基于改进粒子群算法的Hammerstein模型辨识

提出辨识非线性Hammerstein模型的新方法。将非线性系统的辨识问题转化为参数空间上的函数优化问题,采用粒子群算法获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出采用速度变异粒子群对整个参数空间进行搜索得到系统参数的最优估计。仿真结果验证了该方法的有效性。     

多目标粒子群优化算法在柔性车间调度中的应用

将粒子群优化(Particle Swarm Optimization,PSO)算法和混沌搜索方法结合在一起,提出一种求解多目标柔性作业车间调度问题(Flexible job shop scheduling problem,FJSP)的新算法,利用混沌对PSO的参数进行自适应优化来有效平衡算法的全局搜索和局部开挖能力,并采用混沌局部优化策略来改善算法的搜索性能.此外,为了搜索到问题的所有非劣解,采用基于模糊逻辑的适应度函数来评价粒子.对于四个典型FJSP实例的实验验证了算法的可行性和有效性.     

QPSO算法在非线性观测器设计中的应用*

具有量子行为的粒子群优化(Quantum-behaved Particle Swarm Optimization,QPSO)算法是继粒子群优化算法(Particle Swarm Optimization,PSO)后,最新提出的一种新型、高效的进化算法.提出了运用QPSO算法设计的非线性观测器方法.该方法属于滚动时域估计方法,利用具有量子行为的粒子群算法优化获得系统状态的最优估计.仿真结果显示该方法对初始条件不敏感,具有很强的跟踪能力.     

应用速度变异粒子群的系统辨识方法研究

论文研究了一种利用粒子群优化（PSO）算法对系统模型进行辨识的新方法。该方法的基本思想是将典型的数学模型的相互组合而构成系统模型的新颖辨识方法,即首先将系统结构辨识问题转化为组合优化问题,然后采用粒子群优化算法同时实现了系统的结构辨识与参数辨识。为了进一步增强粒子群优化算法的辨识性能,提出了一种利用速度变异的粒子群优化（VMPSO）算法。最后,给出了仿真示例,其结果表明了所给的系统辨识方法的合理性和求解算法的有效性。     

Parameters identification of nonlinear state space model of synchronous generator

Synchronous generator (SG) modeling plays an important role in system planning, operation and post-disturbance analysis. This paper presents an improved algorithm named Particle Swarm Optimization with Quantum Operation (PSO–QO) to solve both offline and online parameters estimation problem for SG. First, the hybrid algorithm is proposed to increase the convergence speed and identification accuracy of the basic Particle Swarm Optimization (PSO). An illustrative example for parameters identification of SG is provided to confirm the validity, as compared with Linearly Decreasing Inertia Weight PSO (LDW-PSO), and the Quantum Particle Swarm Optimization (QPSO) in terms of parameter estimation accuracy and convergence speed. Second, PSO–QO is also improved to detect and determine parameters variation. In this case, a sentry particle is introduced to detect any changes in system parameters. Simulation results confirm that the proposed algorithm is a viable alternative for online parameters detection and parameters identification of SG.     

QPSO算法优化的非线性观测器设计方法研究

具有量子行为的粒子群优化算法(Quantum-behavedParticleSwarmOptimization,简称QPSO)是继粒子群优化算法(ParticleSwarmOptimization,简称PSO)后,最新提出的一种新型、高效的进化算法。论文在研究基于PSO算法的非线性观测器基础上,提出了一种基于QPSO算法的非线性观测设计方法。以vanderPol系统为例进行了仿真实验,其基本思想是将非线性连续时间系统的状态估计问题转换为非线性函数的在线优化问题,然后利用PSO或QPSO算法获得系统状态的最优估计。仿真结果显示了基于QPSO算法的非观测器比基于PSO算法的非线性观测器的性能更优越。     

自动变速器换档规则的粒子群优化提取方法

针对神经网络“黑箱”模型的缺陷,利用粒子群优化的换档规则提取算法,将规则编码为粒子的方法,通过粒子群优化算法的“位置-速度”搜索模型生成换档规则集。实验分析了标准粒子群与惯性递减粒子群在最优解搜索过程中的性能差异,并验证了该方法的有效性。     

Multi-Objective Particle Swarm Optimization with time variant inertia and acceleration coefficients

In this article we describe a novel Particle Swarm Optimization (PSO) approach to multi-objective optimization (MOO), called Time Variant Multi-Objective Particle Swarm Optimization (TV-MOPSO). TV-MOPSO is made adaptive in nature by allowing its vital parameters (viz., inertia weight and acceleration coefficients) to change with iterations. This adaptiveness helps the algorithm to explore the search space more efficiently. A new diversity parameter has been used to ensure sufficient diversity amongst the solutions of the non-dominated fronts, while retaining at the same time the convergence to the Pareto-optimal front. TV-MOPSO has been compared with some recently developed multi-objective PSO techniques and evolutionary algorithms for 11 function optimization problems, using different performance measures.     

群核进化粒子群优化方法

粒子群优化方法（PSO Particle Swarm Optimization）是由Kennedy和Eberhart于1995年提出的进化计算技术,并成功应用于各类优化问题。其基本思想源于对鸟群捕食等群体行为的研究。本文对标准PSO方法进行了分析,给出了“群核”（Swarm-Core）的概念,并在此基础上,提出了群核进化粒子群优化方法（Swarm-Core Evolutionary Particle Swarm Optimization,SCEPSO）,同时把该方法与其它版本PSO方法进行了比较。试验结果表明：在相同环境下,SCEPSO方法能较好地克服传统PSO方法中的不足,测试结果较其它几个版本的PSO方法有很大提高,是非常有效的。     

具有主从结构的粒子群优化算法

提出了一种具有主从结构的粒子群优化算法,该算法实现了惯性权重、加速因子、最大速度等系统参数与目标函数的同步优化。将主程序的一个粒子作为子程序的一组系统参数,在该组控制参数下使用基本的粒子群算法对子程序的目标函数进行优化,并把子程序优化所得的全局最优值返回主程序作为主程序的一个适应值,同时使用基本的粒子群算法对主程序的适应度函数进行优化。实验结果表明,该算法的优化性能较基本的粒子群算法有了显著提高。该方法对于粒子群算法的参数选择具有指导意义。     

MOVPSO: Vortex Multi-Objective Particle Swarm Optimization

This paper presents the Multi-Objective Vortex Particle Swarm Optimization MOVPSO as a strategy based on the behavior of a particle swarm using rotational and translational motions. The MOVPSO strategy is based upon the emulation of the emerging property performed by a swarm (flock), achieving a successful motion with diversity control, via collaborative, using linear and circular movements.The proposed algorithm is tested through several multi-objective optimization functions and is compared with standard Multi-Objective Particle Swarm Optimization (MOPSO).The qualitative results show that particle swarms behave as expected. Finally, statistical analysis allows to appreciate that the MOVPSO algorithm has a favorable performance compared to traditional MOPSO algorithm.     

混沌粒子群鸡群融合优化的RSSI质心定位算法

针对传统接收信号强度指示（RSSI）定位算法定位精度低及粒子群优化（PSO）算法容易陷入早熟和局部最优解的问题,提出一种RSSI质心定位算法。通过RSSI测距技术计算各传感节点之间的距离,选择离未定位节点最近的3个锚节点和已定位节点,建立以未知节点坐标为参数的数学模型。在PSO算法的基础上运用混沌优化思想避免搜索过程陷入局部极小,并利用鸡群算法进行优化从而得到质量更好的解。实验结果表明,与原始质心定位算法、加权RSSI质心定位算法和PSO-RSSI质心定位算法相比,该算法具有较快的收敛速度和较高的定位精度。     

基于全局层次的自适应QPSO算法

阐明了具有量子行为的粒子群优化算法理论（QPSO）,并提出了一种基于全局领域的参数控制方法。在QPSO中引入多样性控制模型,使PSO系统成为一个开放式的进化粒子群,从而提出了自适应具有量子行为的粒子群优化算法（AQPSO）。最后,用若干个标准函数进行测试,比较了AQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,AQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题。     

粒子群算法的参数分析

在粒子群算法中,参数的选择对算法性能起着非常重要的作用。介绍了标准微粒群算法原理,对近几年文献中关于微粒群算法(PSO)的主要参数进行了分析和总结,最后对微粒群算法做出总结和预测,为进一步研究工作打下了坚实的理论基础。     

模糊离散粒子群优化算法求解旅行商问题

粒子群优化算法已经成功地应用于求解连续域问题，但是对于离散域问题特别是路由问题的求解研究还很少．本文提出了一种改进的粒子群优化算法，用于求解旅行商问题．采用模糊矩阵来表示粒子的位置和速度，并重新定义其更新公式，最后对TSPLIB中的具体算例进行测试，实验结果表明该算法能够得到较好的结果．     

一种最优粒子逐维变异的粒子群优化算法

针对粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优、收敛速度过慢、精度低等问题,提出一种新的变异策略,对全局最优粒子进行逐维的重心反向学习变异.逐维变异降低了维间干扰,通过更新全局最优位置引领粒子向更好的位置飞行,同时加强了种群的多样性.仿真实验与基于柯西变异的混合粒子群算法(HPSO)及重心反向粒子群优化算法(COPSO)在9个标准测试函数上进行了对比.实验表明逐维重心反向变异算法(DCOPSO)具有较高的收敛速度及精度.     

MQPSO: 一种具有多群体与多阶段的QPSO算法

提出了一种改进的QPSO(Quantum-behaved Particle Swarm Optimization)算法,即一种具有多群体与多阶段的具有量子行为的粒子群优化算法.在该算法中,粒子被分为多个群体,利用多个阶段进行全局搜索,这样可以有效地避免粒子群早熟,提高了算法的全局收敛性能.对几个重要测试函数的测试结果证明,MQPSO算法的收敛性能优于标准粒子群算法(Standard Particle Swarm Optimization, SPSO)以及QPSO算法.     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

基于混合粒子群算法的移动机器人路径规划

为了确定复杂环境中移动机器人最优轨迹,提出了一种混合粒子群优化算法(IPSO-GOP).首先对粒子群优化算法进行改进,在算法运行的各个阶段对惯性权重进行自适应调整来增强粒子的搜索能力,并采用混沌变量对粒子进行扰动以提高收敛速度;其次,为了提高算法寻优能力,摆脱局部极小值并增加种群的多样性,引入遗传算法继承的多重交叉和变异两个进化算子(GOP)优化改进版本的粒子群算法(IPSO);最后,使用三次样条插值对该混合算法生成的路径进行平滑处理,得到无碰撞最短的几何连续路径.实验结果表明,多障碍物环境下IPSO-GOP算法减少了陷入局部最优的发生,加快了收敛速度;同时,与原粒子群优化算法(PSO)相比,该算法寻优能力显著,在路径规划问题上有明显的优势.     

新的进化计算算法——粒子群优化算法

Particle Swarm Optimization (PSO),rooting from simulation of swarm of bird, is a new branch of Evolution Algorithms based on Swarm Intelligence.Concept of PSO,which can be described with only several lines of codes,is more easily understood and realized than some other optimization algorithms.PSO has been successfully applied to much engineering.Firstly,this paper depicts natural explanation about PSO,secondly,introduces its basic theory and several development versions of PSO,and presents some applications of PSO.At last,a brief conclusion and further research direction are given.