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.     

基于变异粒子群算法的过程挖掘

为实现过程挖掘,克服标准粒子群算法易陷入局部极值的缺点,提出基于变异操作的粒子群过程挖掘方法。在标准粒子群算法进化中,所有粒子追随最优粒子在解空间搜索,导致种群多样性迅速下降,出现早熟收敛。受遗传算法启发,通过对进化中的粒子增加变异操作,使算法摆脱易于陷入局部极值点的束缚,增强算法跳出局部最优的能力。仿真结果表明,基于变异粒子群算法的过程挖掘在求解的精度和速度方面都得到了好的效果。     

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。     

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.     

基于混合二进制粒子群-遗传算法的测试优化选择研究

测试优化选择是一个组合优化问题.通过对测试选择的目标和约束条件进行深入分析, 建立了其数学模型, 并提出了一种混合粒子群-遗传算法用于求解满足测试性指标要求的最小完备测试集.该算法将遗传算法中的遗传算子引入到二进制粒子群算法中, 既避免陷入局部最优和早熟收敛现象, 又提高了搜索效率.大量实验证明, 对于测试优化选择问题, 混合粒子群-遗传算法能够快速有效的获得全局最优解.     

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Tent映射的混沌粒子群优化算法及其应用

针对基本粒子群优化算法在迭代后期易陷入局部最优而出现早熟收敛的现象,基于混沌搜索的全局遍历性、随机性和规律性的特点,以粒子群群体适应度方差作为粒子群优化算法早熟收敛的判据,将Tent映射作为混沌搜索引入到基本粒子群算法中,对以一定概率随机选择的粒子群中的部分粒子实施混沌搜索,利用混沌特性提高种群的多样性和粒子搜索的遍历性,从而使粒子获得持续搜索的能力,提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能.几个典型测试函数的仿真实验和应用实例均证明了该算法的可行性.     

基于改进粒子群算法的机器人时间最优轨迹规划

针对六自由度工业机器人在考虑运动学约束条件下，使用传统粒子群算法进行时间优化易陷入局部最优的问题，结合免疫算法与模拟退火算法，提出一种混合免疫粒子群算法（HIPSO）进行时间最优轨迹规划求解。为提升粒子群跳出局部最优的能力，算法结合模拟退火算法使得粒子保持一定概率突跳的能力，并引入免疫算法的浓度机制保留高适应度低浓度粒子，在加快收敛速度保持种群多样性的同时能跳出局部最优达到全局最优。以PUMA560机器人为对象进行仿真，结果表明HIPSO算法能够使机器人在运动过程中速度、加速度连续无突变，相较常规粒子群算法时间缩短约15%，验证了算法的可行性和有效性。     

基于改进粒子群算法的白车身焊接路径优化

为优化白车身焊接路径,提高焊接效率,提出一种改进粒子群算法,在传统粒子群算法思想的基础上,将算法寻优过程分为追随和盘旋两部分.基于较近原则生成初始粒子,以减少种群规模,加快收敛速度;在追随部分,通过个体极值追随全局极值和随机原始参考值以贪婪重组的方式重新生成粒子,在增强算法局部寻优能力的同时加快算法的收敛速度;在盘旋部分,采用多次局部调序的策略,通过随机调整粒子局部排列序,保证算法种群的多样性,防止陷入局部最优解;从种群进化代数和种群个体适应度函数值实现算法各参数的自适应调节,加快收敛速度;对粒子个体采取精英保留策略,保留最优粒子.算法通过Matlab平台实现,实验仿真结果表明,提出的改进粒子群算法对于中小规模的白车身焊点旅行推销员问题(Travelling Salesman Problem,TSP)有良好的寻优能力.     

基于粒子群优化算法的小型足球机器人路径规划

为了解决足球机器人无法躲避动态障碍物和容易陷入局部极值的问题,在深入研究粒子群优化算法的基础上,提出了采用栅格法与粒子群优化算法相结合的路径规划算法。首先采用栅格法对小型足球机器人工作环境构造模型,再利用改进的粒子群优化算法进行最优路径搜索。该算法实现简单,收敛速度快,不易陷入局部极值,不仅能够满足足球机器人实时动态的路径规划要求,而且能满足不同环境下的路径规划要求。仿真实验表明,该方法可以很好地应用于足球机器人的路径规划中。     

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。     

一种确定神经网络初始权值的新方法

针对BP神经网络对易陷入局部极小的缺点,结合粒子群优化算法(PSO)在全局搜索上的良好性能,提出了一种新的算法--PSO-BP混合算法.该算法先用PSO算法将BP网络的初始权值优化到全局极小点附近,然后用传统BP神经网络学习算法进行进一步优化,仿真表明:该方法很好地解决了BP神经网络对初始值敏感、易局部收敛的问题.     

机械故障诊断的遗传BP算法应用研究

为克服 BP算法中存在的网络学习收敛速度慢 ,以及容易陷入局部极小的问题 ,本文在神经网络训练过程中 ,加入一个局部极小判别式 ,以确定网络是否陷入局部极小点 ,若陷入局部极小点 ,则利用遗传优化算法进行权值的修正。以机械设备故障诊断为例 ,应用此算法对其进行了故障诊断研究 ,从而证明了该算法的有效性。     

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。     

面向最优效率的潜标耦合电能传输系统

将耦合电能传输技术应用于潜标系统,能够为其携带的通信信标,提供无电气接触的充电功能。但由于信标与潜标的间距会发生变化,导致系统处于偏谐振状态,系统效率降低。本文首先分析耦合线圈随间距变化的规律,并对系统进行建模,分析系统偏谐振状态下线圈耦合效率与频率的关系;利用仿真验证了通过搜索算法调整工作频率,实现系统效率提升的可行性;建立线圈间距可变的系统样机,验证搜索算法对于系统效率提升的有效性。实验表明,当线圈间距变化时,搜索算法能够实现系统效率的提升。粒子群搜索算法的最大效率相对定步长扰动观测法提升3%,并且受到初始中心频率的选择影响较小,具有很好的鲁棒性,能够用于提升系统在线圈间距变化时的传输效率。     

基于改进粒子群算法的神经网络建模

文章利用粒子群算法优化神经网络的参数,提出了基于粒子群算法的神经网络建模方法。为了提高基本粒子群算法的搜索性能,采用了基于外推技巧的引导型更新公式,并在粒子的搜索过程中,不断监测各个粒子的最优位置,多次没有变化并且距离优化目标太远时,粒子跳出当前位置继续搜索,从而避免陷入局部值。最后使用改进后的粒子群神经网络算法对函数进行拟合,仿真结果表明,新的算法有较好的收敛性。     

基于PSO-BP算法的动态空调负荷预测建模

根据空调负荷的非线性特点,提出了一种基于粒子群算法优化误差反向传播(BP)神经网络的空调负荷预测方法,针对BP网络训练容易出现麻痹和易陷入局部极值,以及其预测空调负荷时精度不够理想等现象,将粒子群算法的随机全局优化和梯度下降局部优化结合,达到改善神经网络泛化能力和提高空调负荷预测精度的目的。用该方法对的空调系统冷负荷与室外空气的干球温度、含湿量和太阳辐射照度的关系进行建模和预测,通过实例验证了该优化算法优于BP网络,能更加有效地处理动态空调负荷中的非线性问题,获得更可靠的预测结果。     

PSO优化灰色神经网络的珩磨油石磨损预测

为了预测油石的切削寿命,保证珩磨加工质量,引入灰色神经网络,通过将珩磨工艺加工参数作为模型输入来预测油石的磨损量,最终建立了珩磨油石磨损量预报模型。在油石磨损量预测过程中,针对神经网络存在收敛速度慢、容易陷入局部最优等缺陷,利用粒子群算法对灰色神经网络的参数进行优化。试验结果表明,基于粒子群算法改进的灰色神经网络具有更好的逼近能力和预测精度,便于合理更换油石。     

改进的协同粒子群优化算法的研究与应用

为增强现有PSO算法和协同粒子群优化算法的优化性能,提出了一种改进的协同粒子群优化算法及一种新的协同策略。该算法在进化过程中,将寻优粒子群分解为若干子分群,各子分群粒子利用本分群经验和整个种群经验进行搜索,既能在分群内部不断搜索,不迷失寻优方向,又能周期性地共享整群最优值引导粒子找到最好解。分解为多个子种群有利于维持种群的多样性,有效抑制局部最优现象发生。对经典复杂函数的寻优测试表明,改进算法的鲁棒性、收敛速度、精度及全局搜索能力均优于基本PSO算法。最后将改进算法用于建立基于神经网络的旋转机械故障诊断模型,设计了相应的故障诊断系统。结果表明,基于此算法的故障诊断系统具有诊断精度较高、稳定性能较好等特点。     

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.