多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

基于粒子群优化算法的支持向量机参数选择

由于支持向量机的主要参数的选择能够在很大程度上影响分类性能和效果,并且目前参数优化缺乏理论指导,提出一种粒子群优化算法以优化支持向量机参数的方法.该方法通过引入非线性递减惯性权值和异步线性变化的学习因子策略来改善标准粒子群算法的后期收敛速度慢、易陷入局部最优的缺陷.实验结果表明,相对于标准粒子群算法,本方法在参数优化方面具有良好的鲁棒性、快速收敛和全局搜索能力,具有更高的分类精确度和效率.     

一种非线性权重的自适应粒子群优化算法

针对粒子群优化算法中出现早熟和不收敛问题,分析了基本PSO算法参数对其优化性能的影响,提出了基于非线性权重的自适应粒子群优化算法（NWAPSO）。在优化过程中,惯性权重随迭代次数非线性变化,改进的算法能使粒子自适应地改变搜索速度进行搜索,并与基本粒子群算法以及其他改进的粒子群算法进行了比较。实验结果表明,该算法在搜索精度和收敛速度等方面有明显优势。特别对于高维、多峰等复杂非线性优化问题,算法的优越性更明显。     

基于进化粒子群优化的非线性系统辨识

为解决复杂非线性系统的辨识问题,提出了一种基于进化粒子群优化算法的非线性系统辨识方法.在标准粒子群优化算法的基础上引入一种进化策略, 增加粒子的多样性.在算法迭代寻优的过程中, 通过对群体中的粒子进行选择、变异等进化操作, 构造进化粒子群优化算法, 提高算法的全局搜索能力.将非线性系统辨识问题转化为非线性连续域优化问题, 利用进化粒子群优化算法进行并行、高效搜索, 以获得该优化问题的解.通过对多输入单输出的Wiener-Hammerstein模型进行辨识, 验证了该方法的正确性和可行性.     

有限作用域的混沌粒子群优化算法

针对粒子群可能会陷入局部极优值所导致的早熟问题,提出一种有限作用域的混沌粒子群优化方法。利用特定的初始分布涵盖全局最优值,利用混沌序列良好的非线性性质,影响粒子速度更新过程,增加粒子种群的多样性。以有限作用域外的粒子遍历优化问题的可行域,增加粒子对可行域的广度搜索,以作用域内的粒子搜索最优值,提高全局最优值的精度搜索效率。数值实验表明提出的算法优于标准粒子群和传统的混沌粒子群,并能解决粒子群的早熟问题。     

一种基于和声搜索的动态交叉粒子群算法

针对粒子群优化算法(PSO)在优化多维问题时容易陷入局部最优的问题,提高其全局搜索能力和拓展能力,提出了一种基于和声搜索的动态交叉粒子群算法.引入动态交叉操作,使得粒子在更新速度时实现共享有效信息,保证粒子进化过程中的种群多样性,提高全局搜索能力.结合和声搜索(HS)的随机搜索能力提出了HS-DCPSO,利用和声搜索的自适应调整参数音符调节概率PAR和间隔调整带宽bw来提高粒子群的拓展能力.通过多个基准函数对所提出的HS-DCPSO算法进行仿真测试,并与HS、PSO及多种改进的粒子群算法对比,验证所提出的HS-DCPSO算法具有较强的全局搜索能力和局部拓展能力,并且算法时间复杂度相比传统PSO增加不明显.     

基于改进粒子群算法的图像灰度增强研究

针对灰度图像增强的特点,采用具有混沌量子特性的粒子群优化算法。首 先粒子以全局最优解更新自身的速度和位置;接着量子效应的概率密度函数使束缚状态的粒 子以一定概率出现在整个可行搜索空间的任何位置;然后混沌状态使粒子从无序到有序转 变,相关因子避免了搜索的盲目性;最后灰度图像采用非线性映射曲线变换,其函数转化为 改进粒子群算法的参数。实验仿真显示算法对图像灰度增强效果优,定量评价指标好,时效 性佳。     

改进PSO与小波的地基沉降预测应用

将改进的具有双群特性及带变异算子的粒子群优化算法与小波分析结合优化神经网络预测地基沉降量.针对粒子群算法易陷入局部极小值的缺陷,将粒子总群分成两个子群,分别对两个子群进行不同的搜索策略以增强算法的全局和局部搜索能力.其中一个子群采用变惯性权重进行局部细搜索;另一个子群采用大的惯性权重进行全局搜索,并与小波分析去噪结合,优化神经网络参数,对地基累计沉降数据进行预测.实验结果表明这种划分使算法有较强的全局和局部搜索能力,同时提高了预测精度.     

粒子群优化算法简介

介绍了基本PSO算法以及两种典型的改进算法:1)全局邻域模式和局部邻域模式对粒子群优化算法的影响,全局邻域模式粒子群优化算法收敛快,但容易陷入局部极小值;局部邻域模式粒子群优化算法由于粒子倾向于在不同的局部区域搜索因而收敛速度慢,但能在较大程度上避开局部极小值;2)混沌粒子群优化算法,它具有混沌的随机性、遍历性、规律性等特性引导粒子及其组成的群落搜索全局最优解。     

混沌时间序列的混合粒子群优化预测

提出一种混合粒子群优化算法,即在改进粒子群优化算法全局搜索模型参数的基础上,利用梯度下降法进一步确定径向基神经网络模型参数,以提高网络的收敛精度和网络性能.采用基于RBFNN的混合粒子群优化算法进行离散Henon和连续Mackey-Glass混沌时间序列预测仿真,结果表明该算法能快速精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法.     

基于粒子群优化算法的非线性系统模型参数估计

非线性模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值。由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对3种典型的非线性模型的参数估计进行了验证。实验结果表明：粒子群优化算法参数估计精度高,是一种有效的参数估计方法。     

PSO算法在非线性回归模型参数估计中的应用

非线性回归模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值。由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对6种非线性回归模型的参数估计进行了验证。实验结果表明：粒子群优化算法是一种有效的参数估计方法。     

PSO算法在非线性模型参数估计中的应用

将微粒群优化(PSO)算法用于非线性系统模型参数估计，并通过对谷氨酸菌体生长模型的参数估计进行了验证．实验结果表明：微粒群算法为非线性系统模型参数估计提供了一种有效的途径．     

Non-parametric particle swarm optimization for global optimization

In recent years, particle swarm optimization (PSO) has extensively applied in various optimization problems because of its simple structure. Although the PSO may find local optima or exhibit slow convergence speed when solving complex multimodal problems. Also, the algorithm requires setting several parameters, and tuning the parameters is a challenging for some optimization problems. To address these issues, an improved PSO scheme is proposed in this study. The algorithm, called non-parametric particle swarm optimization (NP-PSO) enhances the global exploration and the local exploitation in PSO without tuning any algorithmic parameter. NP-PSO combines local and global topologies with two quadratic interpolation operations to increase the search ability. Nineteen (19) unimodal and multimodal nonlinear benchmark functions are selected to compare the performance of NP-PSO with several well-known PSO algorithms. The experimental results showed that the proposed method considerably enhances the efficiency of PSO algorithm in terms of solution accuracy, convergence speed, global optimality, and algorithm reliability.     

基于粒子群优化的Wiener模型辨识与实例研究

针对一类工业过程中可描述成Wiener模型的非线性系统,其辨识问题可等价成以估计参数为优化变量的非线性极小值优化问题．利用粒子群优化(PSO)算法在整个参数空间内并行搜索获得极小值优化问题的最优解(Wiener模型的最优估计),通过对粒子的迭代轨迹进行分析,改进了PSO算法中惯性权重和学习因子的选择．通过一个Wiener模型的数值仿真验证了本文提出的辨识方法的有效性和实用性,并将该方法应用在连续退火机组加热炉产品质量模型的辨识研究,取得了满意的辨识效果．     

Low-discrepancy sequence initialized particle swarm optimization algorithm with high-order nonlinear time-varying inertia weight

Particle swarm optimization (PSO) is a population-based stochastic optimization algorithm motivated by intelligent collective behavior of some animals such as flocks of birds or schools of fish. The most important features of the PSO are easy implementation and few adjustable parameters. A novel PSO method called LHNPSO, with low-discrepancy sequence initialized particles and high-order (1/π²) nonlinear time-varying inertia weight and constant acceleration coefficients, is proposed in this paper. The initial population particles are generated by using the Halton sequence to fill the search space efficiently. Nonlinear functions with orders varied within big ranges are employed to adjust the inertial weight, cognitive and social parameters. Based on the sensitivity analysis of PSO performance to the changes of the orders of these nonlinear functions, 1/π² order nonlinear function is selected to adjust the time-varying inertia weight and the two acceleration coefficients are set to be constants. A set of well-known benchmark optimization problems is then used to investigate the performance of the proposed LHNPSO algorithm and facilitate the comparison with other three types of PSO algorithms. The results show that the easily implemented LHNPSO can converge faster and give a much more accurate final solution for a variety of benchmark test functions.     

Particle swarm optimization based inverter design considering transient performance

Evolutionary computation is an efficient tool for automated design of digital integrated circuits. Demand for electronic circuit automation has increased due to complexity growth in VLSI circuits. Since circuit design deals with highly complicated nonlinear equations, obtaining optimal solution of these equations due to particular constraints in short time and disregardable error is of prime concern. Simpler structure and better result providing in case of parameter growth makes particle swarm optimization (PSO) an ideal candidate for optimal design of circuit topologies. In this work, usage of PSO algorithm in digital electronic circuit design has been investigated. For this purpose, the performance of the algorithm has been tested on the design of an inverter considering transient performance. Performance criteria of inverter constitute the constraints of PSO. Obtained results show that theoretical design of inverter is matched with PSO based design.     

基于支持向量机的机载吊舱故障诊断优化算法

提升机载吊舱的后勤保障能力,适应吊舱测试中多型号、多故障类型和测试环境动态变化的测试要求,是打赢现代化战争的重要保障。支持向量机（SVM）算法适用于小样本、高维度、非线性分类问题,SVM相关参数是影响算法性能的重要因素。基于K-CV算法和粒子群算法两种改进的SVM模型可以实现SVM参数优化,K-CV算法可以交叉验证优化模型参数,粒子群算法可以对SVM参数进行动态寻优,建立多核SVM吊舱故障诊断模型。两种算法都可以提高吊舱故障诊断模型的准确率,提高模型的学习能力和泛化能力,有效对吊舱的故障进行定量和定位诊断。     

基于粒子群优化算法的约束布局优化

布局优化是NP难问题，也是复杂的非线性约束优化问题．针对这个问题，将新的基于粒子群优化的方法应用于布局参数的优化，提出了适合粒子群优化的约束处理，并通过与直接搜索算法的混合，加强了算法在局部区域的搜索能力．通过实例将该算法与乘子法以及基于遗传算法的布局优化方法进行了比较．仿真结果表明，该算法可以提高布局优化问题解的质量，同时降低计算费用．     

一种辨识Wiener-Hammerstein模型的新方法

针对非线性Wiener-Hammerstein模型,提出利用粒子群优化算法对非线性模型进行辨识的新方法.该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题;然后采用粒子群优化算法获得该优化问题的解.为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法.最后,仿真结果验证了该方法的有效性和可行性.