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.     

模拟退火PSO的神经网络的网络流量预测模型

为解决网络流量时间序列的预测问题,针对传统BP神经网络的网络流量时间序列预测模型容易陷入局部极小值的不足,提出一种基于模拟退火的微粒群算法训练神经网络的网络流量时间序列预测模型.将模拟退火算法和基本粒子微粒群算法相结合,设计出一种基于模拟退火的微粒群算法.利用基于模拟退火微粒群算法优化BP神经网络的权值和阀值,对实际采集的网络流量时间序列进行建模.实验结果表明,基于模拟退火的微粒群算法训练的神经网络具有较高的预测效果,相对于传统的神经网络模型具有更高的预测精度和良好的自适应性.     

基于改进微粒群神经网络的油料储备预测

根据油料储备历史数据样本进行油料储备预测,是实施油料保障有效举措.油料储备预测是具有不确定性、突变性的多变量复杂系统,预测难度大.为了解决采用传统预测法所存在的局限性,将微粒群优化算法与神经网络相融合,提出了改进微粒群神经网络的油料储备预测模型.利用神经网络自学习能力,捕捉预测系统非线性关系.将神经网络参数映射为实数码微粒,构造复合适应度函数.引入微粒距离系数,动态调整微粒速度和位置进化参数.借助微粒群优化算法较强全局搜索能力,训练神经网络参数,优化其结构,消除神经网络训练收敛慢、易陷入局部极值等现象.仿真实例表明,改进模型预测精确性评价指标良好,建模复杂度较低.     

基于动态邻域微粒群的Smith预估双控制器设计

针对模型未知时滞系统的预测补偿控制,提出一种基于动态邻域拓扑微粒群算法以优化动态神经网络的参数,并将其作为预估器和辨识器应用于一种新的Smith预估双控制器结构设计.利用微粒群算法空间搜索能力指标,动态建立邻域拓扑结构,优化神经网络参数,并将两者的组合模型应用于新的双控制器结构,将负载扰动和定值控制分开,以提高Smith预测补偿模型的控制精度和鲁棒性,最后通过仿真验证了所提出方法的有效性.     

基于遗传微粒群混合算法的灰度图像增强

文中提出了一种基于遗传算法和微粒群算法的混合算法,该算法兼有遗传算法和微粒群算法的优点.混合算法以微粒群算法为主体,同时应用遗传算子操作来优化参数搜索,并引进了摒弃因子来调整微粒的随机性,最终得到最优值.本算法中交叉和变异算子采用了概率自适应策略,微粒群算法使用了动态惯性因子来控制微粒的速度更新.通过对标准试验函数的测试,与标准遗传算法及微粒群算法的结果比较,证明了该混合算法的有效性,并应用于图像增强处理,获得了较为满意的结果.     

基于微粒群优化神经网络算法的研究与仿真

微粒群优化((PSO)算法作为一种新兴的群智能优化算法,引起了不少人的注意和研究。主要研究微粒群优化算法与神经网络相结合形成的一种新颖的算法,并将其应用于永磁同步电机的混沌控制,实现其混沌控制。实验结果表明该算法具有一定的可行性,也说明了微粒群优化神经网络算法在现实中具有一定的实际价值。     

基于混沌微粒群优化算法的阈值图像分割

混沌微粒群优化算法利用了粒子群优化算法收敛速度快和混沌运动所具有的随机性、遍历性和初值敏感性,将混沌状态引入到优化变量中,把混沌的遍历范围映射到优化变量的取值范围.在算法执行过程中对优秀个体混沌扰动,有利于跳出局部极值点,搜索到全局最优解.分别用微粒群优化算法和混沌微粒群优化算法求解函数优化问题,对算法的性能进行检验,检验结果显示:混沌微粒群优化算法搜索全局最优解的成功率和收敛速度都要优于微粒群优化算法.将混沌微粒群优化算法与阈值法相结合,在算法初始化阶段对粒子位置混沌初始化;在算法运行期间对优秀个体进行混沌扰动避免落入局部最优,较好地解决了传统的多阈值图像分割方法中运算量大的问题.实验结果表明,混沌微粒群优化算法用于阈值寻优减少了搜索时间,提高了收敛率.     

基于部分微粒更新改进的具有非线性动态惯性因子的微粒群新算法

微粒群算法是基于群体智能的全局优化算法,在许多领域得到广泛的应用.该算法具有简单易于实现的优点,但是容易陷入局部极值尤其是采用动态惯性因子.采用动态惯性因子有利于提高微粒群算法的收敛速度,但降低了其全局搜索能力.针对具有惯性因子微粒群算法在进化过程中微粒群多样性减弱容易陷入局部最优值的问题,以非线性动态惯性因子的微粒群算法为基础,提出1种基于部分微粒更新的微粒群算法,以提高微粒群的多样性,进而提高了算法的全局搜索能力.新算法利用Sphere、Rastrigin、Rosenbrock、Schaffer、Freudenstein-Roth、Goldstern-Price 6个经典测试函数进行测试,并与基本微粒群算法和具有线性动态惯性因子微粒群算法比较.通过模拟优化比较,新算法寻优效率高、全局性能好、优化结果稳定,新算法能有效提高微粒群的多样性,具有较好的收敛性能和全局优化能力,尤其适合多峰函数的优化.     

基于PSO的预测控制及在聚丙烯中的应用

输入输出受限非线性系统的预测控制问题，可以看作是一个难以直接求解的约束非线性优化问题。针对预测控制在解决此类优化问题时，存在易收敛到局部极小或者非可行解，对初始值敏感等缺点，提出了一种基于微粒群优化方法的非线性预测控制算法。采用微粒群优化算法（PSO）作为模型预测控制的滚动优化方法，在线实时求解最优控制律。将PSO与序贯二次规划（SQP）算法进行对比仿真实验，求解两个标准函数优化问题，结果表明PSO能够快速有效地求得全局最小点，而SQP则很容易陷入局部极小点。将该算法应用于丙烯聚合反应过程的温度控制中，仿真结果显示了该方法的有效性。     

解方程组的单神经元自适应控制微粒群算法

基于微粒群算法解决函数优化问题的优点,提出了使用微粒群算法求解方程组,并给出了求解方程组的通用模型.应用标准微粒群算法求解方程组容易陷入局部极值,导致方程组的解精度不高,并且算法具有较复杂的非线性特性.因此,将微粒群算法作为控制对象,引入单神经元控制器控制算法的惯性权重,将控制器具有的自学习、自适应能力和算法的全局优化特性相结合,用于方程组的求解.实验结果表明,该方法是有效可行的,适合于求解实际工程问题中的高非线性度方程组.