粒子群优化算法研究进展

粒子群优化(PSO)算法作为一种仿生进化算法,是受到自然界生物群体行为机制的启发而提出的.本文首先介绍PSO算法的基本原理和工作机制.然后着重就PSO算法的理论和应用研究现状进行综述,包括PSO算法的改进、PSO算法的参数设置、PSO算法的收敛性、PSO算法与其它算法的融合以及PSO算法在优化领域的典型应用,并进一步分析它们的研究重点和发展方向.最后是关于PSO算法面临的问题和研究展望,提出PSO算法研究中值得探讨的一些课题.     

网络安全；无线传感器网络；入侵检测；代理；智能优化 ；粒子群优化

文章提出了一种专门针对无线传感器网络的轻量级本地入侵检测系统(单机IDS)的设计方案.采用监视、检测、响应和控制4个代理模块,1个数据库连接接口和1个响应接口实现这一系统;每个代理模块独立运行,各自执行系统分配的任务.在检测代理模块实现中,文章提出采用一种基于GM(1,1)的智能优化预测算法作为检测技术,经实验分析该算法在建模数据较少的情况下仍具有较高的准确性.     

基因变异的群智能优化算法研究

粒子群优化（Particle Swarm Optimization,PSO）是一种重要的群智能（Swarm Intelligence,SI）方法。早期收敛和较低的局部搜索能力是PSO的不足。提出一种新颖的基因变异PSO（Gene Mutation PSO,GMPSO）,依据概率使粒子的分量发生变异,并做了大量的实验。研究和实验的结果表明,该方法可显著改变PSO的性能,在理论上是可靠的,技术上是可行的。     

粒子群优化技术的研究与应用进展

粒子群优化(PSO)算法是一种新兴的基于群智能搜索的优化技术,它是通过粒子追随个体最优解和群体最优解来完成优化,且算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。文中综述了PSO各种改进技术、研究热点问题及其应用进展情况并指出了PSO的发展趋势及未来研究方向。     

智能单粒子优化算法

文中在传统粒子群优化(Particle Swarm Optimization,PSO)算法的基础上,提出了智能单粒子优化算法(Intelligent Single Particle Opti mizer,ISPO).与传统的PSO算法不同,该算法采用了一个粒子在解空间中搜索,粒子的位置矢量被分成一定数量的子矢量,并基于子矢量对粒子进行更新.在子矢量更新过程中,通过分析之前的速度更新情况,引入一种新的学习策略,使粒子在搜索空间中能够动态地调整速度和位置,从而向全局最优靠近.实验表明,此算法对大部分标准复合测试函数都具有很强的全局搜索能力,其寻优能力超过了国际上最近提出的基于PSO的改进算法.     

粒子群优化技术的研究与应用进展

粒子群优化（PSO）算法是一种新兴的基于群智能搜索的优化技术，它是通过粒子追随个体最优解和群体最优解来完成优化，且算法简单、易实现、参数少，具有较强的全局优化能力，可有效应用于科学与工程实践中。文中综述了PSO各种改进技术、研究热点问题及其应用进展情况并指出了PSO的发展趋势及未来研究方向。     

粒子群优化算法的研究进展

粒子群优化算法是一类新兴的基于群智能的随机优化算法,同其它的进化算法相比,其最具吸引人的特征是简单容易实现和更强的全局优化能力。本文介绍了PSO算法的研究现状,并讨论了PSO将来的研究方向。     

基于PSO的电容生产工序参数优化

粒子群优化算法是一种基于群智能理论的仿生全局优化方法。该文在对粒子群算法进行研究的基础上,将其应用于解决流程型生产企业的生产过程工艺参数优化。在建立实际生产线模型的基础上,提出了多目标优化策略。仿真结果表明利润、均衡度和库存费均达到一个满意的结果。     

基于PSO优化GRNN的语音转换方法

提出了一种基于粒子群算法PSO优化广义回归神经网络GRNN模型的语音转换方法。首先,该方法利用训练语音的声道和激励源的个性化特征参数分别训练两个GRNN,得到GRNN的结构参数;然后,利用PSO对GRNN的结构参数进行优化,减少人为因素对转换结果的影响;最后,对语音的韵律特征、基音轮廓和能量分别进行了线性转换,使得转换后的语音包含更多源语音的个性化特征信息。主客观实验结果表明:与径向基神经网络RBF和GRNN相比,使用本文提出的转换模型获得的转换语音的自然度和似然度都得到了很大的提升,谱失真率明显降低并且更接近于目标语音。     

基于异构多种群策略的动态概率粒子群优化算法

结合动态概率粒子群优化算法(DPPSO)特点,针对传统的单种群粒子群优化算法易陷入局部最优、收敛速度较慢的缺点,文中提出一种基于异构多种群策略的DPPSO.该算法在进化过程中保持多个子种群,每个子种群以不同的DPPSO变体进行进化,子种群之间根据一定规律进行通信,从而保持整个种群内部的信息交流,进而协调DPPSO的勘探和开采能力.通过典型的Benchmark函数优化问题测试并分析基于异构多种群策略的DPPSO性能,结果显示,使用该策略的算法收敛速度较快,稳定性有较显著提高,具有较强的全局搜索能力.     

基于均匀设计的粒子群算法及其在飞控系统中的应用

将粒子群算法应用于飞行控制系统的优化设计中,需要解决两个问题：如何选择目标函数和如何确定初始种群和算法运行参数。针对这两个问题,分别提出了基于参考模型的飞行控制系统优化策略和基于均匀设计的粒子群算法初始种群和运行参数的选择方法。仿真结果表明,本文所提出的优化策略能够有效地解决飞行控制系统的优化设计问题,粒子群初始种群分布均匀,收敛速度快。     

Online dual updating with recursive PLS model and its application in predicting crystal size of purified terephthalic acid (PTA) process

To improve the performance of online prediction of existing soft sensor models, we propose a dual updating strategy, i.e., integrating the methods of recursive partial least square (RPLS) model updating and the model output offset updating. In online applications, each update is activated rotationally. In this strategy, a new recursive PLS method is developed and implemented by updating the mean and variance of the training samples using the data acquired from the process, while the offset updating method takes into account both the old overall offset and the new bias between the actual measurement and the model prediction. Since the dual updating strategy takes the advantages of the two updating methods, it is more effective than any individual updating method in adapting process changes. The high performance of the strategy is demonstrated by the application of an industrial purified terephthalic acid (PTA) purification process in which prediction of average crystal particle size was within 2.5% with regard to the relative root mean square error (RMSE). In addition, the dynamic PLS method was found inferior to any of the three methods mentioned above, at least for this particular industrial application. The present dual updating method may also be extended to other industrial applications using process models outside PLS.     

基于DE和PSO的混合智能算法及其在模糊EOQ模型中的应用*

设计了融合差分进化和PSO算法优点的混合智能优化算法DEPSO,通过在粒子迭代过程中,随机选择一定数量的粒子进行差分进化操作,增加粒子的多样性,使陷入局部极小的粒子逃出,以保证DEPSO的全局收敛性能,并采用典型测试函数验证了DEPSO的性能。针对模糊相关机会规划EOQ模型求解难题,设计了基于模糊模拟方法和DEPSO的智能求解算法来计算模糊事件的可信性,从而得到了使库存费用不超过预算水平的可信度最大的最优订货量,算例证实了此求解算法的有效性。     

Two-layer particle swarm optimization with intelligent division of labor

Early studies in particle swarm optimization (PSO) algorithm reveal that the social and cognitive components of swarm, i.e. memory swarm, tend to distribute around the problem's optima. Motivated by these findings, we propose a two-layer PSO with intelligent division of labor (TLPSO-IDL) that aims to improve the search capabilities of PSO through the evolution memory swarm. The evolution in TLPSO-IDL is performed sequentially on both the current swarm and the memory swarm. A new learning mechanism is proposed in the former to enhance the swarm's exploration capability, whilst an intelligent division of labor (IDL) module is developed in the latter to adaptively divide the swarm into the exploration and exploitation sections. The proposed TLPSO-IDOL algorithm is thoroughly compared with nine well-establish PSO variants on 16 unimodal and multimodal benchmark problems with or without rotation property. Simulation results indicate that the searching capabilities and the convergence speed of TLPSO-IDL are superior to the state-of-art PSO variants.     

基于支持向量机和粒子群算法的软测量建模

针对PX氧化过程中的4-CBA浓度的估计问题,提出了基于支持向量机和粒子群算法来估计机理模型参数的方法．用支持向量机回归来提取特征样本,这些少量的特征样本估计机理模型参数可以减少计算时间,同时避免了人工随机试凑法选择训练样本的盲目性．采用粒子群算法来估计非线性机理模型的参数,可以避免传统方法对初始点和样本的依赖．工业实例表明,本文提出的方法是有效的．     

PX氧化反应尾气冷凝系统的模拟与优化

精对苯二甲酸(PTA)是我国最重要的化工原料,本文以某大型PTA装置的对二甲苯(PX)氧化反应尾气冷凝系统为对象,基于工艺机理,建立了该系统的模型,实现了流程模拟,获得了工艺操作条件下各流股的组分信息。并在PX氧化反应热计算的基础上,利用模型,对PX氧化反应尾气冷凝系统进行了用能评估与优化,工业装置应用实施后,调整了两级副产蒸汽,有效提高了氧化反应热的利用率,改善了PX氧化反应过程的运行性能。     

PSO-based intelligent integration of design and control for one kind of curing process

In this paper, a PSO-based intelligent integration of design and control is proposed for one kind of nonlinear curing process. This method combines the merits of both fuzzy modeling/control and PSO method, where fuzzy modeling/control is proposed to approximate/control the nonlinear process in a large operating region and the PSO-based intelligent optimization method is developed to solve non-convex and non-differential integration problem with design and control optimized simultaneously. Finally, the proposed method is compared with the traditional sequential method on controlling the temperature profile of a nonlinear curing process.     

Longitudinal control of an intelligent vehicle using particle swarm optimization based sliding mode control

This paper focuses on the design of longitudinal controller for an intelligent vehicle which was built at Asian Institute of Technology based on sliding mode control. The proposed controller uses particle swarm optimization (PSO) for optimal tuning of sliding surface and controller gain in the sliding mode controller (SMC). The longitudinal control is conducted via controlling of throttle value angle using PSO-based SMC on the simplified first-order linear model of the intelligent vehicle and controlling of brake force using fuzzy logic. In order to achieve the desired headway time, integration of throttle valve angle control and brake force control is required. To obtain the optimal parameters of SMC, two equations velocity updating and position updating are applied. Firstly, the performance of proposed controller is evaluated by using MATLAB simulation to compare with conventional PD controller. Finally, the experimental results show that the proposed PSO-based SMC can perform efficiently in longitudinal control of the intelligent vehicle.     

带有复形法局部搜索的粒子群算法求解最优控制问题*

对最优控制问题的求解是实现计算机控制的前提条件,但有效地求出控制系统的全局最优解是困难的。现今各种求解此问题的算法需要增强算法的优化性能与简洁性。遗传算法求此类问题需要进行离散化;复形法、粒子群算法求解此类问题容易陷入局部极值。为此提出用带有复形法局部搜索的粒子群算法求解此类问题。此算法充分考虑粒子群算法与复形法的特性,将复形法的局部搜索与粒子群算法的全局搜索结合起来,以提高算法搜索能力,克服粒子群算法与复形法易陷局部极值的不足。通过性能测试效果良好,同时算法简便、可行、高效。最后将所提算法用于求解Park-Ramirez生物反应器补料流率的动态优化,取得了满意的效果。     

新的混合智能优化算法及其多目标优化应用

针对人工鱼群算法后期收敛速度较慢、解精度不高的不足,按照分阶段寻优和变参数寻优的改进策略,并结合禁忌搜索算法中的相关规则,提出一种新的混合智能优化算法。该算法将寻优过程分为锁定最优解或者局部解邻域和求得高精度最优解两个阶段,每个阶段设置不同的参数并结合禁忌搜索算法以提高收敛速度和最优解精度。典型函数验证表明,该算法收敛速度快、精度高;同时,对于多目标优化问题,该算法可以提高Pareto最优解集质量,扩大决策分布范围,维持决策多样性,有利于决策者作出决策。