基于D-S的粒子群算法

粒子群优化(Particle Swarm Optimization,PSO)算法是一类性能优越的寻优算法.但由于早熟问题,影响了算法性能的发挥.针对这一问题,通过获取粒子群的状态信息,来控制PSO进化过程,是一种有效的PSO改进方法.但现有的方法是从单一的角度来描述粒子群进化状态,使用时还具有一定的局限性.为了更进一步发挥PSO算法的优越性能,充分考虑了粒子群进化状态中的不同信息,根据证据融合理论,提出一种PSO算法(称为DS_PSO).首先根据全局和局部搜索的要求,把算法分为不同的搜索模式;然后,在进化过程中,对描述粒子群的不同参数进行D-S融合.根据融合结果,确定粒子群状态,选择合适的搜索模式.对测试函数的仿真实验表明,与对比方法相比较,DS_PSO算法具有更好的收敛精度和更快的进化速度.     

基于细菌觅食特征改进粒子群算法优化SVM模型参数研究

针对粒子群算法优化SVM模型参数在进化后期容易陷入局部最优的问题,研究了细菌觅食趋利避害机制,提出了一种基于细菌觅食特性改进粒子群算法的方法,并将改进方法应用于优化SVM预测模型参数的研究;实验结果表明,该方法能够弥补粒子群算法在进化后期容易陷入局部最优的缺陷,具备更好的寻优性能。     

一种多粒子群协同进化算法

为进一步提高多粒子群协同进化算法的寻优精度, 并有效改善粒子群易陷入局部极值及收敛速度慢的问题, 结合遗传算法较强的全局搜索能力和极值优化算法的局部搜索能力, 提出了一种改进的多粒子群协同进化算法. 对粒子群优化算法提出改进策略, 并在种群进化过程中, 利用遗传算法增加粒子的多样性及优良性, 经过一定次数的迭代, 利用极值优化算法加快收敛速度. 实验结果表明该算法具有较好的性能, 能够摆脱陷入局部极值点的问题, 并具有较快的收敛速度.     

基于文化框架的随机粒子群优化算法

提出了随机粒子群优化算法(rPSO),并将其与标准PSO纳入到文化算法(CA)框架中,建立了基于文化框架的随机粒子群优化算法(CA-rPSO)。该算法以rPSO作为信念空间的进化算法,以PSO作为群体空间的进化算法,形成了两者独立并行进化的"双演化双促进"机制。选取5个测试函数进行了仿真实验分析并与其他算法进行了比较,结果表明CA-rPSO的寻优性能得到显著提高,且算法简单、易于实现。     

CPSO-NP优化算法及其在TE过程中应用

为有效平衡粒子群算法的探索和开发能力,解决粒子群局部最优、收敛速度慢等问题,提出了基于捕食搜索和自然选择的混沌粒子群算法.该算法借鉴自然选择中适者生存的进化机制以提高算法的收敛速度;且捕食搜索策略调节限制级别平衡全局搜索和局部搜索,优化搜索性能;通过函数测试和化工TE的故障诊断,结果表明:所提算法计算精度高、收敛速度快,能准确地对SVM的参数进行寻优,提高了故障诊断的准确性.     

基于蚁群系统的参数自适应粒子群算法及其应用

为了解决粒子群算法惯性权重自适应问题,提出一种基于蚁群系统的惯性权重自适应粒子群算法(AS-PSO).AS-PSO首先将惯性权重取值区间离散化,各个惯性权重子区间在初期赋予相同的信息素;然后,粒子群算法中的各个粒子,根据各个惯性权重子区间中的信息素浓度和粒子在搜索空间中分布的先验知识,确定各个惯性权重子区间的选择概率,并进而实现粒子的空间搜索;最后,基于粒子的进化信息,实现惯性权重子区间信息素浓度的更新.仿真研究表明,AS-PSO算法在种群进化寻优的同时,能根据种群的进化信息,通过蚁群算法实现惯性权重参数的自适应调整和进化,且不增加测试函数的调用次数;算法寻优性能优于传统的自适应粒子群算法和根据速度信息自适应调整参数的粒子群算法.同时,算法实际应用于复杂系统模型参数的优化估计,获得满意结果.     

一种自适应混合粒子群优化算法及其应用*

为提高粒子群算法的寻优精度,提出一种将单纯形法(SM)和粒子群(PSO)算法相结合的自适应混合粒子群优化(AHPSO)算法,该算法根据进化需要动态调整粒子的惯性权重,并在进化停滞时使用SM优化。通过仿真实验证明了AHPSO的寻优性能优于SPSO和SMPSO。将AHPSO用于某航空发动机的PID参数优化,其整定性能优于现有的工业方法和其他PSO算法。     

协同进化策略的粒子群优化算法

为了进一步提高粒子群优化算法的寻优精度,并改善收敛速度慢的问题,本文基于传统的粒子群优化算法,借鉴协同进化的思想和共生机制,提出了将协同进化算法和粒子群算法相结合的算法模型(CEA-PSO)。群体内部采用精英保留策略保留精英个体,将个体的进化和群体之间发生信息交换,达到优势互补的效果。实验结果表明,协同进化策略的粒子群优化算法精度更高,优化性能更佳。     

一种群活性反馈粒子群优化算法

为解决粒子群优化(PSO)算法的早熟收敛问题,提出一种群活性反馈PSO进化算法SAF-PSO。利用群活性加速度作为多样性测度,当群活性加速下降时,对粒子的位置和速度分别执行进化和变异操作,增强粒子跳出局部最优的能力,提高寻找全局最优的几率。对基准函数的仿真结果表明,与其他PSO算法相比,该算法具有更强的全局搜索能力和更高的寻优精度。     

基于综合改进型PSO算法的电网无功优化研究

为改善基本粒子群优化(PSO)算法的电网无功优化性能,提出了一种新的综合改进型PSO算法,该算法将蜜蜂进化机制、遗传选择机制与PSO算法相结合.在寻优前期,为提高粒子的全局寻优能力,采用蜜蜂进化机制与粒子群相结合的蜜蜂进化PSO算法,可有效地增加粒子的多样性;在寻优后期,为增加粒子的收敛速度,采用遗传选择机制与PSO算法相结合的选择PSO算法.利用综合改进型PSO算法和其他典型优化算法,分别对IEEE 14标准电网以及某地实际运行电网进行对比分析,结果显示,综合改进后的PSO算法进行无功优化时,其收敛速度明显加快,收敛能力显著提高,电网无功优化性能有了很大改善,验证了该算法的正确性和有效性.     

基于BtW的和声搜索算法在BP网络优化中的应用

针对和声搜索算法参数影响其优化BP神经网络的性能问题,提出了一种可有效提高BP神经网络收敛速度和准确度的基于BtW参数动态变化的改进和声算法,同时用于BP网络优化。算法根据和声搜索参数的特点,采用以BtW为自变量的非线性函数变换方法,对微调概率PAR和微调幅度BW进行动态调整,利用改进的和声搜索算法对BP神经网络的连接权和偏置值进行优化。实验结果表明,该算法有效改善了和声搜索算法在BP神经网络优化中的性能,提高了BP网络的训练速度和预测的准确度。     

Ant colony algorithm for satellite control resource scheduling problem

With the increasing number of satellite, the satellite control resource scheduling problem (SCRSP) has been main challenge for satellite networks. SCRSP is a constrained and large scale combinatorial problem. More and more researches focus on how to allocate various measurement and control resources effectively to ensure the normal running of the satellites. However, the sparse solution space of SCRSP leads its complexity especially for traditional optimization algorithms. As the validity of ant colony optimization (ACO) has been shown in many combinatorial optimization problems, a simple ant colony optimization algorithm (SACO) to solve SCRSP is presented in this paper. Firstly, we give a general mathematical model of SCRSP. Then, a optimization model, called conflict construction graph, based on visible arc and working period is introduced to reduce workload of dispatchers. To meet the requirements of TT & C network and make the algorithm more practical, we make the parameters of SACO as constant, which include the bounds, update and initialization of pheromone. The effect of parameters on the algorithm performance is studied by experimental method based on SCRSP. Finally, the performance of SACO is compared with other novel ACO algorithms to show the feasibility and effectiveness of improvements.     

基于粒子群优化的一类模糊控制器设计

针对一般模糊控制器存在稳态性能与动态性能之间的矛盾,提出一种参数自整定模糊控制器.该控制器结构简单,算法简便,具有良好的动态特性,能有效消除静态偏差,且有一定的鲁棒性.为避免模糊控制器设计中参数调试的复杂性,获得最佳的控制性能,应用改进的自适应粒子群优化算法对模糊控制器参数进行优化设计.通过典型的被控对象的仿真研究,验证了所提出算法的有效性和适应性以及所设计控制器的优越性.     

利用改进遗传算法优化PID参数

为了改善单纯遗传算法早熟收敛与寻优能力不足的问题,将粒子群算法引入遗传算法变异操作中,提出了一种基于遗传算法与粒子群算法的组合算法。将改进的遗传算法应用于PID控制器参数优化中,通过仿真实验表明,新算法效果明显优于单纯遗传算法,能有效克服早熟收敛现象、降低随机性初始种群的影响、提高算法收敛精度,具有良好的收敛性和寻优能力。     

一种改进的粒子群优化算法及其仿真

粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。     

迭代粒子群算法及其在间歇过程鲁棒优化中的应用

针对无状态独立约束和终端约束的间歇过程鲁棒优化问题，将迭代方法与粒子群优化算法相结合，提出了迭代粒子群算法．对于该算法，首先将控制变量离散化，用标准粒子群优化算法搜索离散控制变量的最优解．然后在随后的迭代过程中将基准移到刚解得的最优值处，同时收缩控制变量的搜索域，使优化性能指标和控制轨线在迭代过程中不断趋于最优解．算法简洁、可行、高效，避免了求解大规模微分方程组的问题．对一个间歇过程的仿真结果证明了迭代粒子群算法可以有效地解决无状态独立约束和终端约束的间歇过程鲁棒优化问题．     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

基于DPDK的高速存储I/O优化方法

网络I/O在Redis存储过程中是限制存储性能的关键因素,而默认参数或人工参数配置会制约存储性能。针对参数配置不当导致存储吞吐性能下降及时延较高的问题,提出一种存储I/O优化方法GTS。考虑各阶段参数对存储性能的影响,在DPDK的优化原理基础上通过分析处理特性,采用分层模型策略实现对存储性能预测,从而寻找出最优参数调优方案。实验结果表明,与默认参数相比,GTS方法能够有效提升存储吞吐量,且在写密集下较ATH算法具有更低的时延。     

基于多种群遗传算法的水面无人艇航迹控制方法

针对水面无人艇(USV)的航迹控制问题,提出了一种由视线导向法和多种群遗传算法整定的PID航向控制器组成的航迹跟踪控制方法.该方法采用多种群遗传算法克服了传统遗传算法容易陷入局部最优的问题,增强了算法的全局寻优能力;并根据模型特点改进了适应度函数,使得对控制器性能的评价更加合理.与标准遗传算法和粒子群算法的对比仿真表明,多种群遗传算法在PID参数整定方面寻优能力更强、稳定性更高;同时,整定出的PID控制器针对不同的模型参数,均表现出收敛速度快、无超调、无稳态误差的优良特性.航迹仿真结果表明,设计的航迹控制方法能够有效跟踪给定航迹.     

基于多模型粒子群优化的PID参数鲁棒整定

针对常规粒子群优化算法存在的鲁棒性能差的问题，提出一种基于多模型的粒子群优化方法．将其应用于对PID控制器参数的优化，有效地避免了PID控制器设计中复杂的参数调试．即使在模型失配的情况下，控制系统仍保持了良好的控制品质和鲁棒性．通过对几个典型被控对象的仿真实验，证明了所提出的优化算法的实用性、有效性和优越性．