基于迭代粒子群算法的间歇过程优化

针对无状态和终端约束的间歇过程动态优化问题,将迭代思想与粒子群优化算法相结合,提出了迭代粒子群算法.算法首先将控制变量离散化,用标准粒子群算法搜索离散控制变量的最优解,并在随后的迭代过程中不断收缩控制变量的搜索域,使优化性能指标和控制轨线不断趋于最优解.为使优化轨线光滑平稳,算法采用三点线性平滑算子对每次迭代结果进行平滑滤波.算法简洁,可行,高效,特别是在系统梯度信息不可得的情况下更具实用性.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不含状态和终端约束的间歇过程动态优化问题.     

新的鲁棒粒子群算法在电磁场逆问题中应用研究

提出了一种搜索鲁棒优化解的粒子群算法。为解决期望适值函数计算需要大量新采样点而导致的计算效率过低问题,提出了一种期望适值赋值的新机制。该机制只对每一代粒子中的个体最优解和整体最优解分配期望适值。此外,为便于算法搜索鲁棒优化解,重新定义了粒子的邻域关系。最后,通过两个实例计算证明了新算法求解电磁场逆问题鲁棒优化解的可行性和优点。     

基于微粒群优化算法的间歇过程迭代学习

在实际的间歇过程优化控制中面临着模型参数不确定性的问题,并且基于梯度的优化控制技术在处理具有多个局部极值的目标函数时,往往会陷入局部极值点.针对该问题,提出一种基于微粒群优化算法的间歇过程产品质量迭代学习策略.结合间歇过程产品质量控制问题的特点和各种约束条件,利用微粒群优化算法在非线性问题求解及大尺度空间搜索上的优势,...     

改进多目标粒子群优化算法在间歇蒸煮过程中的应用

对间歇蒸煮过程进行了分析建模,分别建立了纸浆质量、污染指标和制浆成本三个数学模型,从而构成多目标优化问题。在典型的多目标优化算法NSGA-Ⅱ的基础上,采用粒子群算法的消息传递机制来进行求解,新算法在全局极值的选择上借鉴了分布估计算法的概率抽样思想来产生新的gbest。最后就该算法进行了仿真计算并和实际参数进行了对比,说明实际生产在能耗和污染两项指标上确实存在改进的余地。     

粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化(PSO)算法的一种改进算法:用于约束优化问题的启发式粒子群优化(HPSO)算法.针对HPSO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析.对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍.     

粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化（PSO）算法的一种改进算法：用于约束优化问题的启发式粒子群优化（HPSO）算法。针对HP-SO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析。对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍。     

融合层次聚类和粒子群优化的鲁棒推荐算法

针对现有的推荐算法面对托攻击时鲁棒性差的情况,提出一种融合层次聚类和粒子群优化的鲁棒推荐算法.首先,根据用户评分矩阵,使用层次聚类将用户聚为两类,并根据平均类内距离进行类别判定,对攻击概貌进行标记;然后,基于矩阵分解技术,引入粒子群优化技术进行特征矩阵初始化,为模型训练提供初始最优解;最后,根据攻击概貌标识结果构造标记函数,降低对模型训练过程的影响,实现对目标用户的鲁棒推荐.在公共数据集上将本文提出的算法和其他算法进行了实验对比分析,结果显示提出的算法在鲁棒性方面有很大的提升,推荐精度也有提高.     

粒子群算法及其在布局优化中的应用

复杂工程布局(如卫星舱布局)方案设计问题,在理论上属带性能约束的布局优化问题(NPC问题),很难求解。论文以卫星舱布局为例,将粒子群算法(PSO)应用于布局问题,构造此类问题的粒子表达方法,建立了此类问题的粒子群算法。文中通过3个算例(其中一个为已知最优解的算例)的数值计算,验证了该算法的可行性和有效性。     

邻域自适应粒子群算法求解地源热泵区域 能源系统鲁棒优化调度问题

针对地源热泵区域能源系统中冷热负荷和机组效能的不确定性, 本文提出了一种考虑双重不确定性的鲁棒优化调度方法. 首先, 基于多面体不确定模型描述调度模型中的鲁棒变量. 然后, 针对建筑冷热负荷不确定性, 采用对偶原理将双层优化模型等价为单层优化模型; 对于机组效能不确定性, 采用场景法进行分析. 最后, 采用多目标优化约束处理方法处理鲁棒优化调度模型中的约束条件. 同时, 为更加高效、准确求解所构建的优化调度模型, 提出了一种邻域自适应粒子群优化算法(NAPSO). 实验结果表明, 在制冷和制热工况下, 与经验运行策略相比, 本文所提方法可分别减少7.22%和5.55%的系统运行成本, 是一种解决地源热泵区域能源系统鲁棒优化调度的有效方法.     

车辆路径问题的轻鲁棒优化模型与算法

针对不确定旅行时间下的车辆路径问题,以总变动成本最小为优化目标,建立了一种轻鲁棒优化模型,提出了一种针对问题特征的超启发式粒子群算法.在算法中,利用基于图论中深度优先搜索的初始化策略加快算法的早期收敛速度,引入基于均衡策略的启发式规则变换方式来提高算法的寻优能力,重新设计的粒子更新公式确保生成低层构造算法的有效性.实验...     

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。     

自适应简化粒子群优化算法及其应用

针对粒子群优化算法（Particle Swarm Optimization，PSO）寻优速度慢、收敛精度不高且搜索结果波动性较大的缺点，提出了一种自适应简化粒子群优化算法（Self-Adjusted Simplified Particle Swarm Optimization，SASPSO）。在每次迭代过程中，粒子只受全局最优解影响，且加入按一定规律分布的锁定因子，令粒子受影响的程度有规律性。同时，利用锁定因子和当前粒子位置令惯性权重自适应配置，更有效地利用惯性权重对粒子群优化算法的影响。引入4种近期提出的改进粒子群算法同时搜索不同维度时的18个基准函数，与SASPSO的搜索结果对比，并使用T-test进行差异性分析。为了进一步分析算法性能，统计5个改进算法搜索100维函数达到期望值时的成功率与平均迭代次数。实验结果证明，SASPSO在无约束问题寻优中的收敛速度、寻优精度有了明显提升，且搜索结果异常值较少，波动性弱。将SASPSO应用于机床主轴结构参数优化问题，结果显示SASPSO优化性能更好。     

基于混合粒子群算法的锌电解过程能耗优化

针对锌电解过程能耗过高的情况,研究其能耗优化问题.根据电力部门实行的分时计价政策,建立以全天锌电解过程电能消耗和总用电费用为目标的锌电解过程多目标优化模型.提出一种带加速度调整的粒子群优化算法,当粒子陷入局部最优时,通过加速度策略增强种群速度,使算法获得持续搜索的能力,有效克服早熟收敛;并和Powell算法相结合构成新的混合粒子群算法,将粒子群算法的全局搜索能力与Powell算法的局部寻优能力有机结合起来.最后将该混合粒子群算法应用于所建优化模型的求解,获得优化生产方案.仿真结果证明了该算法的有效性.工业应用效果表明,按所得优化方案组织生产降低了电能消耗,减少了用电费用.     

微粒群算法的发展及应用

介绍了1995年以来微粒群算法的开发过程,分析了算法原理、算法流程,并将微粒群算法与其他演化算法进行了比较,最后介绍了一些已经开发和在将来有希望的领域中的应用。     

改进的量子行为粒子群优化算法及其应用

为提高量子行为粒子群算法的优化能力,提出了一种改进的算法．该算法也采用量子势阱作为寻优机制,但提出了新的势阱中心建立方法．在每步迭代中,首先计算粒子适应度,然后取前K个适应度最好的粒子作为候选集．采用轮盘赌策略在候选集中选择一个粒子作为势阱中心,调整其它粒子向势阱中心移动．在优化过程中,通过使K值单调下降,获得探索与开发的平衡．将提出的算法应用于标准函数极值优化和量子衍生神经网络权值优化,实验结果表明提出算法的优化能力比原算法确有明显提高．     

基于Bloch 球面坐标编码的量子粒子群算法及应用

为提高粒子群算法的优化效率,在分析粒子群优化算法的基础上,提出了一种基于Bloch球面坐标编码的量子粒子群优化算法。该算法每个粒子占据空间三个位置,每个位置代表一个优化解。采用传统粒子群优化方法的搜索机制调整量子位的两个参数,可以实现量子位在Bloch球面上的旋转,从而使每个粒子代表的三个优化解同时得到更新,并快速逼近全局最优解。标准测试函数极值优化和模糊控制其参数优化的实验结果表明,与同类算法相比,该算法在优化能力和优化效率两方面都有改进。     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

一种混沌粒子群嵌入优化算法及其仿真

为克服混沌粒子群优化(CPSO)算法由于采用随机数作为算法参数而不能保证种群多样性和优化遍历性的缺陷,通过将混沌变量嵌入到常规粒子群优化算法(PSO)中,使PSO算法中的惯性权值和随机数用混沌随机序列来替代,提出了一种新的混沌粒子群嵌入优化算法(CEPSO),以充分利用混沌运动的随机性、遍历性克服粒子群优化算法容易陷入局部最优的缺点.通过复杂多维函数的寻优测试,验证了本算法的有效性,并将仿真结果与混沌粒子群优化算法进行比较,证明了CEPSO算法更具有较强的全局搜索能力和收敛速度.