基于粒子群算法的PID神经网络解耦控制

基于粒子群的优化算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。该算法采用粒子群算法优化PID神经网络初始权值,并将优化后的最优初始权值控制非线性耦合系统。系统仿真结果表明,粒子群优化后的PID神经网络控制器具有逼近控制目标更快、响应时间较短的显著优点。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有一定的理论研究价值和工程实用价值。     

基于粒子群算法的PID神经网络解耦控制

基于粒子群的优化算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。该算法采用粒子群算法优化 PID 神经网络初始权值,并将优化后的最优初始权值控制非线性耦合系统。系统仿真结果表明,粒子群优化后的 PID 神经网络控制器具有逼近控制目标更快,响应时间较短的显著优点。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有一定的理论研究价值和工程实用价值。     

改进粒子群算法的PID神经网络解耦控制

综合减摇控制系统存在非线性、多变量、强耦合等因素,会导致减摇系统达不到最佳控制状态。利用粒子群算法具有对整个空间进行高效搜索以及PID神经网络的自适应特点,提出一种改进粒子群算法,以解决粒子群算法中存在算法精度不高、粒子易陷入局部极小值等问题,并提高PID神经网络训练速度和训练精度,便于参数寻优。仿真结果表明,改进的粒子群算法具有一定优越性,将其运用到综合减摇控制系统解耦控制器设计中,能够有效地减小船舶横摇,达到较好的控制效果。     

改进的粒子群求解多目标优化算法

根据粒子群算法求解多目标问题的特点,个体极值和全局极值的选择不同会对实验结果产生很大影响。目前普遍的选择方法仅仅根据简单的支配关系,但是会存在两个解之间没有支配关系而导致不去更新个体最优值（PB）和全局最优值（GB）,这样会导致更好的个体极值和全局极值的遗漏从而降低收敛时间。文中提出一种新的个体极值和全局极值的选择策略。使用这种策略,可以加快收敛,提高准确性,防止非劣解的遗漏。通过几个测试函数的实验仿真,所得解集的分步性和多样性都有显著的提高。     

基于新变异算子的改进粒子群优化算法

粒子群优化算法(PSO)是一种基于群体智能的优化算法。本文在介绍PSO算法基本原理和流程的基础上,分析了该算法在处理一些复杂问题时容易出现的早熟收敛、收敛效率低和精度不高等问题,提出了一种基于新变异算子的改进粒子群优化算法(NMPSO)。NMPSO算法将产生的变异粒子与当前粒子进行优劣比较,选择较优的粒子,增强了种群的多样性,有效地避免算法收敛早熟。用5个常用基准测试函数对两种算法进行对比实验,结果表明:新提出的NMPSO算法增强了全局搜索能力,提高了收敛速度和收敛精度。     

一种改进的小波变异粒子群优化算法

为提高粒子群优化(PSO)算法的优化性能,提出一种改进的小波变异粒子群算法(IPSOWM)。在每次迭代时以一定的概率选中粒子进行小波变异扰动,从而克服PSO算法后期易发生早熟收敛和陷入局部最优的缺点。数值仿真结果表明,IPSOWM算法的搜索精度、收敛速度及稳定性均优于PSO和PSOWM算法。     

基于改进粒子群算法的聚类算法

K-均值算法是一种传统的聚类分析方法,具有思想与算法简单的特点,因此成为聚类分析的常用方法之一.但K-均值算法的分类结果过分依赖于初始聚类中心的选择,对于某些初始值,该算法有可能收敛于一般次优解.在分析K-均值算法和粒子群算法的基础上,提出了一种基于改进的粒子群算法的聚类算法.该算法将局部搜索能力强的K均值算法和全局搜索能力强的粒子群算法结合,提高了K均值算法的局部搜索能力、加快了收敛速度,有效地阻止了早熟现象的发生.实验表明该聚类算法有更好的收敛效果.     

一种新型的粒子群算法

针对原始PSO算法存在的各种缺点,论文提出了一种新型的PSO算法。该算法在搜索的中期进行变异,并依据搜索开始后的收敛情况来决定首次变异的时机、依据每次变异后的收敛情况来决定下次变异的时机,以便最大限度地增加变异次数,并充分利用每次变异带来的避免局部最优、求得全局最优的机会,从而提高搜索成功的概率;在后期则在一定的循环次数内不变异,以确保搜索精度。每次变异只选择那些收敛程度相对比较大的维来进行,这样可以在不破坏粒子群的结构的情况下扩大搜索空间、提高收敛速度。通过对四个多峰的测试函数和一个问题空间为非凸集的实例所做的对比实验,表明改进的PSO算法增强了全局搜索能力,搜索成功率大为提高,克服了原始的PSO算法易于收敛到局部最优点的缺点。     

基于最优变异的粒子群优化算法

为了提高粒子群优化算法的性能,提出了一种带最优变异的改进粒子群优化算法。该算法的惯性权值满足不同粒子对全局和局部搜索能力的不同需求,每次迭代后根据适应度值会作相应的调整,在搜索过程中所引入的变异算子将对粒子群中最优粒子进行变异,以防止算法早熟收敛。对4个典型的测试函数的仿真表明,该算法比标准粒子群优化算法有更好的收敛性和更快的收敛速度。     

基于自适应策略的改进粒子群算法

粒子群算法的参数速度权重在寻优过程中具有重要的作用。如何寻找合适的速度权重是提高算法性能的关键,为解决上述问题,提出了一种基于自适应策略的改进粒子群算法。改进粒子群算法在每次种群进行迭代时,根据每个粒子的适应度值自适应地改变每个粒子的速度权重,动态调整每个种群粒子的活性,提高了算法的全局寻优能力和收敛能力。仿真结果表明,在单目标函数中,改进算法能够更快速地找到最优位置,提高了算法的寻优能力;在多目标函数中,改进算法能够更快速地收敛到问题的Pareto最优边界,提高了算法的收敛能力。     

基于粒子群优化的模糊C-均值聚类改进算法

针对模糊C-均值聚类算法(FCM)存在易陷入局部优化的问题,将粒子群优化算法(PSO)和模糊C-均值聚类算法FCM相结合,提出了一种新的模糊聚类算法PSO-FCM.该算法使用PSO算法来代替FCM的迭代过程以实现模糊聚类,具有了很强的全局搜索能力,从而不用再为得到好的聚类效果而反复选择初值.仿真实验结果表明,提出的模糊聚类算法提高了FCM的搜索能力,具有更好的稳定性和健壮性,优化能力增强,提高了聚类的效率和效果.     

基于该粒子群算法的聚类算法

提出了一种基于改进的粒子群算法的聚类方法。该算法是将局部搜索能力强的K-均值算法和基于遗传算法的交叉、变异操作同时结合到粒子群算法中。既提高了粒子群算法的局部搜索能力、加快了收敛速度,同时因为加入了交叉、变异操作,有效地防治了早熟收敛现象的发生。实验表明该聚类算法有更好的收敛效果。     

基于改进粒子群优化的胶粘剂生产过程温度控制

针对大惯性、纯迟延、非线性、时变的胶粘剂生产过程,提出一种改进粒子群优化的PID控制算法。该算法针对常规PID设计方法存在的缺点,提出了一种可兼顾多项性能指标的PID控制器参数整定的改进粒子群优化方法。该方法将遗传算法中的变异思想引入到标准的粒子群优化算法中,避免了算法陷入局部极值点,以寻优PID控制器参数。将该方法应用于胶粘剂生产过程,较好地实现了反应釜温度的跟踪控制。仿真结果和实际情况表明所提出算法的有效性和优越性。     

改进粒子群优化算法在PID参数整定中的研究

针对粒子群优化算法（PSO）容易出现早熟收敛的问题,提出一种改进的粒子群优化算法（IMPSO）。该算法通过引入粒子群聚合度和变异的思想,能很好避免早熟,提高粒子全局搜索能力。将此改进的粒子群优化算法用于PID控制器的参数整定,具有操作简单,寻优快速等优点。     

基于自适应差分优化的改进虚拟力导向粒子群算法研究

为提高节点在无线传感器网络中的自部署性能,本文以虚拟力导向粒子群算法为基石,在部署区域内,采用正方形网格划分方式,并引入一种改进的自适应差分进化策略,对原算法进行改进。改进算法引入了移动目的地对移动节点的引力作用,并通过自适应调整,有目的的向扩大网络覆盖率的目标进化,从而最大限度地优化节点的部署速度和网络的覆盖率。通过对该算法的性能进行了仿真与分析,在网络覆盖率、算法收敛速度以及部署时间等方面,相比于经典虚拟力算法及虚拟力导向粒子群算法,该算法具有更佳的部署性能。     

量子粒子群优化改进的模糊C均值聚类算法

针对模糊C-均值(FCM)聚类算法对初始聚类中心选择敏感,易陷入局部最优的问题,提出一种量子粒子群优化改进的模糊C均值聚类算法。该算法引入的基于新距离标准的量子粒子群(AQPSO)算法不仅可以降低初始点敏感度,较快地收敛到最优解,而且能够提高全局搜索能力。仿真实验证明,该融合算法在摆脱局部最优区域,保证收敛速度同时使得聚类效果较好。     

基于改进粒子群算法的航班降落调度问题研究

航班降落调度是多约束的整数规划问题,也是组合优化中的典型NP难题之一.针对传统粒子群算法易陷入局部最优和求解组合优化问题能力不强的缺点,提出改进策略.改进的算法通过禁忌搜索策略生成初始粒子群以满足航班调度多约束的限制,引入遗传算法的交叉变异等操作以增强粒子群间信息交流能力,重新定义惯性权重和加速度因子,以增强粒子的多样性和收敛性,加入进化交叉算子以增强粒子的局部寻优能力.通过与修补遗传算法、罚函数遗传算法进行对比,经多次运行后的结果表明,提出的改进算法的局部搜索能力和全局搜索能力都得到增强,同时也验证了算法的可行性和有效性.     

基于改进粒子群优化的节点定位算法

在基于粒子群优化的节点定位过程中,惯性权重的设置对算法收敛速度和定位精度有着重要影响。本文从两个方面对其进行改进:利用节点间的连通信息对未知节点可能存在的区域进行估计,缩小粒子搜索范围;根据未知节点存在区域,对粒子群优化算法的惯性权重设置进行改进。仿真结果表明,改进算法的定位精度和稳定性有明显的提高,是一种可行的无线传感器网络节点定位的解决方案。