基于改进粒子群算法的Volterra模型参数辨识

针对非线性系统Volterra泛函级数模型,结合混沌优化策略和种群多样性控制思想,提出了一种改进粒子群算法,并应用于Volterra模型参数的辨识,将非线性系统的辨识问题转化为高维参数空间上的优化问题。利用混沌序列增加初始种群的多样性,通过构建动态子群以进行协作寻优,且各子群采用不同的参数自适应调整策略,并定义算法收敛性测度以对精英粒子进行合理的混沌变异,避免了算法早熟收敛,提高了算法的寻优速度和寻优精度。仿真实验中,将该方法与基于标准粒子群算法、遗传算法、量子粒子群算法的Volterra模型参数辨识方法相比较,验证了该辨识方法的有效性和鲁棒性。     

改进的混合粒子群优化算法

针对粒子群算法后期收敛速度较慢,易陷入局部最优的缺点,提出了改进的混合粒子群算法.通过更改现有的速度更新公式,加入扰动项,以及引入交叉和变异算子等措施,改进了粒子群算法的性能.数值试验表明,改进后的粒子群算法在全局寻优和局部寻优能力上均得到提高,是一种有效的优化算法.     

运用改进帝国竞争算法识别结构模态参数

智能优化算法以其可在输入输出数据不完备且含噪声污染以及在系统刚度、质量等先验信息缺乏的情况下识别结构参数的优点,近些年来被广泛应用于参数识别。然而,智能算法识别结构参数时容易出现早熟收敛和陷入局部最优的问题,从而导致识别结果误差较大。帝国竞争算法(ICA)作为一种新颖的智能优化算法,在结构参数识别中也同样存在这类缺陷。为此提出一种融合粒子群优化算法(PSO)全局最优思想的改进帝国竞争算法,并将其运用于结构模态参数识别中。五个标准测试函数的测试结果表明,改进帝国竞争算法的性能优于传统帝国竞争算法。最后通过不同加噪环境下简支梁结构的算例分析,进一步验证改进算法可以有效克服寻优过程中早熟收敛、误差较大的缺陷,并且具有良好的抗噪性。     

基于改进复杂追踪算法的结构模态参数识别

基于固定梯度的复杂追踪算法在进行目标函数寻优时,具有收敛速度慢,易陷入局部极值,且针对不同的模型需人为选择合适的学习步长等不足,限制了该算法的实际应用性。为此,论文将最优步长思想引入复杂追踪算法,根据实时分离度自动调整步长,并根据分离信号的峭度值自适应地选择不同的非线性函数,以提高算法的计算精度,进而提高其实用性。为验证该改进复杂追踪算法识别结构模态参数识别的可行性与优越性,采用该方法分别识别了六自由度质量-弹簧系统、简支梁的数值模型和三层框架试验模型的模态参数,并与原方法进行识别结果对比,表明该改进算法可以较准确地识别结构模态参数。     

基于融合禁忌搜索粒子群算法的配电网无功优化

从数学角度分析,配电网无功优化是一个非线性、多变量、多约束的混合规划问题。粒子群优化搜索算法被广泛应用于求解配电网无功优化问题。由于粒子群算法粒子群在进化过程易趋向同一化,失去多样性,从而使算法陷入局部最优解。本文在分析配电网无功优化的特性基础上,提出一种改进的紧融合禁忌搜索-粒子群算法用于配电网无功优化问题的求解。通过将禁忌搜索功能融合到粒子历史最优解和全局最优解寻优过程中,避免了粒子群算法寻优过程中出现的局部最优问题,从而提高粒子群算法的全局搜索能力。通过IEEE14节点系统的仿真计算结果表明,改进的算法能取得良好的效果。     

远邻粒子群算法及在Delta机器人优化设计中的应用

 为了提高粒子群算法全局寻优能力,提出一种远邻粒子群算法,该算法引入邻域算子概念,每个粒子选择与自身欧氏距离较远的粒子建立邻域,邻域中粒子的数目用邻域算子表示.测试函数实验结果表明,该算法在一定程度上消除了标准粒子群算法容易陷入局部最优的缺点.应用远邻粒子群算法对Delta机器人进行优化设计,结果证实：所提出的远邻粒子群算法较标准粒子群算法具有更好的寻优能力,比邻居递增粒子群算法搜索精度更高.     

带爆炸算子的粒子群优化算法

粒子群优化算法(PSO)在应用中极易陷入局部最优并且后期收敛速度较慢。针对这两个问题,分析标准粒子群优化算法的收敛特性,利用粒子群算法的惯性权重来保证算法的全局寻优能力,提出的局部搜索策略是在两次迭代过程中粒子位置突变较大时融合爆炸算子提高粒子的局部开采能力,极大的改善算法后期的收敛速度。通过典型的函数优化实验验证,改进算法在寻优能力、寻优精度、收敛速度等方面都有较好性能。是平衡粒子探索和开采能力的高效算法。     

改进粒子群算法在农产品物流配送路径管理中的应用

目的 为了更加合理地进行车辆路径调度管理,提高粒子群求解车辆路径优化问题的性能。方法 提出了一种动态猴子跳跃机制的粒子群优化算法,它借助群体的动态分组,采用不同的动态惯性权重来提高算法的速度,引入猴子跳跃机制来保证全局收敛性。最后把改进算法应用到物流配送路径优化的2个实例中,同一环境下,改进算法搜寻到最优路径适应值、平均运算时间,以及求得最优解的成功次数,均优于标准粒子群优化算法。结果 结果表明,改进的算法能快速有效地确定物流配送路径。结论 改进粒子群优化算法不仅具有较快的寻优速度,而且也提高了算法的收敛性,保证了寻优质量,因此具有很大的应用价值。     

基于改进蝗虫优化算法的光伏电池模型参数辨识

针对蝗虫优化算法容易陷入局部最优、收敛精度不足等缺点,提出一种改进蝗虫优化算法。将混沌算法与蝗虫优化算法融合,对蝗虫优化算法进行混沌初始化,改善初始种群质量;再引入差分进化算法的差分策略,通过变异、交叉和选择过程,维持种群的多样性,增大算法跳出局部最优的可能性,从而使算法能搜索到更好的解;在个体更新部分引入了粒子群算法的思想,以当前的最优个体为目标进行个体位置更新,加快算法寻优速度。将改进蝗虫优化算法用于多晶硅太阳能电池模型参数的辨识中,并通过与其它智能优化算法的比较,验证了改进蝗虫算法辨识太阳能电池参数的有效性和优越性。通过实验验证了改进蝗虫优化算法在不同光照下对太阳能电池参数的辨识效果。     

一种改进的雁群扩展粒子群算法研究

针对粒子群算法易陷入局部最优的问题,结合雁群启示粒子群算法和扩展粒子群算法提出了基于雁群启示的扩展粒子群(GeEPSO)算法。该算法在利用雁群飞行方向的多样性同时融合了所有粒子的个体极值信息,提高了种群多样性。为进一步提高改进算法的收敛速度,引入简化粒子群提出了 GeESPSO算法。基准函数的仿真表明:改进算法GeESPSO较好地平衡了收敛速度和局部最优两个矛盾,总体较优。为进一步验证算法在实际应用中的有效性,又分别用两种改进算法优化BP神经网络,并用相关气象数据对PM2.5的值进行预测。