（NWAPSO）。在优化过程中,惯性权重随迭代次数非线性变化,改进的算法能使粒子自适应地改变搜索速度进行搜索,并与基本粒子群算法以及其他改进的粒子群算法进行了比较。实验结果表明,该算法在搜索精度和收敛速度等方面有明显优势。特别对于高维、多峰等复杂非线性优化问题,算法的优越性更明显。     

一种克服粒子群早熟的混合优化算法

针对粒子群优化算法在寻优时容易出现早熟现象,提出在粒子群收敛停滞时,从种群中随机选择粒子进行共轭梯度法计算,通过引入共轭梯度算法计算的信息来影响粒子速度的更新,以保持群体的活性,从而打破群体信息陷入局部最优的状况.不同于传统的粒子群算法,该算法有机地结合了粒子群的全局搜索能力和共轭梯度法的强大局部搜索能力,从而在一定程度上有效地克服了粒子群早熟的缺点.仿真计算结果表明,该改进粒子群的方法对于不同维数的非线性函数具有很好的寻优效果.     

遗传/粒子群混合算法在飞剪机结构优化中的应用

飞剪机结构参数设计需满足若干技术性能要求才能保证剪切质量。飞剪机结构参数优化设计问题要满足多个非线性约束要求,同时需优化多个目标函数,提出遗传算法/粒子群混合算法用于曲柄连杆式飞剪机结构参数优化设计,结合各自算法的优势,在算法运行初期利用遗传算法的全局搜索能力进行优化搜索,在算法运行后期利用粒子群较强的局部搜索能力进行搜索,综合考虑多个目标函数和约束条件,通过实例计算表明,该混合方法可以稳定、有效的获取到满意的优化设计结果。     

航天器输入受限的鲁棒自适应姿态跟踪控制

针对径向基神经网络结构和参数的动态优化问题,提出一种基于敏感度分析和粒子群优化的RBF神经网络(SAPSO-RBF)优化算法.算法通过初始化各粒子信息数,基于粒子敏感度分析,对算法学习阶段粒子信息进行增加和删减,确定第一次收敛时网络结构大小;算法达到收敛后,对最优粒子进行敏感度分析,删除冗余信息,使算法重新发散;根据算法发散和收敛次数提出一种惯性权重更新方法,使算法在解空间内进行多次发散和收敛,增强算法搜索能力的同时减小网络结构,并给出SAPSO算法的收敛性证明.仿真实验结果表明,SAPSO-RBF算法具有良好的自组织能力,相较于其他自组织RBF神经网络优化算法,在网络结构紧凑度和精度等方面有较大提升.     

基于反传混沌粒子群训练的前馈神经网络研究

为了解决前馈神经网络训练收敛速度慢、易陷入局部极值及对初始权值依赖性强等缺点, 提出了一种基于反传的无限折叠迭代混沌粒子群优化(ICMICPSO)算法训练前馈神经网络(FNNs)参数。该方法在充分利用BP算法的误差反传信息和梯度信息的基础上, 引入了ICMIC混沌粒子群的概念, 将ICMIC粒子群(ICMICPS)作为全局搜索器, 梯度下降信息作为局部搜索器来调整网络的权值和阈值, 使得粒子能够在全局寻优的基础上对整个空间进行搜索。通过仿真实验与多种算法进行对比, 结果表明在训练和泛化能力上ICMICPSO-BPNN方法明显优于其他算法。     

一种基于单纯形搜索的粒子群优化算法

为了改善粒子群优化算法的求解性能,提出了一种基于单纯形搜索和粒子群优化的混合算法。该算法一方面自适应地确定惯性权重、认知以及社会参数来达到免参数目的,另一方面利用单纯形搜索来引导部分粒子的搜索方向,从而加速算法收敛。数值实验结果表明,与传统的粒子群算法和其他基于单纯形的粒子群算法相比,提出算法在评估次数、求解精度方面表现良好。     

一种基于改进粒子群优化和模拟退火的Memetic算法

针对现有Memetic算法收敛速度慢、容易陷入局部极值等不足,提出一种基于改进粒子群优化和模拟退火算法的Memetic算法(简称为PMemetic算法).在PMemetic算法,基于人工萤火虫算法邻域结构思想改进粒子群优化算法,并将其作为全局搜索策略;同时,采用模拟退火算法作为局部搜索策略.将PMemetic算法应用到6个典型的函数优化问题中,并与粒子群算法进行比较分析,实验结果表明PMemetic算法提高了全局搜索能力、收敛速度和解的精度.     

基于改进粒子群优化算法的PID控制器参数优化

针对PID控制器参数整定问题,提出一种基于改进粒子群优化算法的优化方法。该方法在实数编码及设定参数搜索空间的基础上,采用基于指数曲线的非线性惯性权值递减策略,以较大幅度地提高算法的收敛速度和精度;嵌入基于差分进化算法变异算子的局部搜索策略,以有效提高粒子个体的适应性和群体的多样性,改善解的质量,同时增强算法全局空间探索和局部区域改良能力的平衡。仿真结果表明,该方法与传统和智能算法相比较,所得到的控制器参数能够使控制系统获得更好的动态响应特性和满意的控制效果。     

Optimization of process parameters for pulsed laser milling of micro-channels on AISI H13 tool steel

This paper focuses on understanding the influence of laser milling process parameters on the final geometrical and surface quality of micro-channel features fabricated on AISI H13 steel. Optimal selection of process parameters is highly critical for successful material removal and high dimensional and surface quality for micro-sized die/mold applications. A set of designed experiments is carried out in a pulsed Nd:YAG laser milling system using AISI H13 hardened tool steel as work material. Arrays of micro-channels have been fabricated using a range of process parameters such as scanning speed (SS), pulse intensity (PI), and pulse frequency (PF). The relation between process parameters and quality characteristics has been studied with experimental modeling. Multi-criteria decision making for material and process parameter selection for desired surface quality and dimensional accuracy is investigated using an evolutionary computation method based on particle swarm optimization (PSO).     

丁醇汽油发动机仿真与优化研究

为了改善汽油机燃用丁醇-汽油混合燃料后带来的发动机性能下降的问题,采用改进的多目标粒子群算法对燃烧影响因素进行了优化.首先建立了丁醇汽油发动机整机模型,并对比实验数据验证了模型的可靠性;然后提出了一种适应丁醇汽油混合燃料的改进多目标粒子群算法;随后以发动机的配气相位、空燃比、点火提前角等参数为设计变量,综合发动机燃油消耗率和扭矩作为目标函数,应用改进的多目标粒子群算法进行了优化.结果表明改进的多目标粒子群算法能快速找到优化结果,优化后的发动机在燃用丁醇汽油时性能得到较大的提高.     

沼气工程工艺参数的优化模型研究

在采用单层产、储气一体化发酵罐体的沼气工程中,发酵温度大多控制在固定设置值左右,容易受到外界环境温度影响,缺乏适应发酵工程及环境变化的工艺参数,直接影响高温厌氧发酵工程控制和优化水平的提高.为了解决上述问题,本文利用发酵罐内温度、环境温度和日均产气量建立线性回归模型,以模型预测为依据适时调整工艺参数,满足工厂化生产的实际控制需求.在实际应用中,结果表明该模型在一定程度能够优化工艺参数,指导沼气工程的智能控制.     

基于遗传算法的啤酒发酵温度优化控制

在分析啤酒发酵工艺流程及控制要求的基础上,针对发酵过程中温度控制的系统特性,提出了一套完整的温度优化控制方案。在过程控制系统中,引入遗传算法对PID参数进行优化。在迭代计算中采取最优保留策略,保证个体最终收敛于全局最优;为实现理想的温度控制效果,在误差绝对值时间积分型目标函数中设置了控制量的平方项和超调惩罚项。实验结果表明:系统响应快速,温度超调比单纯的PID控制算法显著减少,动、静态特性较为理想。     

Optimization of cutting process by GA approach

The paper proposes a new optimization technique based on genetic algorithms (GA) for the determination of the cutting parameters in machining operations. In metal cutting processes, cutting conditions have an influence on reducing the production cost and time and deciding the quality of a final product. This paper presents a new methodology for continual improvement of cutting conditions with GA. It performs the following: the modification of recommended cutting conditions obtained from a machining data, learning of obtained cutting conditions using neural networks and the substitution of better cutting conditions for those learned previously by a proposed GA. Experimental results show that the proposed genetic algorithm-based procedure for solving the optimization problem is both effective and efficient, and can be integrated into an intelligent manufacturing system for solving complex machining optimization problems.     

具有主从结构的粒子群优化算法

提出了一种具有主从结构的粒子群优化算法,该算法实现了惯性权重、加速因子、最大速度等系统参数与目标函数的同步优化。将主程序的一个粒子作为子程序的一组系统参数,在该组控制参数下使用基本的粒子群算法对子程序的目标函数进行优化,并把子程序优化所得的全局最优值返回主程序作为主程序的一个适应值,同时使用基本的粒子群算法对主程序的适应度函数进行优化。实验结果表明,该算法的优化性能较基本的粒子群算法有了显著提高。该方法对于粒子群算法的参数选择具有指导意义。     

基于蚁群算法的BP网络优化算法

将BP网络的训练误差和检验误差用于引导蚂蚁行经路径上的信息更新机制和选择机制,并据此计算蚂蚁行径中的转移概率;又将蚂蚁行经路径上的存储单元存放的参数值赋予BP网络训练,而存储单元存放的参数和训练误差值亦随BP网络训练误差的调整而改变。通过交互迭代优化,最终得到调整后的BP网络的最佳参数值。数值模拟计算结果表明:与传统的BP算法相比,在达到同一数量级的训练误差情况下,基于蚁群算法优化参数的BP算法训练次数少,而模型的精度高,在一定程度上提高了BP网络的学习能力和泛化能力。     

遗传算法控制参数优化策略研究

提出了新的遗传算法控制参数优化策略，包括变异率、交叉率调整策略，动态收敛准则以及二进制编码下最优种群规模的确定方法。研究结果可用于提高GA运行效率及克服早熟现象。     

MEMS器件自动优化算法

研究了MEMS器件结构参数的自动优化算法及其实现技术.以悬臂梁的谐振频率指标为例,通过TSPICE软件,模拟其在给定初始结构参数下的谐振频率,算法自动完成指标分析并选取适当的修正步长,采用恰当的参数修正算法对器件结构参数进行优化,通过循环迭代直至满足用户频率指标和精度指标要求.最后采用CoventorWare软件对优化结果进行了验证.