基于多目标粒子群算法的PID控制器设计

随着对控制系统的要求越来越高,进行比例积分微分(Proortion Integration Differentiation,PID)控制器的设计的时候应该同时考虑到系统时域指标和频域指标,常规的PID整定方法往往很难实现.为解决上述问题,采用多目标粒子群算法进行PID控制器参数的设计,算法将系统的超调量、上升时间和稳定时间作为目标函数,频域指标作为约束条件.算法的运算结果为一组Pareto最优解,运行者可以根据当前对系统的要求从中选取合适的解.通过与常规PID整定方法和采用单目标粒子群算法的方法进行比较,证明了改进方法的有效性.     

基于粒子群的H_∞混合灵敏度在飞控系统中的应用

提出了一种基于粒子群优化算法的H∞混合灵敏度控制律设计方法。该方法采用粒子群优化算法来优化加权函数,用H∞混合灵敏度方法设计飞行控制系统鲁棒控制器,满足了系统时域和频域性能要求。以某型飞机横侧向运动为例进行仿真,结果表明,用该方法设计的飞行控制系统具有良好的鲁棒性能和稳态性能,而且具有很好的动态品质。     

基于APSO算法的多目标满意优化研究

提出了多变量系统的多参数多目标满意优化方法.将系统性能指标要求的满意设计与控制器参数优化融为一体考虑,通过设计性能指标满意度函数和系统综合满意度函数,构造出多目标系统满意优化模型,并用自适应粒子群算法实现其满意优化.仿真结果显示该方法可获得比传统粒子群算法更满意的综合性能指标,表明了该方法的有效性和实用性.     

具有主从结构的粒子群优化算法

提出了一种具有主从结构的粒子群优化算法,该算法实现了惯性权重、加速因子、最大速度等系统参数与目标函数的同步优化。将主程序的一个粒子作为子程序的一组系统参数,在该组控制参数下使用基本的粒子群算法对子程序的目标函数进行优化,并把子程序优化所得的全局最优值返回主程序作为主程序的一个适应值,同时使用基本的粒子群算法对主程序的适应度函数进行优化。实验结果表明,该算法的优化性能较基本的粒子群算法有了显著提高。该方法对于粒子群算法的参数选择具有指导意义。     

基于性能诊断的预测控制器参数整定策略

针对多变量模型预测控制系统在长期运行中出现设定值变化、模型失配、扰动特性变化后控制器参数不再匹配的问题,提出一种在得到性能诊断结果后基于改进粒子群算法的控制器参数整定方法.通过分析最优控制律与三项系统性能的关系,构造出对应的目标优化函数,对粒子群算法迭代过程中粒子的位置和惯性因子做出改进,弥补该算法易于陷入局部最优以及...     

基于粒子群算法的多用户OFDM系统自适应资源分配

在分析多用户OFDM系统模型的基础上,得出多用户OFDM系统的自适应资源分配的目标函数,然后利用粒子群优化算法对其进行了优化。为了提高粒子群优化算法的全局收敛性的收敛速度,将禁忌搜索策略和变异操作引入到基本粒子群优化算法之中。仿真结果表明,改进的粒子群优化算法可以非常有效地解决多用户OFDM系统自适应资源分配问题。     

基于自适应变异的混沌粒子群优化算法

粒子群优化算法参数少,寻优速度快,但其寻优效率低且在寻优后期易早熟收敛。为改善其寻优性能,在标准粒子群优化算法中,通过引入混沌映射和自适应变异策略,提出具有自适应变异的混沌粒子群优化（ACPSO）算法,以增强种群的全局寻优性能和局部寻优效率。六个基准测试函数的仿真结果表明,ACPSO算法比已有的五个算法具有更好的寻优能力。     

自适应粒子群优化算法研究及其化工报警阈值优化应用

生产装置能否安全有效地运行,已经成为衡量工业生产发展水平的主要标志之一。面临日益复杂的化工过程生产装置,提高化工过程报警系统的性能有着重要的指导意义。传统的报警阈值参数设置方法局限性大,为了提升化工过程报警系统性能,需要对某些过程参数的报警阈值进行优化设置。本文针对传统粒子群算法的不足,采用了参数自适应的粒子群算法,该自适应粒子群算法通过实时调节自身的参数,使得能够较快地寻找到最优个体,且不容易陷入局部最优解。通过对一标准函数的研究,结果表明该自适应粒子群算法比传统的粒子群算法能够较快的达到最优解。随后,用该算法优化TE过程某一参数的报警阈值,降低了报警过程中误报和漏报的总次数,提高了报警系统的性能。本文所提方法为指导生产装置的安全运行提供了有效策略。     

基于粒子群算法的控制系统校正

针对控制系统校正参数求解过程繁琐的问题,提出一种基于粒子群算法的控制系统校正方法。为了提高系统的校正效率,本设计方案首先将多个超前校正装置和滞后校正装置串联组合成多级校正装置,然后采用粒子群算法程序直接对多级校正装置的参数进行寻优,找出满足性能指标要求的多级校正装置的参数,从而实现控制系统的校正。仿真结果表明,这种方法不但简化校正的过程,提高控制系统校正的效率,而且扩展了可校正系统的范围。     

基于PSO优化的电动舵机自抗扰控制器设计

将自抗扰控制技术(ADRC)引入电动舵机控制系统,针对系统输出的测量噪声,使用反正切非线性函数对ARDC进行改进,并针对自抗扰控制器参数较多,整定难度大的特点,采用粒子群优化算法(PSO)优化参数.利用Matlab/Simulink对某电动舵机控制系统进行建模、实现基本自抗扰控制器得出基本ADRC控制性能数据,采用粒子群优化算法对ADRC参数进行优化,得出PSO优化ADRC控制性能数据.分析两组数据得出经过粒子群算法优化后的参数更能发挥自抗扰控制器的效能,优化过程对ADRC实际应用具有指导意义.     

Mechanism and Convergence Analysis of a Multi-Robot Swarm Approach Based on Natural Selection

The Darwinian Particle Swarm Optimization (DPSO) is an evolutionary algorithm that extends the Particle Swarm Optimization (PSO) using natural selection, or survival-of-the-fittest, to enhance the ability to escape from local optima. An extension of the DPSO to multi-robot applications has been recently proposed and denoted as Robotic Darwinian PSO (RDPSO), benefiting from the dynamical partitioning of the whole population of robots. Therefore, the RDPSO decreases the amount of required information exchange among robots, and is scalable to large populations of robots. This paper presents a stability analysis of the RDPSO to better understand the relationship between the algorithm parameters and the robot’s convergence. Moreover, the analysis of the RDPSO is further extended for real robot constraints (e.g., robot dynamics, obstacles and communication constraints) and experimental assessment with physical robots. The optimal parameters are evaluated in groups of physical robots and a larger population of simulated mobile robots for different target distributions within larger scenarios. Experimental results show that robots are able to converge regardless of the RDPSO parameters within the defined attraction domain. However, a more conservative parametrization presents a significant influence on the convergence time. To further evaluate the herein proposed approach, the RDPSO is further compared with four state-of-the-art swarm robotic alternatives under simulation. It is observed that the RDPSO algorithm provably converges to the optimal solution faster and more accurately than the other approaches.     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

混合自适应粒子群工作流调度优化算法

针对具有截止期的云工作流完成时间与执行成本冲突的问题,提出一种混合自适应粒子群工作流调度优化算法（HAPSO）。首先,基于截止期建立有向无环图（DAG）云工作流调度模型;然后,通过范数理想点与自适应权重的结合,将DAG调度模型转化为权衡DAG完成时间和执行成本的多目标优化问题;最后,在粒子群优化（PSO）算法的基础上引入自适应惯性权重、自适应学习因子、花朵授粉算法的概率切换机制、萤火虫算法（FA）和粒子越界处理方法,从而平衡粒子群的全局搜索与局部搜索能力,进而求解DAG完成时间与执行成本的目标优化问题。实验中对比分析了PSO、惯性权重粒子群算法（WPSO）、蚁群算法（ACO）和HAPSO的优化结果。实验结果表明,HAPSO在权衡工作流（30～300任务数）完成时间与执行成本的多目标函数值上降低了40.9%～81.1%,HAPSO在工作流截止期约束下有效权衡了完成时间与执行成本。此外,HAPSO在减少完成时间或降低执行成本的单目标上也有较好的效果,验证了HAPSO的普适性。     

改进的粒子群算法在化工过程优化中的应用

在现有自适应粒子群优化算法的研究基础上本文引入1种反弹机制(Rebound Mechanism),提出了1种改进的粒子群算法——反弹自适应粒子群优化算法。RAPSO能在搜索过程中充分利用粒子的飞行速度和方向等信息(下文称为动量信息),维持粒子的多样性以提升算法的搜索性能。通过比较,本文提出的RAPSO在一定程度上改进了现有的自适应粒子群算法的优化性能。运用RAPSO对催化裂化装置进行优化试验,其结果表明无论在单变量优化还是在多变量优化中,该装置的转化率都得到了一定程度的提高。     

Real-time stochastic optimal control for traffic signals of multiple intersections

In this paper, a real-time stochastic optimal control method of traffic signal is modified. In addition, H-GA-PSO algorithm is proposed to search optimal traffic signals based on the stochastic model. The H-GA-PSO algorithm is a modified Hierarchical Particle Swarm Optimization (H-PSO) algorithm based on Genetic Algorithm (GA) processing. Finally, the effectiveness of the stochastic optimal control method with H-GA-PSO algorithm is shown through simulations at multiple intersections using a micro-traffic simulator.     

非线性互补问题的粒子群算法

针对非线性互补问题求解的困难,利用粒子群算法并结合极大熵函数法给出了该类问题的一种新的有效算法。该算法首先利用极大熵函数将非线性互补问题转化为一个无约束最优化问题,将该函数作为粒子群算法的适应值函数;然后应用粒子群算法来优化该问题。数值结果表明,该算法收敛快、数值稳定性较好,是求解非线性互补问题的一种有效算法。     

一类非线性极小极大问题的改进粒子群算法

针对一类非线性极小极大问题目标函数非光滑的特点给求解带来的困难,利用改进的粒子群算法并结合极大熵函数法给出了此类问题的一种新的有效算法。首先利用极大熵函数将无约束和有约束极小极大问题转化为一个光滑函数的无约束最优化问题,将此光滑函数作为粒子群算法的适应值函数;然后用数学中的外推方法给出一个新的粒子位置更新公式,并应用这个改进的粒子群算法来优化此问题。数值结果表明,该算法收敛快﹑数值稳定性好,是求解非线性极小极大问题的一种有效算法。     

无线传感器网络中的自适应路由算法

在传感器网络中,分簇是有效的层次组织方法。提出一种新的基于自适应粒子群优化的分簇路由算法。粒子群是典型的群智能算法,受启发于鸟群的捕食行为,并逐渐发展成为一种成熟的优化算法。对其进行改进,使其能够得到更好的收敛效果。仿真结果表明,相比低功耗自适应集簇分层型协议算法,该方法更具节能特性,延长了全网生存时间。     

变分布的量子行为粒子群优化算法求解工程约束优化问题

针对工程形状设计领域中带有多个约束条件的非线性设计优化问题,提出了一种自适应的基于高斯分布的量子行为粒子群优化(AG-QPSO)算法。通过自适应地调整高斯分布,AG-QPSO算法能够在搜索的初始阶段有很强的全局搜索能力,随着搜索过程的进行,算法的局部搜索能力逐渐增强,从而满足了算法在搜索过程不同阶段的需要。为了验证算法的有效性,在压力容器和张弦设计问题这两个工程约束优化问题上进行50轮独立实验。实验结果表明,在满足所有约束条件的情况下,AG-QPSO算法在压力容器设计问题上取得了5890.9315的平均解和5885.3328的最优解,在张弦设计问题上取得了0.01096的平均解和0.01096的最优解,远优于标准粒子群优化(PSO)算法、具有量子行为的粒子群优化(QPSO)算法和高斯量子行为粒子群(G-QPSO)算法等现有的算法的结果,同时AG-QPSO算法取得的结果的方差较小,说明该算法具有很好的鲁棒性。     

改进PSO算法优化LSSVM模型的短期客流量预测

旅游客流量的准确预测为旅游目的地资源优化配置、景区战略计划制定提供有效依据。为了提高景区日客流量的预测精度,提出基于改进粒子群算法（Particle Swarm Optimization,PSO）优化最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的预测方法,针对PSO算法的惯性权重在采取线性递减策略时不能满足粒子寻优非线性变化的缺陷,从种群中粒子的聚合程度以及种群进化中粒子适应度同惯性权重的关系出发,利用对数函数非线性变化的特性,提出基于对数函数的惯性权重自适应调整方法（Adaptive Logarithmic Particle Swarm Optimization,ALPSO）。通过改进的PSO算法优化LSSVM的参数,建立山岳型风景区日客流量的预测模型。以黄山风景区2012-2015年景区每日上山人数为例,实验结果证明,与基于标准PSO算法、正弦粒子群算法（Sinusoidal Particle Swarm Optimization,SPSO）和高斯粒子群算法（Gaussian Particle Swarm Optimization,GPSO）优化的LSSVM模型相比,ALPSO-LSSVM模型的预测性能更好,是准确预测景区日客流量的有效方法。