Stability, Convergence of Harmonious Particle Swarm Optimizer and Its Application

Particle swarm optimizer(PSO),a new evolutionary computation algorithm,exhibits good performance for optimization problems,although PSO can not guarantee convergence of a global minimum,even a local minimum.However,there are some adjustable parameters and restrictive conditions which can affect performance of the algorithm.The sufficient conditions for asymptotic stability of an acceleration factor and inertia weight are deduced in this paper.The value of the inertia weight w is enhanced to(-1,1).Furthermore a new adaptive PSO algorithm-harmonious PSO(HPSO) is proposed and proved that HPSO is a global search algorithm.Finally it is focused on a design task of a servo system controller.Considering the existence of model uncertainty and noise from sensors,HPSO are applied to optimize the parameters of fuzzy PID controller.The experiment results demonstrate the efficiency of the methods.     

基于改进粒子群算法的PID控制器参数整定优化

针对经典粒子群算法应用在PID控制器的参数上整定的方法其效果往往不佳的问题上,本文提出了一种改进粒子群算法的PID控制器参数整定优化设计,在粒子群的基础上加入遗传算法中的交叉算子,并将粒子群中的惯性权重因子改成动态参数,应用到的PID控制器,使参数的自适应整定问题也获得了改进,快速性和稳定性也都优于经典粒子群算法的PID控制器。借助Matlab进行仿真系统的响应曲线图,根据对比得出系统性能的指标改进情况。     

改进PSO-SVM在说话人识别中的应用

为了加快粒子群优化算法的收敛速度,增强全局的搜索能力,通过对粒子群优化算法中惯性权重和全局最优值的分析,提出了一种根据迭代次数而自适应变化的惯性权重的粒子群优化方法。改进后的粒子群算法在防止陷入局部最优的能力方面有了明显的增强,同时,给出了应用粒子群优化算法训练支持向量机的方法,并将其应用于说话人识别。实验结果证实了在说话人识别中改进PSO-SVM方法比其他传统方法能获得更好的识别精度和识别速度。     

微粒群惯性权值的改进及收敛性分析

微粒群算法是相对较新颖的优化算法,已成功应用于许多优化问题,但该算法容易陷入局部极值。惯性权值的选择方案的好坏,起到举足轻重的作用,本文提出三种惯性权值的改进方案。通过对4种常用测试函数进行测试,结果表明这些改进方案比经典惯性权值选择方案具有更低的平均最好适应值,快速收敛到全局最优解,优化效率明显提高。     

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。     

基于粒子群算法的永磁同步电机模糊控制研究

为提高永磁永磁同步电机伺服系统控制性能,提出了基于粒子群优化(PSO)算法的永磁同步电机模糊控制的设计方法,即应用PSO算法全局优化模糊控制器的ka、kb、ku参数和控制规则,提高模糊控制器的控制性能和效果。仿真实验结果表明,优化后的模糊控制器的动、静态性能均优于常规PID控制,具有较高的鲁棒性和控制精度。     

基于粒子群优化的汽温系统神经网络自整定PID控制

为了使神经网络PID取得更好的控制性能,采用改进的粒子群算法对神经网络的权值进行优化,通过对具有严重参数不确定性、多扰动以及大迟延的电厂主蒸汽温度被控对象进行的仿真研究结果表明,所提出的嵌入混沌序列的小生境粒子群算法可以避免局部极小,具有全局优化的能力,对神经网络PID的权值优化是成功和有效的,使得具有多模型特性的汽温控制系统在不同的负荷下均获得很好的调节品质。     

采用扰动加速因子的自适应粒子群优化算法

针对粒子群算法容易陷入早熟收敛和搜索效率不高等问题,分析了几个现有的改进粒子群优化算法．在粒子对称分布有利于提高搜索结果的基础上,对粒子群优化算法进行了改进．改进后的算法可以在运行过程中的不同阶段自适应地以余弦函数的变化方式调整惯性权重系数;在加速因子线性变化的基础上,基于一定的条件对加速因子进行扰动;并确定了相应条件参数的参数取值．通过几个经典的函数,对该算法进行了验证,并与相关文献中改进的粒子群优化算法进行了对比．结果表明,新算法不仅显著提高了收敛速度,而且能有效地改善早熟现象．     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

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。     

粒子群算法在薄膜参数反演中的参数选择

为确保用于薄膜椭偏参数反演计算的粒子群算法收敛于全局最优值,采用标准粒子群算法,学习参数c1和c2采用线性关系kc1＋c2=d,选取不同惯性系数叫,通过数值实验分析算法反演Si基底上SiO2薄膜光学常数的优化性能,结果表明粒子群算法的惯性系数CO取值范围在0．5～0．8之间,学习参数c1,c2配对之和不超过3,较小的c1与较大的c2相配对,可以保证用于椭偏参数反演的粒子群算法具有较好的优化性能．     

水文模型参数优选的改进粒子群优化算法

针对标准粒子群算法的早熟收敛问题,提出了一个提高算法性能的改进途径,即引入动态改变惯性权重策略和混沌思想,在两个方面同时改进以提高粒子群算法的收敛速度和克服局部极值的能力.对两个函数进行寻优测试表明,改进后的粒子群算法收敛速度、精度以及全局搜索能力均优于标准粒子群算法.最后将提出的改进粒子群算法应用于新安江模型进行参数优选,应用结果表明,该算法具有较强的可行性与实用性.     

粒子群优化算法分析

粒子群优化算法是一种基于群体智能的随机全局优化技术，尽管其原理简单易、于实现且功能强大，但目前研究人员还没有对它的工作原理做出足够的解释．将群体优化过程看成一个动态系统的演变，采用线性离散时间系统的分析方法对算法的收敛性进行了分析，导出了简化PSO算法的收敛条件．考虑到参数是影响算法性能和效率的关键因素，利用标准测试函数对算法的参数选择进行了详细的分析，并给出一些指导性原则．     

基于粒子群优化的PID伺服控制器设计

针对耦合和非线性永磁同步电机（PMSM）控制器优化设计的难题,提出了基于粒子群优化（PSO）算法的比例、积分和微分(PID)控制器的优化设计方法.结合PSO的基本原理和PMSM伺服系统的控制策略,给出了优化PID控制器设计的步骤.考虑到综合评价系统的各项性能指标,在优化过程中引入了新的模糊汉明距离的评价策略.同时对遗传算法（GA）和PSO算法优化结果进行对比研究.仿真和实验结果表明,该方法能搜寻到最优或次最优的参数空间,并能取得比GA更好的空间解.优化得到的PID控制器速度响应快、超调量小,有效地提高了伺服系统的动态性能.     

改进粒子群优化算法及其在4G网络-基站选址中的应用

针对粒子群优化算法搜索精度不高、整体上容易陷入局部最小的不足,提出了一种改进的粒子群优化算法.该算法一方面在速度更新式中用粒子群中粒子个体极值的加权值替代粒子的个体极值,另外通过使用两种非线性递减函数对惯性权重进行调整,这种改进有效地提高了粒子群优化算法的收敛速度和全局寻优能力.然后,通过对4个基准函数的仿真,验证了本文改进算法的全局收敛寻优能力.最后,将本文改进算法应用于珠三角地区某市4G网络基站选址优化中.仿真和应用的结果表明,改进后的粒子群优化算法具有更高的收敛速度和全局寻优能力.     

基于改进粒子群算法的组合测试数据生成

针对传统粒子群优化算法生成测试数据容易产生早熟收敛而陷入局部最优的问题,提出一种基于改进粒子群算法的组合测试数据生成算法。该算法在粒子群算法的基础上引入一种惯性权重自适应调整策略,根据粒子的适应度不同采用不同的惯性权重,从而有效的平衡算法的全局和局部搜索能力,增加种群的多样性并提高算法的搜索效率。仿真实验表明该算法与传统粒子群算法相比,所需迭代次数减少,生成组合测试数据速度快。     

Cruise missile multiple routes planning based on hybrid particle swarm optimization

In order to solve cruise missile route planning problem for low-altitude penetration,a hybrid particle swarm optimization( HPSO) algorithm is proposed. Firstly,K-means clustering algorithm is applied to divide the particle swarm into multiple isolated sub-populations,then niche algorithm is adopted to make all particles independently search for optimal values in their own sub-populations. Finally simulated annealing( SA) algorithm is introduced to avoid the weakness of PSO algorithm,which can easily be trapped into the local optimum in the search process. The optimal value obtained by every sub-population search corresponds to an optimal route,multiple different optimal routes are provided for cruise missile. Simulation results show that the HPSO algorithm has a fast convergence rate,and the planned routes have flat ballisticpaths and short ranges which meet the lowaltitude penetration requirements.     

一种基于PSO的分割聚类算法

为了求得一个数据集的最优分割,提出了一种基于PSO的分割聚类算法-PKPSO,将PSO算法和K均值聚类算法有效地结合在一起,对群体中的候选解有选择地利用K均值算法做进一步优化以提高解的精度。通过对算法的分析,给出了控制参数选择依据。并将此算法与单独使用K均值、PSO算法及QPSO算法聚类进行比较,试验测试结果表明:PKPSO算法有更好的全局收敛性,不仅能有效地克服传统算法易陷入局部极小值的缺点,而且求得解的精度和算法的稳定性都明显优于其他方法。     

基于IPSO算法的减振器优化

提出将一种改进的粒子群优化算法应用于汽车减振器的优化中。该算法在标准粒子群算法的基础上引入了一个概率参数,使得粒子群优化算法的全局优化能力和收敛速度得到显著改善,并利用该算法对汽车减振器的主要参数进行了优化。结果表明,对减振器参数优化后,明显改善了汽车减振器压缩行程和复原行程的阻尼特性,提高了汽车的平顺性。     

A Novel Tuning Method for Predictive Control of VAV Air Conditioning System Based on Machine Learning and Improved PSO

The variable air volume (VAV) air conditioning system is with strong coupling and large time delay, for which model predictive control (MPC) is normally used to pursue performance improvement. Aiming at the difficulty of the parameter selection of VAV MPC controller which is difficult to make the system have a desired response, a novel tuning method based on machine learning and improved particle swarm optimization (PSO) is proposed. In this method, the relationship between MPC controller parameters and time domain performance indices is established via machine learning. Then the PSO is used to optimize MPC controller parameters to get better performance in terms of time domain indices. In addition, the PSO algorithm is further modified under the principle of population attenuation and event triggering to tune parameters of MPC and reduce the computation time of tuning method. Finally, the effectiveness of the proposed method is validated via a hardware-in-the-loop VAV system.