微粒群算法在传感器优化配置中的应用

为了将动态测试中的传感器配置在合理的自由度,以便充分反映结构的动力特性,需对传感器进行优化配置.分别以MAC矩阵、Fisher信息阵,及其组合为优化准则,采用微粒群算法,对传感器优化配置问题进行了研究,探讨了优化准则和优化算法对传感器优化配置结果的影响.通过与模态动能法、有效独立法及基于QR分解的逐步累积法比较,传感器优化配置的结果表明微粒群算法优于上述方法.     

装备健康管理中的传感器优化配置问题研究

传感器优化配置是装备健康管理(HM)的基础。考虑传感器失效对健康管理能力的影响,以传感器代价和漏检故障的危害程度最小为优化目标,以检测性能指标为约束条件,建立了传感器优化配置的模型;并针对传感器优化配置是一个多目标非线性整数规划问题,提出了基于扩展微粒子群优化算法的模型求解方法。应用实例表明了模型和算法的有效性。     

改进的混合蛙跳算法在传感器配置优化中的应用

传感器配置优化是可测性设计的重要研究内容,将混合蛙跳算法应用于传感器配置优化是一种新的尝试。针对传感器配置优化属于离散问题求解,提出离散的混合蛙跳算法,设计了一种离散化的更新方式。为克服蛙跳算法的早熟收敛问题,在改进的离散蛙跳算法中采用混沌优化算法以概率的形式对全局极值进行了优化。最后通过具体系统实例验证了该方法的正确性和有效性。     

改进粒子群算法在电力调度自动化中的应用研究

为了提升自动化设备电力调度的评估水平,采用广泛使用的神经网络算法,通过对电力系统参数的重新设置,根据正态分布衰减惯性权重策略对粒子群算法进行了改进和优化。在此基础上,提出正态分布衰减惯性权重的粒子群优化(NDPSO)算法,并利用检测函数分析算法性能。试验结果表明,NDPSO算法最佳正态分布的趋势参数为0.443 3;在Sphere函数上优化结果的最小值为555.31,平均值为2 034.00,标准差为919.58,惯性权重在前期的取值较大。上述结果与其他算法对比都处于领先水平。所设计的算法在保证收敛精度的同时,加快了收敛速度。改进的粒子群算法对神经网络模型具备一定优化能力,能够兼顾全局搜索和局部开发。该研究对电力调度自动化中设备的评估具有重要意义。     

粒子群优化算法中惯性权重的研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法。惯性权重是粒子群算法中非常重要的参数,可以用来控制算法的开发和探索能力。简单介绍了标准粒子群优化算法的基本原理,全面综述了现有文献中对惯性权重的研究进展情况。     

改进PSO算法在主汽温系统PID参数优化中的应用

提出了一种基于改进的粒子群优化（PSO）算法的PID控制器参数整定方法。通过对粒子赋予不同的初始惯性权重,较好地协调了粒子的全局与局部搜索能力。通过对具有严重参数不确定性、多扰动以及大迟延的电厂主汽温被控对象的仿真研究,结果表明：改进的粒子群算法在保证PID控制稳定性基础上提高了PID控制的精度,且编码简单,易于实现,具有较好的应用前景。     

粒子群优化算法在函数优化中的应用及参数分析

为了更深入地分析探讨粒子群优化算法的性能,采用两种基本改进策略在MATLAB 7.0中对几个典型测试函数的优化问题进行了实验,即单独采用线性递减惯性权重策略以及在其基础上再加入收缩因子法,给出了这两种策略下函数的在线性能、离线性能变化图。为指导参数选取,用图示方式给出了不同参数组合对收敛性的影响。结论是：采用线性递减惯性权重策略加上收缩因子法比单独采用线性递减惯性权重策略的收敛性能好。若取固定惯性权重w,则w越小,收敛速度越快。     

粒子群算法在电网无功优化中的应用研究

为解决目前电网系统无功优化潮流计算中存在的问题,如计算量大,计算结果中的各节点电压值可能导致无功电源出力接近极限值,并可能与系统电压安全发生冲突,发电机出力越限等。本文采用带罚函数、学习因子和惯性权重的改进粒子群算法,通过模拟编程,求解了在给定约束条件情况下,两个典型系统（5节点典型系统 和39节点典型系统）的无功优化潮流计算问题。通过计算结果分析比较,总结出了在无功优化计算中,如何对电网中的约束条件进行处理,以及如何设置粒子群算法中的相关参数和范围。并讨论了电网的约束条件对无功优化结果的影响,给出了粒子群算法中罚函数、惯性权重及学习因子等参数的设置原则以及对算法收敛性的影响,并对算法的改进进行了展望。     

基于粒子群优化算法的电力系统无功优化

针对粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题,结合全局-局部最优模型,提出一种改进的全局-局部参数最优粒子群优化算法。利用全局-局部最优惯性权重及全局-局部最优加速度常数,简化速度更新方程,使算法性能得到改善。将该算法应用于电力系统无功优化中,仿真结果表明,网损平均值更低,寻优性能更好,优化的网损值集中在较小的区间。     

人工鱼群算法在桥梁传感器优化配置中的应用

为了实现桥梁结构健康监测传感器的优化配置,用尽可能少的传感器获取尽可能多的反映桥梁结构健康状况的信息,将人工鱼群算法应用于一座拱桥的传感器配置中,利用人工鱼的三种典型行为,解决桥梁传感器优化配置问题。结果表明,人工鱼群算法自适应能力强,收敛精度高,可以实现桥梁结构健康监测传感器优化配置。     

基于Sigmoid惯性权重自适应调整的粒子群优化算法*

提出了种群进化速度和种群聚合度两个概念,并讨论了在全局收敛过程中惯性权重与两者之间的关系;考虑Sigmoid函数在线性与非线性之间呈现的平滑过渡性,从种群进化速度和种群聚合度两方面出发,提出了基于Sigmoid函数的惯性权重自适应调整方法。通过三个典型的多峰函数,将提出的算法(AS-PSO)与标准粒子群优化算法(SPSO)和基于Sigmoid函数的粒子群优化算法(S-PSO)进行了仿真分析比较,结果表明,AS-PSO算法相比其他两种算法,全局寻优能力更强,在一定程度上解决了收敛性能与全局寻优能力之间的矛盾。     

一种新的自适应惯性权重混沌PSO算法

针对粒子群算法（Particle Swarm Optimization,PSO）易陷入局部极值的缺陷,提出了一种新的自适应惯性权重混沌PSO算法（a New Chaos Particle Swarm Optimization based on Adaptive Inertia Weight,CPSO-NAIW）。首先采用新的惯性权重自适应方法,很好地平衡粒子的搜索行为,减少算法陷入局部极值的概率,然后在算法陷入局部极值时,引入混沌优化策略,对群体极值位置进行调整,以使粒子搜索新的邻域和路径,增加算法摆脱局部极值的可能。最后,实验结果表明,CPSO-NAIW算法能有效避免陷入局部极值,提高算法性能。     

基于自适应惯性权重的均值粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖参数选取等缺点,提出了一种基于自适应惯性权重的均值粒子群优化算法。对算法中的惯性权重参数采用动态自适应变化方式,在迭代过程中根据粒子适应度差值将种群划分为三个等级,对不同等级的粒子采用不同的惯性权重策略,使粒子能根据自己所处的位置选择合适的惯性权重值,更快地收敛到全局最优位置;同时分别用个体极值和全局极值的线性组合取代PSO算法中的全局最优位置与个体最优位置。通过实验仿真与对比,验证了新算法性能优于标准PSO及其它一些改进的PSO算法,能够用较少的迭代次数找到最优解,具有更快的收敛速度和更高的收敛精度。     

基于质心和自适应指数惯性权重改进的粒子群算法

针对标准粒子群优化算法易出现早熟收敛及寻优精度低等缺陷,提出一种基于双质心和自适应指数惯性权重的改进粒子群算法（DCAEPSO）。算法使用粒子搜到的最优解和当前解构造加权的种群质心和最优个体质心,结合使用自适应指数惯性权重调整了速度更新公式。通过几个典型测试函数仿真及Friedman和Holm检验,实验结果显示DCAEPSO比其他粒子群算法寻优能力强。     

基于惯性权重对数递减的粒子群优化算法

针对粒子群算法收敛速度慢和易陷入局部最优的问题,提出了基于惯性权重对数递减的粒子群算法,并引入对数调整因子,对数调整因子的不同取值保证了算法搜索成功率。选取八种典型函数分别进行给定迭代次数和给定精度的仿真实验,并与标准PSO算法、惯性权重线性递减PSO算法、惯性权重高斯函数递减PSO算法进行比较。测试结果表明,该策略可以简便高效地提高算法的全局收敛性和收敛速度,并且具有较好的稳定性。求解大多数优化问题时,即使不引入对数调整因子新算法就可以获得较好的效果。     

基于随机惯性权重的简化粒子群优化算法

针对标准粒子群优化算法易出现早熟收敛、搜索速度慢及寻优精度低等缺陷, 提出一种基于随机惯性权重的简化粒子群优化算法。算法采用去除速度项的粒子群简化结构, 通过随机分布的方式获取惯性权重提高新算法的局部搜索和全局搜索能力, 并且学习因子采用异步变化的策略来改善粒子的学习能力。考虑到个体之间的相互影响关系, 每个粒子的个体极值用所有粒子个体极值的平均值代替。通过几个典型测试函数仿真及F-检验结果表明, 提出的算法在搜索速度、收敛精度、鲁棒性方面较已有改进算法有了显著提高, 并且具有摆脱陷入局部最优解的能力。     

惯性权重正弦调整的粒子群算法

通过对标准粒子群算法中惯性权重的分析,提出了一种惯性权重正弦调整的粒子群算法。运用差分方程对粒子速度变化过程和位置变化过程进行分析,得到了粒子群算法的收敛条件。通过对4个典型的函数的测试,实验结果表明该方法在收敛速度和全局收敛性方面都比标准粒子群算法和随机惯性权重粒子群算法有明显改进。理论分析和仿真实验验证了新算法的正确性和有效性。     

基于局部搜索惯性权重的粒子群优化算法*

粒子群优化算法的性能主要受其中参数的影响,尤其是惯性权重的影响,选择合理的ω能够平衡算法的全局和局部搜索能力.根据当前粒子的函数值调整学习因子,利用局部搜索的方法确定惯性权重,提高了算法的鲁棒性能.最后对一些标准测试函数进行验证,实验分析表明该算法具有优越性能.     

基于自适应惯性权重的樽海鞘群算法

针对标准樽海鞘群算法收敛精度低、收敛速度慢的问题,提出一种基于自适应惯性权重的樽海鞘群算法(AIWSSA).首先,在追随者位置更新公式中引入惯性权重因子评价个体之间的影响程度;然后,结合种群成功率与非线性递减函数对惯性权重因子进行自适应调整,使算法的全局和局部搜索能力得到更好地平衡;最后,为防止算法陷入局部最优,引入差分变异思想对非最优个体进行变异.对12个基准测试函数进行求解,实验结果表明:AIWSSA具有较高的收敛精度、收敛速度和鲁棒性; Wilcoxon统计检验结果表明:与标准樽海鞘群算法、改进的樽海鞘群算法、其他群体智能算法相比, AIWSSA表现出较好的性能.通过将其应用于两种带约束的工程设计问题,验证了AIWSSA的有效性.     

适应度排序改进惯性权重的粒子群算法

改进PSO算法的惯性权重。惯性权重不仅随代数纵向线性变化,也根据当前和迄今粒子的适应度重排序横向线性变化。横向线性变化上限不变,下限逐渐减小,使得横向线性变化数值范围随代数逐渐增大。惯性权重数值随着代数逐渐取负,并且适应度差的粒子取负的几率更大。得到基于粒子适应度排序改进惯性权重的粒子群算法（ASMIWPSO算法）。通过仿真学解释ASMIWPSO算法。Rastrigrin函数测试对比ASMIWPSO算法、PSO算法,说明ASMIWPSO算法具有更好的优化结果。