基于粒子群算法的给水管网优化设计

以管网造价年费用折算值最低为目标,采用粒子群算法对给水管网进行优化设计;首先对节点压力设置罚函数,对不满足压力要求的节点压力进行惩罚,以保证管网中各个节点都满足最小压力约束;由于工程中所用管径值全部都是离散值,算法对搜索得到的结果进行标准化处理,保证求得的管径组合方案符合实际要求;与给水管网优化设计中常用方法遗传算法相比,粒子群算法降低了计算复杂度,具有较好的求解性能,而且具有较快的收敛速度和全局搜索能力.     

基于PSO-SA算法的优化排料研究

现今用于家具制造的木材及板材的使用量大幅度增加。板材用料的合理利用与木材资源的浪费问题,越来越受到国家及社会的高度关注。在家具生产中,板式材料的合理剪裁成为现在的研究热点。根据现代社会产生的木材合理利用为研究点采用PSO-SA优化算法,对板式办公家具木质材料的优化排料方式进行建模。PSO-SA将PSO算法的优点与SA算法的优点运用在算法的实现中,并将两种算法进行有效结合,使之达到最良好的优化效果。尽量避免和减少其余料的产生和浪费,达到利用率最高的目的。同时提高辅助材料的价值和可用性。     

基于电液比例阀的湿式离合器缓冲控制系统设计

介绍了湿式离合器试验台缓冲控制系统的组成及工作原理,采用电液比例控制的方法,通过电液比例驱动电路驱动电液比例减压阀,实现对接合油压的控制.基于TLE7242-2G芯片设计了电液比例驱动电路,实现了PWM方波信号的输出控制.湿式离合器缓冲控制系统应用LabVIEW编写上位机控制软件,生成带有缓冲效果的控制信号,并且通过数据采集实现了闭环控制.通过实验数据验证,电液比例驱动电路输出信号稳定、准确,缓冲控制系统可有效用于湿式离合器缓冲控制.     

基于模拟退火技术的QDPSO算法

提出了一种基于模拟退火技术的量子空间模型粒子群优化(QDPSO)改进算法，利用模拟退火算法(SA)的搜索能力克服QDPSO算法在寻优过程中早熟的缺点，通过标准测试函数进行性能测试，验证了算法的收敛性和快速性，并和标准PSO及QDPSO进行了比较。仿真结果表明，该算法具有更好的稳定性和收敛性，是一种良好的全局优化方法。     

混沌粒子群算法及其在优化设计中的应用

针对粒子群算法易早熟收敛的局限性,提出了一种基于Hénon 映射的混沌粒子群优化(CPSO)算法。该算法采用Hénon 映射,利用种群适应度方差进行早熟收敛判断,根据群体早熟收敛程度和个体适应值来调整惯性权重。仿真实验表明,改进后的混沌粒子群优化算法使收敛速度加快,且不易陷入局部极值点。     

基于双粒子群算法的板式换热器优化设计

在板式换热器优化设计中,针对设计变量为离散变量和方程组无法得到解析解的问题,提出了采用双粒子群算法对板式换热器进行数值求解的优化设计方法。通过实例证明,双粒子群算法在板式换热器优化设计运算中,完全可靠、有效。     

供电网络优化设计的模拟退火算法

对供电网络优化设计提出了一种新算法，把供电网络优化设计问题抽象成图论问题，应用图论量优化方法解决该问题，同时提出了多边形变换方法，用模拟退火算法对供电网络进行优化设计，最终得到一个费用了小电网。     

基于模拟退火算法思想的粒子群优化算法

粒子群优化是由Eberhart博士和Kennedy博士于1995年根据鸟或鱼群居社会行为而提出的。本文提出了4种改进的算法,特别推荐结合模拟退火算法思想提出的一种新算法。经过与基本粒子群算法比较测试,证实它是一种简单有效的算法。     

基于粒子群和模拟退火算法的混合算法研究

在标准粒子群优化算法的基础上给出了一种改进策略,利用混沌变量的随机性、遍历性、规律性对粒子群进行初始化选择。同时为了增加粒子多样性又不流失适值较好的粒子,在一定的周期内对所有粒子重新进行有选择的初始化,并对除了种群最优之外对应的所有个体最优变异。计算结果表明,改进的粒子群算法提高了收敛精度和速度,但是个别函数寻优失败。将改进的粒子群算法结合模拟退火算法再次计算了测试函数,结果表明,改进的混合算法可以达到目标函数的全局最优点。     

基于粒子群算法的无线充PID控制器优化设计

对于谐振式无线充电系统,由于负载和线圈耦合变化等扰动影响,供电池负载充电的电流若只进行开环控制易产生扰动,故在前向通道中加入经典PID控制器,对系统进行实时有效的闭环控制。针对经典PID控制器的参数无法自适应整定的问题,提出了利用粒子群算法（PSO）自整定设计无线充电PID控制器参数的方法,并进行仿真分析和实验验证,结果表明：引入粒子群算法后的PID控制器快速性和稳定性都优于经典PID控制器,调节时间减少0.647s,最大超调量下降了4,1%,稳态误差误差下降了1.04%,证明了该方法对于改善无线充电系统输出动静态特性的可行性和有效性。     

基于微粒群优化算法的二自由度PID调节器的设计

提出了一种新二自由度PID调节器的设计方法。基于灵敏度函数,采用PSO优化算法对二自由度PID参数进行自适应调整,仿真结果和改进的遗传算法进行比较,系统同时具有良好的跟随性能和抗干扰能力,所设计的二自由度调节器具有很强的鲁棒性,证明了PSO算法的有效性。     

一种新的基于粒子群和模拟退火的聚类算法

提出了一种新的基于粒子群和模拟退火的聚类算法。每个粒子作为聚类问题的一个可行解组成粒子群,粒子的位置由聚类中心向量表示。为避免粒子群陷入局部最优解,结合聚类问题的实际特点,提出了利用模拟退火的概率突跳性的两个解决方案。实验结果表明,新算法增强了全空间的搜索能力,性能优于粒子群算法和传统的K-means算法,具有较好的收敛性,是一种有效的聚类算法。     

基于模拟退火算法的可逃逸粒子群算法

通过引入模拟退火算法来保证PSO的全局收敛性,在群体最优信息陷入停滞时引入位置逃逸机制保持前期搜索速度快的特性。仿真结果表明本算法不但具有好的全局收敛性,而且有好的收敛速度。     

基于模拟退火的自适应粒子群优化算法的改进策略

针对PSO算法在求解问题的优化问题中易陷入局部收敛且收敛速度较慢等缺陷,引入一种初始化改进策略,并将模拟退火算法与PSO算法相结合,提出了一种全新的算法。该算法将寻优过程分为两个阶段:为了提高算法的执行速度,前期使用标准PSO算法进行寻优,后期运用模拟退火思想对PSO中的参数进行优化搜索最优解。最后将该算法应用于八个经典的单峰/多峰函数中。模拟结果表明,该算法有效地避免了早熟收敛现象,并提高了收敛速度,从而提高了PSO算法解决全局优化的性能。     

基于动态参数优化的混沌粒子群算法

针对传统粒子群优化算法易陷入局部极值点的问题,将混沌运动的遍历性,随机性以及初值敏感性等特点融入粒子群优化过程中,并通过模拟退火的方法对参数实现局部优化,使得粒子群优化算法的参数随着优化算法的进行不断改变,以适应不断变化的优化需要.通过对经典函数的仿真实验,证明了该方法在提高收敛性的前提下,收敛精度较传统算法也有了提高,且克服了易陷入局部极值区域的问题.     

基于模拟退火机制的多微粒群协同进化算法*

模拟退火和多微粒群协同进化是两种较好的改进微粒群算法性能的方法,将这两种思想有机地结合起来,提出了一种基于模拟退火机制的多微粒群协同进化算法。通过对三个标准函数优化的实验表明,该算法高效、稳定地提高了全局寻优能力。     

改进教与学优化算法的LQR控制器优化设计

为了快速有效地确定线性二次最优控制(linear quadratic regulator,LQR)问题中的加权矩阵Q和R,针对主动悬架LQR控制器权系数设计问题,提出一种改进的教与学优化算法进行LQR优化设计。算法对基本教与学优化算法中的"教"与"学"阶段进行了进一步的改进,同时提出一种"自我学习"策略。通过仿真实验表明,和基本教与学算法、粒子群算法、遗传算法相比,本文算法在对主动悬架LQR控制器优化时,具有收敛速度快,求解精度高和稳定性强等优势。     

基于HSDPA混合群集智能算法的多用户调度

传统的基于粒子群最优化的混合启发式算法和模拟退火算法往往以牺牲解的质量或者求解速度来实现有效的调度,为了解决这一问题,提出了一种基于高速下行分组接入（HSDPA）标准的混合群集智能算法。首先假定HSDPA标准所指定的是现实性不完善的信道状态信息（CSI）反馈,并以有限集合的形式存在于信道指示符（CQI）中;接着在最优化过程中,利用模拟退火算法和粒子群最优化算法各自的优点设计混合群集智能算法;最后利用混合算法进行数据处理,得到最优解的同时降低了复杂度,从而实现提升系统通量,达到调度最优化的目的。实验结果表明,与传统的基于粒子群最优化的算法相比,所提的混合算法取得了更好的调度效果。     

离散微粒群算法求解批量流水线调度问题

提出了解决批量流水线调度问题的离散微粒群优化算法。该算法采用了基于工序的编码方式,设计了新的粒子生成公式,从而使微粒群算法可以直接应用于调度问题。同时,针对微粒群算法容易陷入局部最优的缺陷,将其与模拟退火算法结合,得到了改进的微粒群优化算法。仿真实验表明了上述算法的有效性。     

基于模拟退火粒子群算法的认知引擎研究

认知引擎的基本功能之一就是根据复杂多变的无线环境及业务需求,利用多目标优化策略,自适应地调整无线参数,实现动态环境下的可靠通信。目前,很多研究的重点集中在遗传算法(GA)及其改进算法上,但其收敛速度较慢,不利于复杂多变以及实时性要求较高的系统。对此,提出一种模拟退火粒子群算法(SABPSO),它采用模拟退火与粒子群算法交替迭代的方式,协同寻优。其可有效提高收敛速度,并克服基本粒子群算法易于陷入局部极值的缺点,增强全局寻优能力。最后,在不同通信模式下,利用多载波系统进行仿真,结果表明,SABPSO算法在收敛速度和平均适应度上优于基本算法。