基于多元最优信息规划的微粒群优化算法

在改进型微粒群优化算法的基础上，考虑到运算初期避免陷入局部寻优的需要，将多元最优信息分布状态知识引入对微粒群的总体运动规划，构造了适于求解高维多峰函数寻优问题的微粒群算法．仿真结果显示，该方法比改进型微粒群算法具有更好的总体寻优特性．     

两群微粒群优化算法及其应用

针对微粒群优化算法容易陷入局部极值的缺陷,提出两群微粒群优化算法．通过对5种常用测试函数进行测试和比较,结果表明两群微粒群优化算法比基本微粒群优化算法更容易找到全局最优解,优化效率明显提高．然后将两群微粒群优化算法用于催化裂化装置主分馏塔轻柴油95%点软测量建模,通过与实际工业数据对比,表明该软测量模型具有高的精度、好的性能和广阔的应用前景．     

可理解模糊分类系统的分层演化学习

针对模糊系统的可理解性要求,结合微粒群算法和遗传算法各自的演化特点,采用两阶段学习策略,对模糊分类系统进行分层演化。首先利用微粒群算法优化各输入变量的语言值数目及对应的模糊集参数,形成候选规则集,再应用遗传算法选择规则,得到可理解的和精确的模糊分类系统。该方法几乎无需先验知识,可直接从实值数据获取模糊分类系统,应用典型分类问题为例说明其有效性。     

PSO算法在非线性模型参数估计中的应用

将微粒群优化(PSO)算法用于非线性系统模型参数估计，并通过对谷氨酸菌体生长模型的参数估计进行了验证．实验结果表明：微粒群算法为非线性系统模型参数估计提供了一种有效的途径．     

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.     

基于微分模型的改进微粒群算法

针对基本微粒群算法的微分模型，从解的存在惟一性角度出发，发现最大速度常数虽然能保证解的存在性，但却降低了算法的全局搜索性能．为了提高算法的计算效率，提出了一种不合最大速度常数的微分模型，该模型首先将速度向量与位置向量等同对待，两者同时对空间进行搜索，并讨论了该模型解的稳定性条件，给出了相应的改进微粒群算法，能有效地提高算法效率．仿真结果证明了算法的有效性．     

基于PSO算法的目标值前馈型二自由度PID控制器的优化设计

微粒群优化算法是一种全局优化技术，算法简单、容易实现．其通过微粒间的相互作用发现复杂搜索空间中的最优区域．提出了将微粒群优化算法用于二自由度PID控制器参数的寻优设计中，并以工业过程中常见的对象为模型，进行了Matlab仿真试验，仿真结果表明系统同时具有了最优的目标值跟踪特性和干扰抑制特性，证明了PSO算法的有效性．     

一种求解约束优化问题的信赖域微粒群算法

提出了一种改进型信赖域微粒群算法来求解带有不等式约束优化问题。粒子群每一次进化后,对所有粒子执行信赖域搜索,寻找更优个体,从而增加了微粒群算法的局部搜索能力。把算法应用于供应商补货优化,实验结果表明,该方案能够有效地减少供应商的补货成本,具有较好的应用价值。     

基于改进微粒群算法的移动传感器网络自组织

针对移动传感器网络中节点的自组织问题,建立了一种传感器网络自组织模型,并做出了一些假设.分别讨论了当一簇传感器教量较多和较少两种情况下,应用改进微粒群算法进行网络节点自组织的不同,并在此基础上,提出了基于改进型微粒群算法的网络节点的自组织方法.仿真实验结果表明,能够使一簇传感器较快地进行自组织,使得其覆盖区域逐渐扩大.     

微粒群算法的可视化平台开发研究

微粒拜算法是近年来兴起的一种智能优化算法,微粒群算法的研究如果仅仅只停留在枯燥的公式和乏味的理论推导分析上的话,常常会使研究人员和用户不能正确的理解微粒群算法,基于此本文提出微粒群算法的可视化实现问题,即开发友好可视化的前台界面,通过前台上的控件和后台程序中参数之同的数据变换未解决优化问题,这样可大大缩短了算法的开发周...     

基于改进PSO算法的过热汽温神经网络预测控制

将改进粒子群优化算法(MPSO)融合到神经网络预测控制中,提出了基于MPSO-RBF混合优化策略的模型预测器,以及基于MPSO算法的非线性优化控制器.针对过热汽温的控制,构造了基十神经网络预测控制的串级控制系统,并就该系统在实现时所涉及到的预测模型、滚动优化算法、反馈校正、仿真参数设置问题等进行了分析,给出了MPSO算法的粒子编码、操作设计和混合优化算法步骤.对某超临界600 MW直流锅炉高温过热器的过热汽温控制,进行了仿真试验,结果表明该方法具有良好的性能指标和应用前景.     

混合拓扑结构的粒子群算法及其在测试数据生成中的应用研究

粒子群算法(PSO)的拓扑结构是影响算法性能的关键因素,为了从根源上避免粒子群算法易陷入局部极值及早熟收敛等问题,提出一种混合拓扑结构的粒子群优化算法(MPSO)并将其应用于软件结构测试数据的自动生成中。通过不同邻域拓扑结构对算法性能影响的分析,采用一种全局寻优和局部寻优相结合的混合粒子群优化算法。通过观察粒子群的多样性反馈信息,对每一代种群粒子以进化时选择全局拓扑结构模型(GPSO)或局部拓扑结构模型(LPSO)的方法进行。实验结果表明,MPSO使得种群的多样性得到保证,避免了粒子群陷入局部极值,提高了算法的收敛速度。     

改进的粒子群算法及收敛性分析

针对PSO算法对多峰值函数搜索易陷入局部极值点的缺点,提出一种改进的粒子群(MPSO)算法。MPSO算法采用逃逸策略和免疫学习策略来保证种群多样性,使算法能有效进行全局搜索。并讨论MPSO算法的收敛性,证明其能以概率1全局收敛。最后用3个常用的测试函数进行仿真,实验结果表明MPSO算法比PSO算法有更好的收敛性和更快的收敛速度。     

MIMO系统的MPSO-PID型神经网络解耦控制研究

针对多输入多输出系统(MIMO系统)多变量、非线性、强耦合的特点,提出采用改进粒子群优化算法(MPSO)对PID型神经网络的权值进行优化的方法,实现对MIMO系统的解耦控制.其中,与基本PSO算法相比,MPSO算法后期仍能保持种群的多样性和较大的搜索空间;PID型神经网络是一种3层前向神经网络,网络各层神经元个数、连接方式、连接权值的初值都是按PID控制规律确定的.通过仿真分析,该方法有很好的控制品质:跟踪快、鲁棒性强、解耦效果好,为实际应用中强耦合系统控制方法的改进提供了理论依据.     

A modified particle swarm optimization for aggregate production planning

Particle swarm optimization (PSO) originated from bird flocking models. It has become a popular research field with many successful applications. In this paper, we present a scheme of an aggregate production planning (APP) from a manufacturer of gardening equipment. It is formulated as an integer linear programming model and optimized by PSO. During the course of optimizing the problem, we discovered that PSO had limited ability and unsatisfactory performance, especially a large constrained integral APP problem with plenty of equality constraints. In order to enhance its performance and alleviate the deficiencies to the problem solving, a modified PSO (MPSO) is proposed, which introduces the idea of sub-particles, a particular coding principle, and a modified operation procedure of particles to the update rules to regulate the search processes for a particle swarm. In the computational study, some instances of the APP problems are experimented and analyzed to evaluate the performance of the MPSO with standard PSO (SPSO) and genetic algorithm (GA). The experimental results demonstrate that the MPSO variant provides particular qualities in the aspects of accuracy, reliability, and convergence speed than SPSO and GA.     

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.     

改进的粒子群算法

针对基本粒子群算法容易陷入局部最优点,进化后期速度慢等缺点,设计了一种新的粒子群算法,将基本粒子群算法粒子行为基于个体极值点转化为个体自身极值与其他某一个个体极值的加权平均值,而全局极值点转化为群体中优秀个体极值的加权平均值。数值仿真实验表明,新算法比PSO具有更好的收敛性,能更快地找到问题的最优解。     

基于MPSO-ANN的火炮零部件硬度无损检测研究

依据音频无损检测原理,针对某火炮零部件(凸轮轴)硬度与音频参数的非线性映射问题,将ANN网络应用到音频检测中,同时采用改进粒子群算法(MPSO)优化BP神经网络结构和初始权值;MPSO算法把PSO算法的单向搜索变为多向搜索,提高了搜索精度,平衡了局部和全局搜索能力,较好地收敛到最优解,克服了BP网络结构难以确定和易于陷入局部极小值的缺点,实现了不同零部件硬度检测中的样本训练与预测,分别对内推、外推样本进行比较分析;结果表明其适应度逐渐趋于稳定并迅速收敛,精度满足要求.     

引入多级扰动的混合型粒子群优化算法

为解决粒子群优化算法易陷入局部最优值的问题,提出一种引入多级扰动的混合型粒子群优化算法.该算法结合两种经典改进粒子群优化算法的优点,即带惯性参数的标准粒子群优化算法和带收缩因子的粒子群优化算法,在此基础上,引入多级扰动机制：在更新粒子位置时,引入一级扰动,使粒子对解空间的遍历能力得到加强;若优化过程陷入“局部最优”的情况,则引入二级扰动,使得优化过程继续,从而摆脱局部最优值.使用了6个测试函数——Sphere函数、Ackley函数、Rastrigin函数、Styblinski-Tang函数、Duadric函数及Rosenbrock函数来对所提出的混合型粒子群优化算法进行仿真运算和对比验证.模拟运算的结果表明：所提出的混合型粒子群优化算法在对测试函数进行仿真时,其收敛精度和收敛速度都优于另外两种经典的改进粒子群优化算法;另外,在处理多峰函数时,本算法不易被局部最优值所限制.     

Optimal design of fractional-order PID controller for five bar linkage robot using a new particle swarm optimization algorithm

This paper introduces a new version of the particle swarm optimization (PSO) method. Two basic modifications for the conventional PSO algorithm are proposed to improve the performance of the algorithm. The first modification inserts adaptive accelerator parameters into the original velocity update formula of the PSO which speeds up the convergence rate of the algorithm. The ability of the algorithm in escaping from local optima is improved using the second modification. In this case, some particles of the swarm, which are named the superseding particles, are selected to be mutated with some probability. The proposed modified PSO (MPSO) is simple to be implemented, fast and reliable. To validate the efficiency and applicability of the MPSO, it is applied for designing optimal fractional-order PID (FOPID) controllers for some benchmark transfer functions. Then, the introduced MPSO is applied for tuning the parameters of FOPID controllers for a five bar linkage robot. Sensitivity analysis over the fractional order of the PID controller is also provided. Numerical simulations reveal that the MPSO can optimally tune the parameters of FOPID controllers.