一种自适应粒子群算法的小波神经网络优化

针对传统粒子群算法易陷入局部最优解的问题,提出了一种变权重粒子群算法.该算法通过引入交叉权重因子和粒子个体状态最优权值,对传统粒子群算法进行了优化,使粒子在移动过程中利用更多的信息来调整各自的移动方向,扩大粒子在运动过程中的自我认知范围,提高了粒子群算法的收敛精度和收敛速度.最后,利用改进的变权重粒子群算法对小波神经网络控制器进行优化,有效地验证了变权重粒子群算法的精确性.     

基于改进PSO的局部阴影下光伏阵列MPPT控制

光伏阵列在局部阴影情况下,其功率-电压曲线将呈现多峰值特征,针对传统粒子群算法在最大功率点跟踪时存在易陷入局部最优、收敛速度慢等问题,采用一种改进的粒子群算法,在粒子群算法中引入自适应调节的惯性权重和学习因子,使系统快速、精确地搜索到最大功率点。通过仿真验证了所采用的算法在不同阴影条件下能够提高收敛速度,快速追踪到最大功率点,避免陷入局部最优。     

增加算子扰动项的粒子群优化算法研究

为了提高粒子群算法的稳定性,改善陷入局部最优的弊端,提出了一种增加算子扰动且对惯性权重进行正弦调整的粒子群优化算法。该方法首先利用差分方程对粒子的速度与位置变化过程进行深入分析,然后找到粒子群算法收敛的约束条件,进而获得改进后的惯性权重。最后在粒子群算法的速度公式中引入算子扰动项,其对粒子施加扰动,能够有效的抑制算法陷入局部最优问题,使算法在迭代后期也拥有一定的搜索能力。利用4个典型测试函数对算法进行验证,实验结果表明改进的惯性权重及速度更新公式使得该算法具备了较快的收敛速度和较佳的全局收敛性能,与标准粒子群算法相比,改进后的粒子群算法收敛精度高、鲁棒性强。     

基于速度扰动项的多目标粒子群算法研究

通过系统研究多目标粒子群算法,对于标准粒子群使用的线性惯性权重或常值惯性权重方法进行分析,发现粒子后期收敛速度的不足,针对这一问题,采用非线性递减指数函数的惯性权重取值方法,对粒子群速度更新公式进行分析研究,发现在算法迭代后期许多粒子速度停滞为零,易使粒子陷入局部最优,无法找到全局最优解,进而又提出了添加二次函数类速度扰动项的改进粒子群算法,该改进算法避免了粒子在迭代后期的停滞,使粒子在迭代后期仍具有较小的飞行速度,从而避免了粒子后期陷入局部最优。通过试验对比,改进后算法在收敛性和分布性能上均提高(30~50)%左右。     

基于改进离散粒子群算法的炼钢连铸最优炉次计划

提出了炉次数未知的炼钢连铸一体化生产的组炉模型.对该模型直接求解存在大量不可行解的困难进行分析,提出将该模型转化为伪旅行商问题的方法,并提出采用离散粒子群优化算法求解该问题.针对离散粒子群优化收敛速度和精度低的缺点,提出了一种基于序列倒置的改进离散粒子群优化算法.引入学习选择概率来选择学习粒子,利用运行代数阈值常数确定当前粒子何时向全局最优粒子学习,并通过局部最优子粒子群比决定局部最优子群的规模.讨论了这些参数的选择原则,并给出了相应参考选择范围.实验研究表明,所提模型是合适的,所提改进算法是有效的.     

基于改进粒子群算法的无人直升机航路规划

针对山区环境下无人直升机航路规划的问题,提出了一种改进粒子群算法.首先建立航路规划数学模型,将路径长度、飞行高度和威胁指数引入适应度函数;然后采用惯性权重因子调节算法的全局和局部搜索能力,利用选择操作和杂交操作增加种群的多样性,避免陷入局部最优;最后当种群陷入局部极值时,采用变异算子跳出局部最优解.将该算法和传统粒子群算法比较,仿真结果表明,该算法可以避免陷入局部最优,缩短搜索时间,较快得到全局最优路径.     

基于改进PSO的局部阴影下光伏阵列MPPT控制

针对光伏阵列在局部阴影情况下、传统的最大功率点跟踪算法存在容易陷入局部最优、收敛速度较慢等问题,采用一种改进的粒子群算法,并将其运用于最大功率点控制中.在粒子群算法中引入自适应调节的惯性权重和学习因子,使光伏系统在局部阴影下能够实现最大功率点跟踪,增强实用性.     

改进粒子群算法的行星齿轮系统多目标优化研究

在行星齿轮多目标优化中,传统粒子群算法(PSO)与自适应权重粒子群算法(APSO)在复杂约束下不易收敛或易陷入局部最优。为此,提出改进的自适应权重粒子群算法(D-APSO)并进行行星齿轮高功率密度的多目标优化设计,以最小体积、最大传动效率和最小中心距为多目标优化函数,综合考虑行星齿轮传动的边界协调条件,利用惩罚函数法处理约束条件,对目标进行D-APSO算法下的优化计算。结果表明:D-APSO算法在优化求解效果和速度上明显优于传统PSO算法和APSO算法,在满足行星齿轮系统承载性能的条件下,使行星齿轮系统具有更小的体积及中心距,并表现出更优的传动效率。     

一种动态改变惯性权重的粒子群优化算法

针对粒子群优化算法的局限性，提出了一种动态改变惯性权重的粒子群算法，在优化迭代过程中，惯性权重值随粒子的位置和目标函数的性质而变化。函数测试表明，改进后的算法使收敛速度显著加快，而且不易陷入局部极值点。     

改进的粒子群算法在可靠性优化设计中的应用

针对粒子群优化算法在处理约束问题时产生的不可行解,引用基于多级罚函数的约束处理方法。为了改进罚函数粒子群算法易早熟、后期收敛慢、易陷入局部最优解的缺点,提出了动态改变惩罚系数的改进粒子群算法。应用于几个经典的测试函数,都在较少的迭代次数内得到了高精度的优化解,验证了算法的有效性。以某一机械零部件的可靠性优化为例,建立了基于改进粒子群算法的可靠性优化设计模型。结果表明:该方法能快速有效地解决可靠性优化设计问题,计算结果明显优于常规的多级罚函数法。     

求解作业车间调度问题的广义粒子群优化算法

为克服传统粒子群优化算法在解决组合优化问题上的局限性,分析了其优化机理,并在此基础上提出了广义粒子群优化模型。按照此模型提出了一种求解作业车间调度问题的广义粒子群优化算法。在本算法中,利用遗传算法中的交叉操作作为粒子间的信息交换策略,利用遗传算法中的变异操作作为粒子的随机搜索策略,而粒子的局部搜索策略则采用禁忌搜索来实现。为了控制粒子的局部搜索以及向全局最优解的收敛,迭代过程中交叉概率以及禁忌搜索的最大步长都是动态变化的。实验结果表明,本算法可有效地求解作业车间调度问题,验证了广义粒子群优化模型的合理性。     

基于 Ｋ- ｍｅａｎｓ信息挥发速率动态调整的 改进蚁群算法

针对蚁群算法在求解 ＴＳＰ问题时,存在容易陷入局部最优,收敛速度慢,且求解时间较长的问 题,提出了一种基于 Ｋ- ｍｅａｎｓ与信息挥发速率动态调整策略的改进蚁群算法,利用 Ｋ- ｍｅａｎｓ聚类算法将 大规模 ＴＳＰ问题分解为数个子问题。在城市选择上,加入轮盘赌规则,对信息素更新规则进行了改进,每轮 迭代时动态调整信息挥发速率。实验表明,相比蚁群算法,改进算法避免了求解陷入局部最优解,加快了算 法的收敛。     

基于模拟退火-粒子群算法优化支持向量机参数的连铸漏钢预报

针对连铸漏钢预报神经网络模型在小样本训练数据情况下难以获得较高预报准确率的问题,提出了一种基于模拟退火-粒子群（SA-PSO）算法优化支持向量机（SVM）参数的连铸漏钢预报算法。将粒子群优化算法引入支持向量机的训练过程中,利用其调整参数少、寻优速度快的优点,有效地提高了漏钢预报模型的寻优速度;利用模拟退火算法对粒子群算法迭代更新后粒子的新位置加以评价,来决定新位置是否被接受,避免了粒子群算法在迭代寻优过程中陷入局部极值的问题。结合某钢厂连铸现场历史数据对提出的连铸漏钢预报算法进行了测试,测试结果表明,所提算法的连铸漏钢预报准确率可达98.8%。     

新的求解钻削路径优化问题算法研究

将粒子群优化算法应用到离散空间的群孔钻削路径优化之中。由于基本粒子群算法不能保证全局或局部收敛,在算法数学模型的基础上,引入重新生成停止进化微粒的方式对算法加以改进,使改进的算法具有全局收敛能力。通过建立序交换元和序交换集对算法的操作算子进行改进,满足钻削路径优化问题中整数编码的需要。实验表明,新的算法具有实现简单,收敛速度快,能够实现全局收敛的优点。     

间歇过程PSO SQP混合优化算法研究*

针对SQP算法在求解具有复杂约束的间歇过程优化时容易陷入局部极值点的问题,本文提出一种PSO-SQP混合优化算法。该算法首先采用外点罚函数法将间歇过程有约束的优化问题转换为无约束的优化问题,利用PSO强大的全局搜索能力对其进行求解,并把搜索结果作为SQP搜索初始点,以此弥补SQP全局搜索弱的缺点,再利用SQP良好的局部收敛性和较强的非线性收敛速度对原优化问题进行精细搜索,弥补了PSO局部搜索弱的缺点,通过不断的迭代最终获得优化问题的全局最优解。该算法充分利用了SQP和PSO的优缺点,增强了其对复杂约束优化问题的求解能力。将本文提出的算法用于连续搅拌化学反应系统温度控制中,仿真结果表明产物浓度能够充分逼近期望值,且反应器的温度轨迹收敛,从而验证了该算法的有效性和实用价值。     

A solution to the facility layout problem having passages and inner structure walls using particle swarm optimization

This paper proposes a new approach called particle swarm optimization (PSO) to derive better solutions for unequal-area facility layouts that are to have inner walls and passages. PSO is a population based optimization tool, has fitness values to evaluate the population, update the population and search for the optimum with random techniques. A heuristic method is adopted for establishing the relationship between the facilities and passages. A comparative study is performed with the existing algorithm and it shows a better performance for the proposed algorithm. The objective of this study is to minimize material flow between facilities while at the same time satisfying the constraints of areas, aspect ratios of the facilities, and inner structure walls and passages. The proposed algorithm based on the PSO in this study was implemented with C++ language.     

设备布局离散优化问题的粒子群算法研究

设备布局设计是制造系统设计的重要组成部分，设备布局是否合理对整个制造系统的总体功效起着非常重要的影响。粒子群优化算法（PSO）是一种新的群智能优化算法，常用于求解连续空间极值问题，近来正逐渐进入组合优化领域。利用多雏实数编码及映射方法将连续PSO算法应用于求解设备环形布局问题，为此类离散优化问题的求解提供了一种新的思路。利用GA中的杂交策略扩展PSO算法，提高了PSO算法性能。通过实例计算和结果比较，说明了该算法能有效地求得设备环形布局问题的优化解，是一种行之有效地算法，有很好的实用价值。     

APPLYING PARTICLE SWARM OPTIMIZATION TO JOB-SHOPSCHEDULING PROBLEM

A new heuristic algorithm is proposed for the problem of finding the minimum makespan in the job-shop scheduling problem. The new algorithm is based on the principles of particle swarm optimization (PSO). PSO employs a collaborative population-based search, which is inspired by the social behavior of bird flocking. It combines local search (by self experience) and global search (by neighboring experience), possessing high search efficiency. Simulated annealing (SA) employs certain probability to avoid becoming trapped in a local optimum and the search process can be controlled by the cooling schedule. By reasonably combining these two different search algorithms, a general, fast and easily implemented hybrid optimization algorithm, named HPSO, is developed. The effectiveness and efficiency of the proposed PSO-based algorithm are demonstrated by applying it to some benchmark job-shop scheduling problems and comparing results with other algorithms in literature. Comparing results indicate that PSO-based a     

A novel discrete particle swarm optimization algorithm for the manufacturing cell formation problem

The manufacturing cell formation problem, with the aim of grouping parts into families and machines into cells, is considered with the objective of maximizing grouping efficacy. A new solution approach based on the particle swarm optimization (PSO) algorithm is presented for the problem. Unlike the original PSO algorithm which works with arithmetic operators and scalars, the new algorithm uses group-based operators, in place of arithmetic operators, in the body of the updating equations analogous to those of the classical PSO equations (given the fact that the cell formation problem is essentially a grouping problem, all operators in the new algorithm work with constructed cells (groups) rather than parts/machines (objects), isolatedly). We benchmark a set of 40 test problem instances from previous researches and do comparisons between the new algorithm and existing algorithms. We also compare the performance of our algorithm when it is hybridized with a local search module. Our computations reveal that the proposed algorithm performs well on all test problems, exceeding or matching the best solution’s quality presented in the literature.