粒子群优化算法的改进及其实现

基本粒子群优化算法存在着\"早熟\"现象。究其主要原因是由于全局最优粒子的运动形式滞留在局部最优。为此,根据基本PSO算法的特点,在粒子运动过程中加入了个体小概率随机变异,增强了粒子运动形式改变能力,减小了陷入局部最优的可能性。通过数值计算结果表明,该方法能有效地解决粒子群优化\"早熟\"问题。     

改进微粒群算法优化PID参数的研究

微粒群算法是一种新的随机优化算法,算法通过微粒间相互作用发现复杂搜索空间中的最优区域,该算法具有搜索速度快、寻优能力强、算法简单等特点,但也存在普遍的缺点。本文基于微粒群算法容易陷入局部极值和收敛速度慢的缺点,提出一种新的改进算法,介绍了将改进微粒群算法用于PID控制器参数优化的方法,算法实现流程,并结合Matlab强大Simulink系统仿真功能证明了改进算法的有效性,其性能优于经验公式和遗传算法。     

基于二自由度内模控制的PID参数整定方法研究

研究了一种二自由度内模控制,并把它用于PID控制器的设计和参数整定,称之为二自由度内模PID。实际仿真证明,通过设置两个可调参数分别调整系统的动态性能和抗干扰特性,这种方法能够兼顾两种性能,弥补了常规内模PID的缺陷。     

基于GA-PSO算法的清酒质量等级研究

酒的质量等级评定是一件十分重要的工作。鉴于酒的质量等级为分类变量不能利用传统回归模型,于是采用Logistic回归模型进行建模。在结合一次对葡萄牙清酒全面调查所获得的实际数据的基础上,利用了有序Logistic回归构建了清酒质量等级预测模型,并利用了遗传算法(GA)、粒子群算法(PSO)、遗传-粒子群算法(GA-PSO)三种方法进行优化,得出GAPSO算法比上述其他两种算法能更有效地找出全局最优解。同时,找出了一组能获得最优质量等级的数据。     

基于粒子群优化算法的BSIM SOI模型参数提取

本文给出一种基于粒子群优化算法的BSIM SOI MOSFETs模型参数提取方法.该方法采用全局优化策略,计算简单,对初值依赖性低,使用浮点数编码方法,避免了数码转换时所出现的误差.与遗传算法参数提取相比,粒子群优化算法无需进行交叉、变异等操作,容易理解,易于实现,且收敛速度更快.对用该方法得到的参数值代入器件模型进行了计算,计算结果与测试结果吻合很好.本方法亦可用作对其他种类的MOSFETs进行全局参数提取.     

改进粒子群算法在四旋翼PID参数优化中的应用

采用试凑方式对四旋翼飞行器PID控制参数人工进行调整工作量大、费时且难以达到较好的控制效果。为了解决控制参数优化问题,提出基于带交叉因子的粒子群算法(PSO)的PID参数优化策略。将带交叉因子的粒子群算法能快速准确找到最优参数解的特点与PID控制结合起来,在控制过程中将PID参数作为粒子群中的粒子,用遗传算法对粒子进行选择、保优、交叉,以ITAE准则作为误差性能指标,用粒子群算法调整PID参数,得出最优的粒子作为四旋翼飞行器的PID控制器参数。仿真结果显示,该方法具有更强的灵活性、适应性和鲁棒性,并能提高控制系统的精度,具有很好的工程应用价值。     

遗传粒子群算法在频率分配中的应用

首先建立了基于干扰最小化的频率分配模型,接下来研究了遗传算法在频率分配中的应用。针对遗传算法的不足,基于粒子群算法思想提出遗传粒子群算法,并将算法应用到频率分配之中。通过仿真得到使用遗传算法和遗传粒子群算法进行频率分配的情况,仿真结果表明遗传粒子群算法在运算的后期具有更高的效率。     

基于萤火虫算法的PID参数优化方法研究

针对传统的PID参数整定方法越来越费时且难以满足控制要求的问题,提出一种采用萤火虫算法来优化PID控制参数的方法,设计了基于Simulink的参数优化模型,并进行仿真计算。结果表明,利用萤火虫算法优化PID控制器参数的阶跃响应响应时间短,基本没有超调,跟踪过程较平稳,仿真结果证明将萤火虫算法应用于PID参数优化是切实可行的。     

基于粒子群算法复合型磁靶结构参数优化调整

通电线圈与永磁体复合型磁靶需要确定的结构参数类别较多,如果不采用有效的优化算法加以优化调整,很难通过经验设定来达到理想的磁场模拟精度。为了解决这一问题,提出了一种基于粒子群算法的复合型磁靶结构参数优化调整方法,该方法将电流参数、永磁体大小、区段间距、区段的长度同时进行优化,并通过一仿真算例验证了方法的有效性。     

基于量子粒子群算法的PID参数自整定方法

PID控制在工业生产中应用非常广泛.以直流电机模型为被控对象,提出了基于量子粒子群算法的PID参数自动整定方法.应用经典的Ziegler-Nichols方法整定PID参数,被控对象性超调大往往难以满足要求.粒子群算法是通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法.将量子粒子群算法用于优化PID参数,并与Z-N法整定的PID控制器性能进行对比.仿真结果发现,与Z-N法相比,基于粒子群算法优化的PID控制器,系统超调明显减小.除QPSO-PID(ITSE)对应的系统具有较长调节时间外,虽然应用不同优化目标优化后的PID参数不同,控制对象的响应性能却非常相似.     

实数遗传算法的改进及性能研究

提出一种粒子群优化方法(PSO)与实数编码遗传算法(GA)相结合的混合改进遗传算法(HIGAPSO).该方法采用混沌序列产生初始种群、非线性排序选择、多个交叉后代竞争择优和变异尺度自适应变化等改进遗传操作;并通过精英个体保留、粒子群优化及改进遗传算法(IGA)三种策略共同作用产生种群新个体,来克服常规算法中收敛速度慢、早熟及局部收敛等缺陷.通过四个高维典型函数测试结果表明该方法不但显著提高了算法的全局搜索能力,加快了收敛速度;而且也改善了求解的质量及其优化结果的可靠性,是求解优化问题的一种有潜力的算法.     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

DOA and Power Estimation Using Genetic Algorithm and Fuzzy Discrete Particle Swarm Optimization

Aiming to reduce the computational costs and converge to global optimum, a novel method is proposed to solve the optimization of a cost function in the estimation of direction of arrival(DOA). In this method, a genetic algorithm(GA) and fuzzy discrete particle swarm optimization(FDPSO) are applied to optimize the direction of arrival and power parameters of the mode simultaneously. Firstly, the GA algorithm is applied to make the solution fall into the global searching. Secondly, the FDPSO method is utilized to narrow down the search field. In FDPSO, a chaotic factor and a crossover method are added to speed up the convergence. This approach has been demonstrated through some computational simulations. It is shown that the proposed algorithm can estimate both the DOA and the powers accurately. It is more efficient than some present methods, such as the Newton-like algorithm, Akaike information critical(AIC), particle swarm optimization(PSO), and genetic algorithm with particle swarm optimization(GA-PSO).     

基于进化计算的二元序列优化算法研究

具有良好非周期自相关特性二元序列在通信同步、雷达等领域具有广泛的应用。通过对遗传算法、粒子群算法与量子粒子群算法三种进化算法进行对比分析,设计了具有良好非周期自相关特性的二元序列的搜索算法。研究结果表明,粒子群算法的搜索能力优于遗传算法,而量子粒子群算法具有参数少,易于控制的优点,取得了较好的优化结果。     

基于变异算子与模拟退火混合的人工鱼群优化算法

人工鱼群算法(AFSA)是一种新型的群智能随机全局优化技术.本文在分析AFSA存在不足的基础上,提出了基于变异算子与模拟退火混合的人工鱼群优化算法.该算法保持了AFSA算法简单、易实现的特点,克服了人工鱼漫无目的随机游动或在非全局极值点的大量聚集,显著提高了算法的运行效率和求解质量.通过函数和实例测试验证,表明了该算法是可行和有效的.     

An Extended Particle Swarm Optimizer

1 Introduction Particle Swarm Opti mization (PSO)[1 ~3]is a novelevolutionary computation technique developed byKennedy and Eberhart . Through si mulating bird flock-ing,it has obtained success in opti mizing of continuousnonlinear functions . The main concept of this opti mizerliesin sharinginformation amongthe collaboratingindi-viduals. Paradigms of PSO are i mplemented in a fewlines of computer code andlowcomputation cost will berequired,so many research works about PSOhave beenpropos…     

基于混合PSO算法的加速度计快速标定

针对粒子群优化算法(PSO)在加速度计标定中存在早熟及陷入局部最优的不足,提出了基于差分进化(DE)的双种群信息共享及并行进化的混合PSO算法,并将该算法应用于加速度计快速标定。为提高混合算法的优化性能,提出了一种平衡DE算法全局探索和局部开发能力的加权变异算子,将Logistic函数的非线性特性引入到PSO算法惯性权重和DE算法加权系数的动态调整中。基准测试函数仿真表明所提出的混合算法在收敛速度、收敛精度、全局搜索性能和鲁棒性等方面明显优于PSO、DE算法;加速度计标定仿真结果表明,提出的混合算法能有效提高加速度计的标定精度。