用自适应粒子群算法求解自激脉冲喷嘴结构参数模型

提出了用自适应粒子群优化算法求解自激脉冲喷嘴结构参数模型,以打击力输出最大为优化目标,对其喷嘴结构参数进行优化。通过试验验证了模型和算法的性能,给出了较为精确的模型和边界约束条件。试验结果表明:所建模型是合理的,自适应粒子群优化算法求解结果与试验结果能够较好地吻合,解决了自激脉冲喷嘴设计和制造边界条件不易定性表达的问题。     

基于混合粒子群算法的粮堆温度模型参数优化研究

粮库温度是非线性的时间序列,模型涉及参数众多,参数之间互有联系,波动较大,参数的取值直接影响到粮堆温度模型的准确性.提出应用混合粒子群算法在参数变化范围内确定最优参数值的方法,将参数取值范围看成粒子群空间范围,应用粒子群算法迭代选取最优值.经试验仿真证明此方法可以求解出合适的参数,与实际情况契合度高.     

基于粒子群优化算法的高阶累积量滤波器

基于高阶累积量(HOC)的自适应滤波器能够滤除高斯噪声或其它具有对称概率分布函数的噪声,其解法一般采用的是梯度搜索法,但是梯度搜索过程难以避免局部收敛而且计算复杂.粒子群优化算法(PSO)具有算法简洁,易于实现,且不需要梯度信息等优势.使用粒子群优化算法求解高阶累积量自适应滤波器系数优化问题,为滤波器参数的优化提供了一种新的思路.仿真结果表明,使用PSO优化算法求解自适应滤波器系数能获得更高的精度.同时PSO算法受系统跃变的影响较小,因此它在求解非平稳过程模型系统时具有一定的优势.     

基于粒子群算法的受端电网紧急切负荷优化

针对多直流馈入受端电网的直流闭锁故障提出一种紧急切负荷优化模型和求解方法。模型兼顾安全性与经济性,以切负荷总量最小为优化目标,计及暂态频率、电压偏移、线路过载、节点切负荷量限制等约束条件,优化各节点切负荷量。针对模型非线性强导致难以直接求解的问题,基于粒子群优化算法和并行计算技术,提出粒子演化的自适应参数调整方法,提高优化算法的全局寻优能力和优化速度。以山东电网模型为例,验证算法在严重直流闭锁故障下的紧急切负荷控制有效性。     

基于粒子群优化算法的高阶累积量滤波器

基于高阶累积量（HOC）的自适应滤波器能够滤除高斯噪声或其它具有对称概率分布函数的噪声，其解法一般采用的是梯度搜索法，但是梯度搜索过程难以避免局部收敛而且计算复杂．粒子群优化算法（PSO）具有算法简洁，易于实现，且不需要梯度信息等优势．使用粒子群优化算法求解高阶累积量自适应滤波器系数优化问题，为滤波器参数的优化提供了一种新的思路．仿真结果表明，使用PSO优化算法求解自适应滤波器系数能获得更高的精度．同时PSO算法受系统跃变的影响较小，因此它在求解非平稳过程模型系统时具有一定的优势．     

解析水文频率在水利工程设计中的作用

为了寻求水文频率参数最优值,进而得到精度更高的水文特征值,提出一种基于粒子群优化(particle swarm optimization,PSO)算法与自适应遗传算法(adaptive genetic algorithm,AGA)的水文频率参数优化算法. 该算法基于离差平方和最小准则、离差绝对值和最小准则及相对离(残)差平方和最小准则,构建水文频率参数优化模型,在粒子群算法中引入自适应遗传算子,将遗传算法的全局搜索能力强与粒子群算法的收敛速度快有效结合,并对交叉、变异概率进行自适应改进,形成一种自适应混合算法,用于对模型求解,得到最佳水文频率统计参数. 以北京市气象中心降雨资料为例,将本文算法与其他常规方法比较,结果表明:本文算法获得的参数值在拟合精度和适线效果上要优于常规方法,为水文频率分析领域决策提供了参考依据.

     

求解非线性方程组的一种新方法及应用

针对非线性方程组求解问题提出一种变异量子粒子群算法,该算法首先把非线性方程组的求解转化为约束优化问题,然后根据可行性规则,引入约束违反度函数,结合变异算子,不断地寻找更优可行解,逐渐达到搜索全局最优解。数值实验表明,所设计变异量子粒子群算法是可行的、有效的,是求解非线性组的一种成功算法。     

基于粒子群优化算法的非线性控制系统参数优化

针对反馈线性化策略中补偿器参数与实际受控对象参数发生失配的情况,提出一种基于粒子群优化算法求解实际系统参数的方法.以补偿器与受控对象参数完全匹配为参考系统,将施加在实际系统的激励信号同样施加在这个参考系统上,对两者的输出加以比较,进一步构造参数优化问题.决策变量是受控对象中发生变化的参数集,目标函数是两者输出之差的最小累加和,约束条件包括决策变量的上下限、系统的模型以及外部控制器等.采用粒子群优化算法求解这个非线性规划问题,所得决策变量的最优值即为当前实际受控系统参数的真实值.大量仿真计算表明,粒子群优化算法能够求出较为精确的实际系统参数值,并实现补偿器参数与实际受控对象参数之间的重新匹配.     

基于自适应权重粒子群的电容层析成像边界灰度补偿算法

电容层析成像图像重建是一个典型的病态问题,它的解是不稳定的.为了对这个不适定问题进行求解,在分析电容层析成像基本原理的基础上,提出了一种自适应权重粒子群的电容层析成像边界灰度补偿算法.该算法通过引入粒子群的平均绝对速度与理想速度,自适应调整粒子群优化算法中的参数,对成像后图像边界周围的灰度进行补偿.数值实验结果表明,同线性反投影和共轭梯度算法相比,进行边界灰度补偿后的图像兼备成像质量高、边界均匀稳定等优点,为ECT图像重建算法的研究提供了一个新思路.     

基于自适应的配电网分布式电源优化配置研究

针对分布式电源接入配电网引起的电压越限和电能质量下降等问题,提出了一种具备自适应特性的分布式电源优化配置方法. 建立了光伏、风电两种典型分布式电源的数学模型,分析其功率输出特性. 构建了同时考虑发电成本、环境成本、有功网损折算成本三项指标的分布式电源优化配置模型. 针对多目标函数和多约束条件的优化配置模型,应用自适应粒子群算法求解,实现学习因子和惯性权重自适应调整以提高算法的寻优性能,由此得到分布式电源的最佳接入位置和容量. 最后,以IEEE33节点配电系统为例进行仿真验证. 结果表明,自适应粒子群算法与传统粒子群算法和混沌粒子群算法相比,求解得到的优化配置方案可达到更好的供电可靠性和经济性要求.     

混合粒子群优化算法及其在预测控制中的应用

在时变加速因子的自组织粒子群算法、中值粒子群算法、混沌粒子群算法的基础上,提出了一种新的混合粒子群优化算法( MPSO),并利用这种新的算法来训练径向基函数(RBF)神经网络的参数(连接权、隐节点中心和宽度),验证了所提方法的有效性.进一步,提出了基于神经网络的非线性系统直接预测控制方案,实现非线性系统的实时控制.通过...     

基于改进的自适应粒子群算法的给水管网优化设计

针对粒子群算法在优化给水管网设计时易陷入局部最优难以寻找到最优解的问题, 提出改进的动态自适应粒子群算法 (modified dynamically adaptive particle swarm optimization, M-DAPSO) .定义趋同因子和参数调整函数, 使算法能根据种群内部信息自适应调整参数, 提出自适应变异策略增加种群多样性.最后, 将M-DAPSO算法应用到Hanoi管网优化中, 仿真结果表明:该算法能以最小的计算代价求得最优的工程造价;与其他优化算法相比, M-DAPSO算法具有较强的全局搜索能力和较快的收敛速度.     

基于改进粒子群算法作业车间调度问题的优化

针对作业车间调度问题,提出一种基于自适应权重和混沌的改进粒子群优化算法。构建以机器加工时间最短为优化目标的多约束作业车间调度模型,采用基于工序排列的编码方式得到粒子参数与工序序列的映射关系;基于自适应权重改进粒子群算法中的惯性系数和加速因子,使得算法可以根据适应度值动态调整参数因子;采用反向学习策略改善种群初始解的质量;引入莱维飞行、变邻域搜索、混沌,增强了算法的搜索能力,避免陷入局部最优解。试验结果表明:改进粒子群算法可以有效地提高粒子利用率,平衡全局搜索与局部搜索能力,改善传统粒子群算法易早熟的缺点,得到更优的解。     

一种改进的灰狼优化算法

为了克服标准灰狼优化(GWO)算法寻优精度不高,难以在收敛速度和避免陷入局部最优之间取得平衡等问题,提出了一种改进的灰狼优化(IGWO)算法.该算法采用非线性收敛因子策略和自适应调整策略来提高寻优精度和加快收敛速度.选取10个基准函数对IGWO算法进行验证表明,IGWO算法的优化精度和收敛速度显著优于标准GWO算法和其他元启发式算法,因此本文提出的IGWO算法在求解最优参数方面具有良好的应用价值.     

Adaptive particle swarm optimization method with stagnancy information

To improve the performance of the particle swarm optimization algorithm, the optimal network of the particle age structure with stagnation information is designed, and the information about this network is used to adaptively change the three key parameters of the particle swarm optimization algorithm. At the same time, an adaptive particle swarm optimization method with stagnancy information is proposed and specific optimization steps of this method are given. Four classical low and high dimension benchmark test functions are used to validate the performance of the optimization method, and a comparison study is made with gravitational search algorithm and the traditional particle swarm optimization algorithm without stagnancy information. The comparison study shows that the search efficiency of the proposed method is 2 times higher than that of other methods in the literature in the case of low dimensional multimodal functions. When the dimension of functions is higher than 2, the search efficiency of the proposed method is almost the same as that of other methods, but with the better ability to achieve global solution and local solutions, and the higher solving precision.     

基于粒子群优化的结构系统识别

研究了使用粒子群优化(PSO)算法进行结构系统识别的方法,该方法的基本思想是将结构系统识别问题描述成一个多峰值非线性非凸的优化问题,通过PSO算法发现系统参数的最优估计。利用该方法在输入输出数据不完备且噪声污染条件下,同时在没有系统质量、刚度等先验信息的情况下对结构系统进行了识别,并与基于遗传算法(GA)的结构系统识别方法进行了比较。数值算例及比较结果表明:PSO方法易于实现且计算时占用资源低,并可以成功地对结构系统进行识别,识别效能十分优越。     

解非线性约束规划问题的新粒子群优化算法

给出非线性约束规划问题的一种新解法.首先把带约束的非线性规划问题转化成为2个目标的优化问题,在对搜索算子及各种参数进行合理设计的同时,提出了一种新粒子群优化算法(TS-MC),最后的数据实验表明该算法对带约束的非线性规划问题求解是非常有效的.     

基于q-高斯分布的自适应变异粒子群算法

针对粒子群算法易陷入局部极值和早熟收敛的缺陷,提出了基于q-高斯分布的自适应变异粒子群算法.采用q-高斯作为变异算子对粒子的全局最优位置进行q-高斯变异,克服了因种群遗失多样性所导致的早熟收敛缺陷,随着种群的进化,非广延熵指数 q 的自适应调整平衡了算法的全局搜索能力和局部开发能力.测试了4个标准复杂函数和优化BP神经网络参数,结果表明,基于 q-高斯分布的自适应变异粒子群算法的优化性能最好,收敛速度快.     

Adaptive simulated annealing particle swarm optimization algorithm

Particle swarm optimization is widely used in various fields because of the few parameters to be set and the simple calculation structure.In order to improve the optimization speed and accuracy of the PSO,and to avoid falling into the local optimal solution,an adaptive simulated annealing PSO is proposed,which uses the hyperbolic tangent function to control the inertia weight factor for nonlinear adaptive changes,uses linear change strategies to control 2 learning factors,introduces the simulation annealing operation,set a temperature according to the initial state of the population,guide the population to accept the difference solution with a certain probability according to the Metropolis criterion,and ensure the ability to jump out of the local optimal solution.To verify the effect of the algorithm proposed in this paper,7 typical test functions and 5 algorithms proposed in the literature are selected for comparison and testing.According to the average value,standard deviation and number of iterations of the optimization results,the algorithm proposed in this paper has greatly improved the iteration accuracy,convergence speed and stability so as to overcome the shortcomings of particle swarm optimization.