基于改进粒子群算法的资源受限项目进度研究

资源受限的项目进度问题是经典的NP-hard问题,在研究以往求解方法的基础上,应用一种新的群智能算法——粒子群算法,对粒子群优化算法的搜索能力进行改进,结合Gbest模型与Pbest模型的优点,提出使粒子在搜索的前期有较强的全局搜索能力,尽可能多地发现可能全局最优的种子,而在搜索的后期则具有较强的局部搜索能力,用提高算法的收敛速度和精度的复合最优模型粒子群算法对RCPSP问题进行了求解,最后用文献[8]中的算例进行了仿真实验,实验结果验证了此算法的可行性与优越性。     

基于粒子群优化算法的工业机器人定位抓取控制系统设计

为消除工业机器人实际抓取位置与定位位置之间的误差,实现对机器人抓取行为的有效控制,设计基于粒子群优化算法的工业机器人定位抓取控制系统。根据主要机器部件选型情况建立电气网络结构,再联合视觉传感器与定位控制平台,控制抓取夹爪的行动范围,完成工业机器人定位抓取控制系统硬件的总体设计。遵循粒子群优化算法应用需求,实施Gbest选取与Pbest更新,并联合所得计算结果,定义三维坐标系表达式,建立基于粒子群优化算法的定位坐标系。根据跟踪点坐标求解结果,确定控制系数优化处理条件,完善抓取控制原则,再联合相关应用结构,实现基于粒子群优化算法的工业机器人定位抓取控制系统的设计。实验结果表明,粒子群优化算法作用下,工业机器人实际抓取位置坐标在X轴、Y轴方向上均准确符合定位位置坐标,有效消除了抓取误差,能够实现对机器人抓取行为的有效控制。     

寻求“理想” 解的改进多目标粒子群优化算法

如何在众多非劣解中为决策者推荐一个合理的方案是使用多目标粒子群算法(MOPSO) 所面临的问题. 为此, 将逼近理想解的排序方法(TOPSIS 策略) 引入到算法中. 为了提高求解精度和均匀性, 还提出了基于Pbest 的变异策略和改进的?? 邻近距离策略. 测试结论显示, 仅使用TOPSIS 策略确定Gbest 的算法, 求解精度虽好, 但均匀性较差, 而包含所有改进策略的算法在精度和均匀性方面都更优, 并且能够按照TOPSIS 方法在非劣解集中找到一个适合向决策者推荐的“理想” 方案.

     

改进的带有局部搜索算子的量子粒子群算法

带有局部搜索算子的量子粒子群算法(MQPSO-LQPSO)是一种较成功的改进的QPSO算法,但是该算法在搜索震荡的不足,在一定程度上降低了搜索效率.针对该问题,提出了一种改进方法,将LQPSO搜索得到的最优粒子替换MQPSO的Gbest和当前群中适应度最佳的粒子和最差的粒子.在标准测试函数上的仿真实验结果表明,改进的算法在不改变原有算法框架和不引入新的参数条件下,提高了MQPSO-LQPSO的搜索能力和计算效率.     

基于NSGA-II和MOPSO融合的一种多目标优化算法

用多目标粒子群优化(MOPSO)算法的粒子位置更新模式替代NSGA Ⅱ的交叉操作，获得一个新的算法（NSGA Ⅱ MOPSO）。为使这两种差异较大的算法实现无缝融合，在NSGA Ⅱ算法范围内对MOPSO中特有的概念粒子及其速度、Pbest、引导者进行处理: 1)粒子对应于NSGA Ⅱ中子代群体的个体； 2)不再使用粒子速度概念； 3)不再使用粒子Pbest概念，代之以从父代群体中为每个粒子的每一维寻找一个最近的该粒子非支配个体; 4)每一个粒子的引导者可以是父代群体中稀疏程度最大的个体或者是按照二进制随机竞赛选择方法从父代群体中选择的一个个体，具体哪一种方式发挥作用依赖于预先设定的概率。另外，引入稀疏程度概念来评价粒子在目标函数空间的分布。6个算例的结果表明，与NSGA Ⅱ及最新的两种MOPSO算法（CLMOPSO 和 EM MOPSO）相比，新算法是一个有效、稳定的算法。     

PSO算法粒子运动轨迹稳定收敛条件分析

由于随机量的作用,粒子群优化算法（ＰＳＯ）中粒子的位置迭代是一个非线性动态离散过程,单个粒子在随机量影响下的运动方程可转换为一个二阶变系数非齐次方程．为此,利用Ｌｙａｐｕｎｏｖ稳定定理对该方程的稳定性作了深入研究,分析得到了使粒子运动稳定收敛的惯性权重和随机参数取值条件．实验结果表明,按照所得到的条件选择参数取值,能使粒子运动轨迹快速稳定收敛．该结果有助于实际应用中ＰＳＯ 算法参数的选择和调整．     

基于NSGA-Ⅱ和MOPSO融合的一种多目标优化算法

用多目标粒子群优化（MOPSO）算法的粒子位置更新模式替代NSGA-Ⅱ的交叉操作，获得一个新的算法（NSGA-Ⅱ-MOPSO）。为使这两种差异较大的算法实现无缝融合，在NSGA-Ⅱ算法范围内对MOPSO中特有的概念粒子及其速度、Pbest、引导者进行处理：1）粒子对应于NSGA-Ⅱ中子代群体的个体；2）不再使用粒子速度概念；3）不再使用粒子Pbest概念，代之以从父代群体中为每个粒子的每一维寻找一个最近的该粒子非支配个体；4）每一个粒子的引导者可以是父代群体中稀疏程度最大的个体或者是按照二进制随机竞赛选择方法从父代群体中选择的一个个体，具体哪一种方式发挥作用依赖于预先设定的概率。另外，引入稀疏程度概念来评价粒子在目标函数空间的分布。6个算例的结果表明，与NSGA-Ⅱ及最新的两种MOPSO算法（CLMOPSO和EM-MOPSO）相比，新算法是一个有效、稳定的算法。     

参数化运动模型和PSO的自主车运动规划方法

自主地面车辆在障碍物环境下的运动规划问题是一个包含非完整约束条件的全局优化问题。针对该优化问题,提出了一种基于参数化运动模型和改进粒子群优化算法的运动规划方法。该方法将车辆运动模型解耦为参数化弧长-曲率模型和速度模型,并采用混沌映射方法对粒子群优化算法进行了改进,将改进的粒子群优化算法应用于弧长-曲率模型中的参数优化问题。仿真结果证明了该方法的有效性,是自主地面车辆运动规划的一种较好方法。     

粒子群分形进化算法

在传统粒子群优化(PSO)算法的基础上,提出粒子群分形进化算法(FEPSO).FEPSO利用分形布朗运动模型中的无规则运动特性模拟优化目标函数未知特性,隐含的趋势变化模拟优化目标函数极值变化的总趋势,从而克服个体过于随机进化和早熟的现象.与传统的PSO算法相比,文中算法中每个粒子包含分形进化阶段.在分形进化阶段,粒子在解的子空间以不同的分形参数进行分形布朗运动方式搜索解空间,并对其分量进行更新.仿真实验结果表明,该算法对大部分标准复合测试函数都具有较强的全局搜索能力,其性能超过国际上最近提出的基于PSO的改进算法.     

基于改进PSO算法的机器人路径规划及实验

针对粒子群优化（PSO）算法存在的优化精度低以及早熟的缺点,提出一种改进的PSO算法用于机器人路径规划．根据梯度下降法中变量沿负梯度方向变化的原则,提出了改进的粒子速度更新模型．为了提高粒子的搜寻效率及精度,增加了自适应粒子位置更新系数．引入ε贪心策略设计了改进的粒子群优化算法．在部分优化测试函数上的多次试验结果表明,所提算法较其他算法模型搜索精度至少提高2倍,收敛速度也有大幅度的提升．将所提算法和改进的DC-HPSO（动态聚类混合粒子群优化）算法应用于静态障碍物下的路径规划仿真和实际试验,结果表明所提模型具有高精度、高效率、高成功率的优点．     

基于正态云的粒子群优化算法及其应用

为辨识非线性系统Hammerstein模型,将非线性系统的辨识问题转化为参数空间上的优化问题,提出一种基于正态云模型的改进粒子群算法(NCPSO)。该算法采用动态变异概率,对全局最优粒子和粒子自身最优位置进行正态云变异,以产生新的粒子引导种群的飞行,有效避免早熟收敛。采用一种广义学习策略,提升粒子向最优解飞行的概率,将NCPSO算法用于对Hammerstein模型的辨识,相比其他算法,该算法辨识精度较高。     

解决约束优化问题的改进粒子群算法

针对约束优化问题的求解,提出一种改进的粒子群算法（CMPSO）。在CMPSO算法中,为了增加种群多样性,提升种群跳出局部最优解的能力,引入种群多样性阈值,当种群多样性低于给定阈值时,对全局最优粒子位置和粒子自身最优位置进行多项式变异;并根据粒子违背约束条件的程度,提出一种新的粒子间比较准则来比较粒子间的优劣,该准则可以保留一部分性能较优的不可行解;为提升种群向全局最优解飞行的概率,采取一种广义学习策略。对经典测试函数的仿真结果表明,所提出的算法是一种可行的约束优化问题的求解方法。     

基于新型改进粒子群算法的APU建模与求解

为进行辅助动力装置(Auxiliary Power Unit,APU)特性计算,以某型APU为研究对象,基于MATLAB/Simulink建立其部件级模型。鉴于N-R法的固有缺陷,引入PSO(Particle Swarm Optimization)算法,并提出叛逆粒子和自适应学习因子以改进算法全局收敛性和收敛速度,用于模型求解。对比基本PSO算法和改进算法,验证改进方法的有效性。同时将计算结果与实际试车数据比较,表明所采用的建模与求解方法满足工程应用。     

基于混合微粒群算法的说话人识别

为了解决传统高斯混合模型(GMM)对初值敏感,在实际训练中极易得到局部最优参数的问题,提出了一种采用微粒群算法优化GMM参数的新方法。该方法将最大似然估计融入到微粒群算法迭代过程中,形成了新的混合算法。它利用微粒群算法的全局优化性及最大似然估计的局部寻优性求解高斯混合模型的参数,以提高参数精度。说话人辨认实验表明,与传统的方法相比,新方法可以得到更优的模型参数,使得系统的识别率进一步提高。     

Forecasting of Software Reliability Using Neighborhood Fuzzy Particle Swarm Optimization Based Novel Neural Network

This paper proposes an artificial neural network (ANN) based software reliability model trained by novel particle swarm optimization (PSO) algorithm for enhanced forecasting of the reliability of software. The proposed ANN is developed considering the fault generation phenomenon during software testing with the fault complexity of different levels. We demonstrate the proposed model considering three types of faults residing in the software. We propose a neighborhood based fuzzy PSO algorithm for competent learning of the proposed ANN using software failure data. Fitting and prediction performances of the neighborhood fuzzy PSO based proposed neural network model are compared with the standard PSO based proposed neural network model and existing ANN based software reliability models in the literature through three real software failure data sets. We also compare the performance of the proposed PSO algorithm with the standard PSO algorithm through learning of the proposed ANN. Statistical analysis shows that the neighborhood fuzzy PSO based proposed neural network model has comparatively better fitting and predictive ability than the standard PSO based proposed neural network model and other ANN based software reliability models. Faster release of software is achievable by applying the proposed PSO based neural network model during the testing period.      

最佳维变异粒子群优化算法在传感器调度中应用

粒子群优化(PSO)算法的主要特点是能快速得到问题的解,缺点是容易陷入局部最优.提出了一种利用最佳维变异技术和量子理论方法改进的PSO算法,并应用于目标跟踪传感器调度问题.目标的动力学模型为线性高斯模型,传感器观测值被高斯噪声污染并与目标状态线性相关.对于多传感器单目标跟踪的数学问题,引入提出的最佳维变异PSO算法,在...     

基于粒子群优化算法的PID控制器参数整定

PID控制器的性能完全依赖于其参数的整定和优化，但参数的整定及在线自适应调整对常规的PID控制器是难以解决的问题。根据粒子群算法具有对整个参数空间进行高效并行搜索的特点，提出了一种基于粒子群优化算法整定PID控制器参数的设计方法，并定义了一种新的性能指标函数来评价PID控制器的性能。现以二阶的船舶控制装置为研究对象，运用粒子群优化方法对PID控制器参数进行了寻优研究。仿真结果表明，该方法比一般PID参数整定方法具有更好的控制性能指标，有着一定的工程应用价值。     

粒子群优化方法若干特性分析

粒子群优化算法(Particle swarm optimizer, PSO)是一种基于群体智能的优化方法. 本文提出了标准粒子群优化方法按迭代时间展开的一般性描述公式. 在此基础上分析了标准PSO的优化机理, 基于群体社会信息和自身历史经验的情况下,推导了粒子最大搜索空间的数学描述. 通过将粒子运动的一般性描述图解为历史状态加权和的形式, 进一步证明了PSO参数随迭代周期的积累, 在概率意义上的遗忘特性. 分析表明在经过一定周期的搜索后, 标准PSO方法同Barebones粒子群方法(Barebones particle swarm, BBPS)具有近似的搜索机制.从信息传递的角度, PSO的搜索策略是一种在概率意义上具有遗忘特性的历史信息加权求和的结果. 本文的研究结果对标准粒子群算法的一些重要性质(如:遗忘特性、标准PSO与BBPS间的相似性等)进行了合理解释.