基于微粒群优化算法的非线性系统PWA多模型建模

针对复杂非线性系统,将微粒群优化(PSO)算法与多模型建模相结合,设计了一种基于PSO算法的非线性系统分段仿射(PWA)多模型建模算法。该算法将PWA多模型建模问题转化为混合整数二次规划（MIQP）问题,并基于PSO算法对其进行优化求解。在求解的过程中,采用分层优化求解方法,有效降低优化问题的维数,减小了陷入局部最优的概率,并通过仿真验证了该算法的有效性。     

基于微粒群优化的序贯二次规划方法

文章针对约束非线性优化问题,将微粒群优化算法(PSO)和序贯二次规划(SQP)算法结合起来,提出了一种解决此类问题的有效算法。PSO可以看作是全局搜索器,而SQP则主要执行局部搜索。对于那些具有多个局部极值点的优化问题,大大增加了获得全局极值点的几率。由于PSO具有快速全局收敛的特点,同时SQP的局部搜索能力很强,所以所提算法可以快速获得全局最优值。将基于PSO的序贯二次规划算法在两个标准优化问题上进行仿真,结果证明与标准的PSO和SQP相比,算法具有明显的优越性。     

求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法（PSO）通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题（JSP）。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题（JSP）的混合微粒群算法。算法将微粒群算法、遗传算法（GA）、模拟退火（SA）算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明：与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

基于混合粒子群算法的RBF神经网络参数优化

针对径向基函数（RBF）神经网络中心参数的优化问题，提出了一种混合粒子群优化算法。该算法应用灰色关联理论定义了粒子群的灰色相似度，分两个阶段对标准的粒子群优化算法（PSO）的全局和局部搜索能力做了改进和提高。在仿真实验中，应用该方法对典型的Mackey-Glass混沌时间序列进行了预测。并与标准的K均值算法、遗传算法和粒子群算法进行了比较，其结果表明，所预测的各项误差均低于其他常规算法的预测结果。     

一种基于PSO的自适应神经网络预测控制

针对非线性系统,提出了一种基于微粒群优化（PSO）的自适应神经网络预测控制方法。采用对角递归网络（DRNN）对非线性系统进行建模,并利用扩展卡尔曼滤波（EKF）递推估计算法在线计算网络模型参数的Jacobian矩阵以实现模型参数的自适应。利用PSO算法在线优化求解非线性系统的预测控制律,以克服传统基于梯度法的非线性规划方法求解预测控制律时对初始条件非常敏感的缺点。生化发酵过程的仿真结果表明,所提出的控制方法具有良好的跟踪能力和抗干扰能力。     

基于Volterra模型的预测控制及应用

由于工业实践的需要,非线性预测控制近年来受到广泛地关注.Volterra模型是一类特殊的非线性模型,非常适合描述工业过程中的无记忆非线性对象.传统的基于Volterra模型的控制器合成法及迭代计算预测控制器法计算量大,且不便于处理控制约束.非线性模型预测控制求解是典型的非线性规划问题,序列二次规划(sequential quadratic program,SQP)算法是求解非线性规划问题常用方法之一.针对Volterra非线性模型预测控制求解问题,本文将滤子法与一种信赖域SQP算法相结合,提出一种改进SQP算法用于基于非线性Volterra模型的带控制约束的多步预测控制求解,并分析了所提方法的收敛性.工业实例仿真结果证实了所提方法的可行性与有效性.     

基于SQP和自适应搜索的混沌粒子群算法

针对基本粒子群优化算法（PSO）算法易陷入局部最优的缺点,提出混沌自适应粒子群-序列二次规划算法（CAPSO-SQP）。在基本PSO算法的基础上,加入混沌搜索和自适应惯性权重提高全局收敛能力,并在PSO算法每一代的迭代过程中,引入SQP策略,加快局部搜索并提高对约束优化问题的计算可靠性。测试函数仿真结果表明,CAPSO-SQP算法计算精度高,稳定性好,收敛速度快。将所提出算法应用于悬臂梁结构优化设计,求解结果表明算法在结构优化计算方面的可行性,而且相对于CPSO算法求解更加准确,具有较高的计算可靠性和实用价值。     

基于信赖域二次规划的非线性模型预测控制优化算法

针对非线性预测控制如何在有限时域内有效的求解非凸非线性规划这一关键问题, 本文采用序列二次规划方法, 将非线性规划转化为一系列二次子规划求解. 首先根据非线性规划联立方法将系统状态和控制量同时作为优化变量, 得到以控制量步长为优化变量, 只包含不等式约束的子二次规划问题, 并用它取代原SQP子规划, 减小了子问题的规模; 随后采用基于信赖域二次规划的方法求解子规划问题, 保证每次迭代的可行性; 同时采用一种能够保持SQP问题Hessian矩阵稀疏结构的更新方法, 也在一定程度上降低了算法的复杂程度.最后的仿真结果表明了该方法的有效性.     

微粒群算法在非线性约束优化中的应用

该文将微粒群算法(PSO)应用于非线性约束优化问题的求解,提出了一种求解非线性约束优化问题的新算法,数值试验表明该算法具有很强的全局寻优能力。     

一种应用ARPSO优化RBF神经网络的方法

针对径向基函数神经网络参数难以设置以及因此而导致的网络隐层结构不明朗的问题,提出了一种应用控制种群多样性的微粒群（ ARPSO）优化径向基函数神经网络（ RBF）的方法。通过引入“吸引”和“扩散”因子对基本微粒群算法进行改进,并将改进的微粒群算法用于RBF聚类半径的优化,进而能够合理地确定RBF的隐层结构。将用ARPSO优化的RBF神经网络应用于非线性函数逼近,经实验仿真验证,与基本微粒群（ PSO）算法、收缩因子微粒群（ CFA PSO）算法优化的RBF神经网络相比较,在收敛速度和识别精度上有了显著的提高。     

高维化工数据共轭粒子群算法处理

针对化工数据多为高维数据,而粒子群算法对求解高维优化问题易陷局部极值,提出将共轭方向法与粒子群算法相结合处理高维数据.当粒子群算法迭代了一定步数而陷入局部极值并得局部最优解χ*时,以χ*为初值,用共轭方向法对其求解,利用粒子群算法对低维优化问题的有效性,将得新的更优的当前最优解χ**,从而使算法跳出局部极值;在新极值的条件下,又用粒子群算法对原问题求解,如此反复直至结束.通过经典的测试函数对其测试,结果表明这一尝试是有效的.最后将算法用于SO2催化氧化反应动力学模型的非线性参数估计,获得满意效果.     

A Chance Constrained Optimal Reserve Scheduling Approach for Economic Dispatch Considering Wind Penetration

The volatile wind power generation brings a full spectrum of problems to power system operation and management, ranging from transient system frequency fluctuation to steady state supply and demand balancing issue. In this paper, a novel wind integrated power system day-ahead economic dispatch model, with the consideration of generation and reserve cost is modelled and investigated. The proposed problem is first formulated as a chance constrained stochastic nonlinear programming (CCSNLP), and then transformed into a deterministic nonlinear programming (NLP). To tackle this NLP problem, a three-stage framework consists of particle swarm optimization (PSO), sequential quadratic programming (SQP) and Monte Carlo simulation (MCS) is proposed. The PSO is employed to heuristically search the line power flow limits, which are used by the SQP as constraints to solve the NLP problem. Then the solution from SQP is verified on benchmark system by using MCS. Finally, the verified results are feedback to the PSO as fitness value to update the particles. Simulation study on IEEE 30-bus system with wind power penetration is carried out, and the results demonstrate that the proposed dispatch model could be effectively solved by the proposed three-stage approach.      

旋转曲面变换PSO 算法解非线性最优控制问题

针对利用粒子群优化算法进行多极值点函数优化时,存在陷入局部极小点和搜寻效率低的问题.提出旋转曲面变换方法,将被优化函数映射到一个同胚曲面上.它将当前局部极小点变换为全局最大点,并保持被优化函数值在当前局部极小点以下部分的形状不变,从而克服陷入局部极小点的问题.最后将其用于解一个非线性系统的最优控制问题,实验结果证明了该方法的可行性和有效性.     

一种高速收敛粒子群优化算法

针对粒子群优化算法早熟问题,提出一种克服早熟的高速收敛粒子群算法．该算法首先采用混沌序列初始化粒子位置,以增强搜索多样性;其次,在算法中嵌入有效判断早熟停滞的方法,一旦检索到早熟迹象,便随机地选择最优解任意一维的分量值,用一个随机值取代它,以扰乱粒子的当前搜索轨迹,使其跳出局部最优．大量仿真实验表明,大多数连续函数的寻优过程只需用几个粒子、迭代几十次便能完成,可实现全局寻优过程的高速收敛．     

Solving nonlinear optimal control problems using a hybrid IPSO-SQP algorithm

A hybrid algorithm by integrating an improved particle swarm optimization (IPSO) with successive quadratic programming (SQP), namely IPSO-SQP, is proposed for solving nonlinear optimal control problems. The particle swarm optimization (PSO) is showed to converge rapidly to a near optimum solution, but the search process will become very slow around global optimum. On the contrary, the ability of SQP is weak to escape local optimum but can achieve faster convergent speed around global optimum and the convergent accuracy can be higher. Hence, in the proposed method, at the beginning stage of search process, a PSO algorithm is employed to find a near optimum solution. In this case, an improved PSO (IPSO) algorithm is used to enhance global search ability and convergence speed of algorithm. When the change in fitness value is smaller than a predefined value, the searching process is switched to SQP to accelerate the search process and find an accurate solution. In this way, this hybrid algorithm may find an optimum solution more accurately. To validate the performance of the proposed IPSO-SQP approach, it is evaluated on two optimal control problems. Results show that the performance of the proposed algorithm is satisfactory.     

求解非线性方程组的粒子群复形法

结合复形法与粒子群算法的优点，提出粒子群复形法，用于求解非线性方程组，以克服牛顿法初始点不易选择的问题，同时克服复形法与粒子群算法由于易陷入局部极值而导致方程组的解的精度不够的不足．数值计算结果表明此方法具有全局搜索性，特别是，它能够以满意的精度求出对未知数具有敏感性的非线性方程组的解．     

一种新的混合粒子群算法求解置换流水车间调度问题

针对粒子群算法易早熟的缺点,提出了一种结合迭代贪婪(IG)算法的混合粒子群算法。算法通过连续几代粒子个体极值和全局极值的变化判断粒子的状态,在发现粒子出现停滞或者粒子群出现早熟后,及时利用IG算法的毁坏操作和构造操作对停滞粒子和全局最优粒子进行变异,变异后利用模拟退火思想概率接收新值。全局最优粒子的改变会引导粒子跳出局部极值的约束,增加粒子的多样性,从而克服粒子群的早熟现象。同时,为了使算法能更快找到或逼近最优解,采用了循环迭代策略,在阶段优化结果的基础上,周而复始循环迭代进行求解。将提出的混合粒子群算法应用于置换流水车间调度问题,并在问题求解时与几个具有代表性的算法进行了比较。结果表明,提出的算法能够克服粒子群早熟,在求解质量方面优于其他算法。     

基于SQP/GA混合优化算法的双容水箱非线性预测控制

为了计算控制序列，非线性模型预测控制可以转换为一个带约束的非线性优化过程．本文分析了三种约束处理方案，根据遗传算法的特点，将等式约束用于状态量计算，在搜索空间降维的同时消除遗传算法难以求解的等式约束．对双容水箱进行遗传算法和序列二次规划仿真试验和实际控制，结果表明遗传算法对控制量的优化效果优于序列二次规划．为克服遗传算法耗时较长、优化结果存在随机抖动的缺点，结合序列二次规划提出一种混合优化算法，仿真和实控结果表明其可行性和有效性．     

基于前馈扰动的粒子群改进算法

使用线性系统理论分析了粒子群算法(Particle Swarm Optimization,PS0)陷入局部极值的原因。为使粒子种群跳出局部极值粒子重新获得活性,借鉴了鱼群算法中拥挤度因子的概念,提出了前馈扰动粒子群算法(Feedforward Disturbance Particle Swarm Optimization,FDPSO),在以当前最优值为圆心拥挤度因子为半径的圆域内统计粒子的数量,当粒子数量大于某一常数时候,认为种群将会陷入局部最优,因此提前给种群加入扰动。仿真实验证明了理论及所提出算法的有效性。