新的全局-局部最优最小值粒子群优化算法

为了提高粒子群优化算法的收敛速度,克服陷入局部最优的缺点,在全局-局部最优粒子群优化算法的基础上,提出了一种新的改进粒子群优化算法——全局-局部最优最小值粒子群优化算法.该算法把惯性权重和学习因子分别通过结合全局和局部最优最小值来进行改写,速度更新公式也做了相应的简化.仿真实验表明该算法在收敛速度和寻优质量上都优于基于LDIW策略改进的粒子群算法和全局-局部最优粒子群算法.     

一类0/1优化问题融合神经网络的粒子群算法

将局部寻优能力极强的人工Hopfield神经网络算法融合到粒子群优化算法的搜索过程中,提出解决一类0/1优化问题融合神经网络的混合粒子群优化算法。在该算法中依粒子群当前全局最优个体为初始态激活神经网络,生成一个局部最优态,用这个局部最优态代替粒子群当前全局最优个体,增强了算法的局部寻优能力,通过数值试验证明该算法是有效的。     

基于改进混沌粒子群优化算法的聚丙烯生产调优

通过算法混合提出了一种改进混沌粒子群优化算法。将混沌搜索融入到粒子群优化算法中,建立了早熟收敛判断和处理机制,显著提高了优化算法的局部搜索效率和全局搜索性能。将改进混沌粒子群优化算法应用于聚丙烯生产调优中,首先建立了聚丙烯最优牌号切换模型,然后采用改进混沌粒子群优化算法求解该最优牌号切换模型。优化结果:表明,与常规混沌粒子群优化算法相比,改进混沌粒子群优化算法具有更佳的优化效率和全局性能。     

新型的PID控制器参数整定方法

粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题。针对这一问题,结合全局-局部最优模型,提出了一种改进的粒子群优化算法,称为全局-局部参数最优的粒子群优化算法。算法利用全局-局部最优惯性权重及全局-局部最优加速度常数,算法的速度更新方程被简化,性能得到改善。利用一组bench mark问题对该算法进行测试,仿真结果表明了算法的有效性和高效性。将该算法应用到对传统PID控制器的参数优化当中,仿真结果表明方法可以获得满意的控制效果,各项控制性能指标优于传统方法整定得到的PID控制器。     

基于混合粒子群优化算法的旅行商问题求解

针对旅行商问题提出一种混合粒子群优化算法。为了增强算法的局部搜索能力,在粒子群优化算法中加入倒置、对换等局部搜索算法。利用遗传算法全局搜索能力强的特点对用粒子群优化算法求到的解进行优化,对全局最优路径通过消除交叉路径进行优化,以进一步提高混合算法的性能。仿真结果表明,中小规模旅行商问题能够在较少的代数内收敛到较满意解。     

基于EM算法和PSO算法的混合优化算法

针对粒子群优化算法容易陷入局部最优解并且存在过早收敛的问题,将类电磁机制算法中的吸引-排斥机制引入到粒子群优化算法中,提出一种类电磁机制算法和粒子群优化算法的混合优化算法(EMPSO).首先按照基本粒子群优化算法的寻优方式对各粒子进行更新,再利用类电磁机制中的吸引-排斥机制对个体最优粒子和群体最优粒子进行移动,最后通过几个标准测试函数进行了测试,并与标准粒子群算法(PSO)、免疫粒子群算法(IPSO)、混沌粒子群算法(CPSO)进行对比.测试结果表明,改进算法提高了全局搜索能力和熟练速度,改善了优化性能.     

一种基于粒子群优化的多目标优化算法

论文提出了一种基于粒子群的多目标优化算法,该算法采用Pareto支配关系来更新粒子的个体最优值和局部最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分布性能;采用动态惯性权重法来平衡粒子群对解空间的局部搜索和全局搜索,以提高算法的全局收敛性能。实验结果表明,论文算法是有效的,能有效的求解多种多目标优化问题。     

粒子群优化算法简介

介绍了基本PSO算法以及两种典型的改进算法:1)全局邻域模式和局部邻域模式对粒子群优化算法的影响,全局邻域模式粒子群优化算法收敛快,但容易陷入局部极小值;局部邻域模式粒子群优化算法由于粒子倾向于在不同的局部区域搜索因而收敛速度慢,但能在较大程度上避开局部极小值;2)混沌粒子群优化算法,它具有混沌的随机性、遍历性、规律性等特性引导粒子及其组成的群落搜索全局最优解。     

改进粒子群优化算法在TDOA定位中的应用

针对TDOA定位估计中的非线性最优化问题,提出了一种基于改进粒子群优化的TDOA定位算法。该算法在自适应粒子群优化算法的基础上,引入禁忌搜索策略,有效地解决了粒子群优化算法容易陷入局部最优的问题,使算法快速收敛到全局最优解。仿真结果表明:该算法性能稳定,定位精度高。     

基于网络邻域拓扑的粒子群优化算法

探讨类无标度网、全局耦合网、环形网、随机网、星形网等邻域拓扑结构对粒子群优化算法寻优效果的影响。理论分析与实验结果显示,以类无标度网作为邻域拓扑结构的粒子群优化算法在误差范围内的寻优效果最好,收敛速度最快,可以较好地避免陷入局部最优,且网络平均度对粒子群优化算法的寻优效果有一定的影响。     

基于APSO算法的电力系统无功优化

针对粒子群优化算法易早熟收敛的缺点,提出一种自适应粒子群优化算法(ASPO),将物种的概念引入种群多样性测度中,利用种群多样性信息对惯性权重进行非线性的调整,并引入速度变异算子和位置交换算子,增强算法的全局收敛性能。将APSO算法应用于电力系统无功优化,对IEEE-30节点系统进行仿真计算,仿真结果表明,系统网损从5.988 MW降到4.889 MW,下降率为18.36%,算法的收敛精度和收敛稳定性均较当前常用方法有明显的提高。     

On the improved performances of the particle swarm optimization algorithms with adaptive parameters,cross-over operators and root mean square (RMS) variants for computing optimal control of a class of hybrid systems

This paper deals with the concept of including the popular genetic algorithm operator, cross-over and root mean square (RMS) variants into particle swarm optimization (PSO) algorithm to make the convergence faster. Two different PSO algorithms are considered in this paper: the first one is the conventional PSO (cPSO) and the second is the global-local best values based PSO (GLbest-PSO). The GLbest-PSO includes global-local best inertia weight (GLbestIW) with global-local best acceleration coefficient (GLbestAC), whereas the cPSO has a time varying inertia weight (TVIW) and either time varying acceleration coefficient (TVAC) or fixed AC (FAC). The effectiveness of the cross-over operator with both PSO algorithms is tested through a constrained optimal control problem of a class of hybrid systems. The experimental results illustrate the advantage of PSO with cross-over operator, which sharpens the convergence and tunes to the best solution. In order to compare and verify the validity and effectiveness of the new approaches for PSO, several statistical analyses are carried out. The results clearly demonstrate that the GLbest-PSO with the cross-over operator is a very promising optimization technique. Similar conclusions can be made for the GLbest-PSO with RMS variants also.     

电力系统无功优化的柯西粒子群算法

针对传统粒子群算法易陷入局部最优解、收敛速度慢的缺点,提出了柯西粒子群算法,并首次将其应用于电力系统无功优化问题.柯西粒子群算法是基于柯西分布的期望和方差均不存在的原理,对每一代粒子的全局极值进行柯西变异,以此来增加种群的多样性,扩大全局最优粒子的搜索区域,以尽快获得适应度更优的个体,从而可以避免算法陷入局部最优解,同...     

面向煤矿工作面的定位无线传感器网络传输性能优化

针对煤矿工作面定位无线传感器网络(PWSN)端到端时间较长、丢包率较大等问题,提出采用保障贪婪调度(GGS)算法来优化网络传输性能。GGS算法结合了粒子群优化(PSO)算法和贪婪算法,使用PSO算法对信道中的报文种群进行有序化处理,实现对种群的保障;使用贪婪算法对网络传输过程中的具体服务请求形成一种多层次、反复迭代的处理机制,以优化报文种群质量;利用PSO变异算法对种群进行检查和更新,以确保得到的是最优解。仿真结果表明,与现有文化基因算法(MA)、差分进化人工蜂群(DE-ABC)算法相比,GGS算法可在控制丢包率的前提下缩短传输时间,提升网络整体性能。     

粒子群算法在电网无功优化中的应用研究

为解决目前电网系统无功优化潮流计算中存在的问题,如计算量大,计算结果中的各节点电压值可能导致无功电源出力接近极限值,并可能与系统电压安全发生冲突,发电机出力越限等。本文采用带罚函数、学习因子和惯性权重的改进粒子群算法,通过模拟编程,求解了在给定约束条件情况下,两个典型系统（5节点典型系统 和39节点典型系统）的无功优化潮流计算问题。通过计算结果分析比较,总结出了在无功优化计算中,如何对电网中的约束条件进行处理,以及如何设置粒子群算法中的相关参数和范围。并讨论了电网的约束条件对无功优化结果的影响,给出了粒子群算法中罚函数、惯性权重及学习因子等参数的设置原则以及对算法收敛性的影响,并对算法的改进进行了展望。     

电力系统无功优化中PSO算法的改进研究

针对电力系统无功优化中的PSO算法的特点,采用的信息拓扑结构为环形结构,对PSO算法中的变异算子进行研究.针对环形拓扑结构的PSO算法,其后期收敛精度差是一个常见问题,提出了一种称之为"球面变异"的变异算子,充分利用粒子群迭代后期种群的信息,对变异的方向与速度进行引导,进而建立了变异算子与当代种群适应度之间的关系,明显地提高了算法收敛速度与精度.最后,对陷入局部收敛等问题进行相应的改良,诸如无法达到最优解等问题.使用IEEE14节点系统作为算例进行测试,结果达到优良.     

微粒群优化算法

介绍了微粒群优化（PSO）算法的原理、算法流程、算法参数及其对算法性能的影响．讨论了各种改进的PSO算法．分析了多相微粒群优化算法（MPPSO）的原理、算法方程、算法参数及其对算法性能的影响．最后归纳了PSO算法的应用概况，并就PSO算法进一步的研究工作进行了探讨和展望．     

多目标差分进化算法的电力系统无功优化

 在传统电力系统无功优化( Reactive Power Optimization,RPO) 模型中引入电压水平 指标,建立了以网损最小,电压水平最好为目标的多目标差分进化算法( Differential Evolution Algorithm) 的模型。针对基本差分进化算法易陷入局部最优解、收敛速度慢的缺点,提出一种 具有自适应参数策略的改进差分进化算法并首次用于多目标电力系统无功优化问题。通过在 算法进化过程中调整变异因子F 和交叉因子CR,在初期增加种群的多样性、扩大全局搜索区 域; 从而可以避免算法陷入局部最优解; 同时在后期也加快了收敛速度。将该算法用于电力系 统无功优化并仿真计算了IEEE-14 节点标准测试系统,结果验证模型和算法的有效性。     

改进粒子群优化算法研究

提出一种新的粒子群优化(Particle Swarm Optimization,PSO)算法,将微调(Fine-Tuning)机制导入PSO算法中,可提高算法在最优区域局部搜寻的能力,改善PSO在搜寻末期,粒子相似度过高的缺陷.最后用2种不同复杂程度的函数为例,比较本算法与PSO算法的最优化能力.结果显示,本算法在搜寻成功率及平均收敛时间、平均收敛代数的性能表现上皆优于PSO算法.