改进的混合粒子群优化算法

针对粒子群算法后期收敛速度较慢,易陷入局部最优的缺点,提出了改进的混合粒子群算法.通过更改现有的速度更新公式,加入扰动项,以及引入交叉和变异算子等措施,改进了粒子群算法的性能.数值试验表明,改进后的粒子群算法在全局寻优和局部寻优能力上均得到提高,是一种有效的优化算法.     

模拟退火-二进制粒子群优化算法在配电网重构中的应用

将模拟退火算法与二进制粒子群算法相结合应用于配电网重构的优化算法既发挥了粒子群算法收敛速度快的特点,又因为引入的模拟退火算法具有的较强的跳出局部最优解能力,实现了有效地避免粒子群算法易陷入局部极值点的缺点,提高了进化后期算法的收敛速度和精度。实例中应用IEEE16节点系统的算例验证了模拟退火-二进制粒子群混合算法在配电网重构中的可行性和有效性。     

基于改进粒子群优化算法的快速小目标检测

提出了一种快速小目标检测方法.在算法优化方面,采用粒子群优化算法.为了克服传统粒子群优化算法的一些不足,对粒子群的拓扑结构进行了自适应的调整,改进了粒子群的多样性和寻优能力.在小目标检测方面,主要通过图像局部方差增量描述小目标作为图像局部灰度突变区域的这种特性.通过将粒子群优化算法引入到检测中,提高了检测速度.通过仿真实验,粒子群的寻优能力有了明显的增强,检测的性能有了大幅度的提升,并且检测结果是可靠和有效的.     

基于混合粒子群算法的物流配送路径优化问题研究

针对物流配送路径优化问题,提出了一种融合Powell局部寻优算法和模拟退火算法的混合粒子群算法,以克服单用粒子群算法求解问题早熟收敛的不足,增加算法的开发能力,提高算法的全局搜索能力,并进行了实验计算.计算结果表明,用混合粒子群算法求解物流配送路径优化问题,可以在一定程度上提高粒子群算法在局部搜索能力和搜索全局最优解概率,从而得到质量较高的解.     

一种含最优变异的多微粒群优化算法

针对微粒群优化算法中的固有缺点，提出了带有最优变异算子的多微粒群优化算法，采用多个微粒群对目标函数进行寻优，并在寻优过程中对子群中最优微粒引入了最优变异算子。通过这样的处理，算法可以预防早熟收敛并具有更快的收敛速度和更好的局部开发能力。对一组测试函数的模拟实验结果表明，带最优变异的多微粒群优化算法可以摆脱局部最优解时微粒的吸引，在较少的代数内就能够获得好的优化结果。     

动态信息调整且速度可控的改进型合作粒子群算法

针对粒子群算法中因多样性丧失引致的早熟收敛问题,提出了一种动态信息调整且速度可控的改进型合作粒子群算法.该算法通过子群划分,在粒子自身最好值、全局粒子最好值基础上,增加了子群粒子最好值对粒子飞行状态的控制作用,并利用当前寻优次数,动态调整各最好值对粒子下一次状态确定的贡献率,实现三种参考信息的有效融合,从而具有更强的寻优能力;通过子群数的调整,研究实现收敛速度控制的可能性与可行性,在保证算法搜索精度的同时,使其具有更为合适的收敛速度.最后,利用仿真实验对理论分析结果进行验证,结果表明,相对于其他PSO类算法,本算法具有更好的收敛精度,且收敛速度可控.     

一种改进混沌粒子群优化的节点定位算法

为提高无线传感器网络节点粒子群优化定位算法的收敛速度与定位精度,将混沌变异引入到算法中,加强算法的局部搜索能力,并通过改进粒子群优化算法中惯性权重的设置,提高定位速度和定位精度。仿真结果表明,该算法性能稳定,具有较快定位速度和较高定位精度,是一种可行的无线传感器网络节点定位的解决方案。     

基于融合禁忌搜索粒子群算法的配电网无功优化

从数学角度分析,配电网无功优化是一个非线性、多变量、多约束的混合规划问题。粒子群优化搜索算法被广泛应用于求解配电网无功优化问题。由于粒子群算法粒子群在进化过程易趋向同一化,失去多样性,从而使算法陷入局部最优解。本文在分析配电网无功优化的特性基础上,提出一种改进的紧融合禁忌搜索-粒子群算法用于配电网无功优化问题的求解。通过将禁忌搜索功能融合到粒子历史最优解和全局最优解寻优过程中,避免了粒子群算法寻优过程中出现的局部最优问题,从而提高粒子群算法的全局搜索能力。通过IEEE14节点系统的仿真计算结果表明,改进的算法能取得良好的效果。     

一种改进的雁群扩展粒子群算法研究

针对粒子群算法易陷入局部最优的问题,结合雁群启示粒子群算法和扩展粒子群算法提出了基于雁群启示的扩展粒子群(GeEPSO)算法。该算法在利用雁群飞行方向的多样性同时融合了所有粒子的个体极值信息,提高了种群多样性。为进一步提高改进算法的收敛速度,引入简化粒子群提出了 GeESPSO算法。基准函数的仿真表明:改进算法GeESPSO较好地平衡了收敛速度和局部最优两个矛盾,总体较优。为进一步验证算法在实际应用中的有效性,又分别用两种改进算法优化BP神经网络,并用相关气象数据对PM2.5的值进行预测。     

多目标快速群搜索优化算法及在模型修正中的应用

为解决群搜索算法在求解多目标优化问题时易陷于局部最优或过早收敛,限制其在复杂结构模型修正中的应用问题,提出改进的群搜索优化算法-多目标快速群搜索优化算法(MQGSO)。采用LPS搜索方法对发现者进行迭代更新,能使发现者更快到达最优位置,提升寻优效率;对追随者增加速度更新机制,考虑其自身历史最优信息以保证收敛精度,并在算法后期采用交叉变异策略增加追随者个体多样性,避免陷入局部最优;在游荡者迭代更新中引入分量变异控制策略,增加其搜索的随机性,提高算法的全局寻优性能。通过7个典型多目标优化测试函数及某发射台有限元模型修正实例,对算法性能进行验证分析。结果表明,与已有MPSO(Multi-objective Particle Swarm Optimization)及MBFO(Multi-objective Bacterial Foraging Optimization)两种算法相比,所提MQGSO算法搜索性能更强、收敛速度更快、计算精度更高,不失为求解复杂多目标优化问题的有效方法。     

基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识

提出一种基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识方法。该算法采用动态自适应调整策略,提高了粒子群算法收敛速度;同时引入新型遗传算法混合交叉变异机制,避免了粒子群陷入局部最优。将自适应粒子群遗传算法与标准粒子群算法、遗传算法、人工蜂群算法进行了比较,仿真实验结果表明该算法在迭代60次左右完成参数辨识,各参数的辨识相对误差均降低到了1%以内。最后利用旋转柔性关节实验平台进行了实验验证,实验结果证明了该算法具有更好的收敛速度和寻优精度。     

基于改进PSO算法的结构损伤检测

结构的损伤检测常转化为求解约束优化问题,针对粒子群算法容易出现早熟问题,增大算法后期的粒子位置的改变量,从而增加粒子位置的差异,因而能够增强其在求解约束优化问题时抵抗局部极小的能力。两层刚架单损伤和多损伤识别的数值结果和收敛曲线表明了改进后的粒子群算法优于传统的带惯性因子的粒子群算法。三层框架结构的4种损伤工况的试验研究进一步说明了该算法应用于结构损伤检测领域的有效性。     

基于混合人工蜂群和人工鱼群优化的LSSVM脉动风速预测

考虑人工蜂群(ABC)和人工鱼群(AFS)算法的各自优势,提出混合智能算法(ABC+AFS)优化选择最小二乘支持向量机(LSSVM)参数的方法,以提高其脉动风速预测模型的性能。AFS算法有较强的全局寻优能力,混合智能算法以AFS算法中的人工鱼寻优方式代替ABC算法中的引领蜂寻优方式,克服ABC算法易陷入局部最优的问题。同时,ABC算法中的正负反馈机制可以克服AFS算法的后期盲目寻优、收敛速度下降的问题。运用基于混合ABC、AFS优化的LSSVM对脉动风速进行了预测,并与基于ABC、AFS和粒子群(PSO)算法优化的LSSVM脉动风速预测结果进行了比较。数值结果表明,基于混合ABC+AFS优化的LSSVM脉动风速预测模型有更好性能,具有工程应用前景。     

基于SSPSO优化GRNN的水电站厂房结构振动响应预测

提出基于优胜劣汰、步步选择的粒子群优化算法(SSPSO),弥补了一般粒子群优化算法容易陷入局部极值、早熟收敛或停滞的缺陷。并运用SSPSO对广义回归神经网络(GRNN)平滑参数P进行优化,充分利用SSPSO寻优能力强及径向基函数调整参数少的优点,建立厂房结构的振动响应预测模型,对某厂顶溢流式水电站的厂坝结构振动响应问题展开预测研究。通过分析预测效果得出:与一般的粒子群算法相比,所提出的SSPSO算法的寻优能力得到了很大的提高。与此同时,基于SSPSO优化的广义回归神经网络(SSPSO-GRNN)与其他网络相比,在预测精度、收敛性能、泛化能力等各个方面得到了很大提升。为水电站厂房振动响应预测提供了新的方法和思路,为增强厂房结构的智能化监测提供了保障。     

求解VRP问题的混沌模拟退火萤火虫算法

目的使萤火虫优化算法(GSO)能够适用于车辆路径问题(VRP)的求解,同时提高该算法的求解性能。方法通过对GSO算法的改进,提出求解VRP问题的混沌模拟退火萤火虫优化算法(CSAGSO)。首先,设计改进的GSO算法(IGSO)使IGSO算法能够适应VRP问题的求解;其次,在IGSO算法中引入模拟退火机制,提出模拟退火萤火虫优化算法(SAGSO),使IGSO算法可有效避免陷入局部极小并最终趋于全局最优。然后,在SAGSO算法中引入混沌机制,提出CSAGSO算法,对SAGSO算法的荧光素浓度值进行混沌初始化和混沌扰动;最后,对标准算例集进行仿真测试。结果与遗传算法、蚁群算法和粒子群算法相比,CSAGSO算法的全局寻优能力、收敛速度及稳定性均改善了50%以上。结论对GSO算法的改进是合理的,且CSAGSO算法的全局优化能力、收敛速度和稳定性均优于遗传算法、蚁群算法和粒子群算法。     

基于改进狮群算法的汽轮机热耗率模型预测

针对汽轮机热消耗率模型难以精准预测的问题,提出一种基于改进的狮群算法和快速学习网综合建模的方法。首先,针对传统狮群算法易早熟收敛以及在迭代后期寻优速度缓慢导致算法陷入局部最优的缺陷,通过引入禁忌搜索、非线性扰动因子以及黄金正弦策略进行改进;其次,对改进后的狮群算法进行数值验证,结果证明其具有更高的收敛精度和收敛速度;最后,采用某热电厂汽轮机的运行数据建立汽轮机热消耗率预测模型,并将改进狮群算法优化的快速学习网对其进行热耗率预测,将实验结果与其他优化策略进行对比验证,实验结果表明,基于改进狮群算法的快速学习网预测模型具有更高的泛化能力,提高了汽轮机热耗率的预测精度。     

基于速度交流的多种群多目标粒子群算法研究

为提高多目标优化算法的收敛精度和搜索性能,提出一种基于速度交流的多种群多目标粒子群算法。算法引入速度交流机制,将种群划分为多个子种群以实现速度信息共享,改善粒子单一搜索模式,提高算法的全局搜索能力。采用混沌映射优化惯性权重,提高粒子搜索遍历性和全局性,为降低算法在运行后期陷入局部最优Pareto前沿的可能性,对各个子种群执行不同的变异操作。将算法与NSGA-Ⅱ、SPEA2、AbYSS、MOPSO、SMPSO和GWASF-GA先进多目标优化算法进行对比,实验结果表明:该算法得到的解集具有更好的收敛性和分布性。     

应用免疫粒子群优化算法的排课系统

排课系统的目标是要合理、高效配置教学资源,解决资源的冲突与抢占,并兼顾资源配置的公平性,排课问题是一个NP完全问题,由五大要素组成的非线性优化问题。提出基于免疫接种粒子群的排课算法,在粒子群进化过程中,引入免疫接种及免疫选择机制,通过抗体与抗原的亲和力计算来促进或抵制抗体的进化,保证粒子群进化的多样性,指导粒子群的进化过程,克服粒子群算法的早熟现象,加快收敛速度和提高全局寻优能力。人机交互方式的排课系统可以得到较好的近似最优解。     

加权微粒群算法在模型配准中的应用

微粒群算法目前已经在很多领域得到了广泛的应用。根据微粒群算法收敛较快的权值范围,建立加权函数,将其运用到速度进化过程中,并在进化过程中分群优化,使得改进的微粒群算法在迭代初期具有较好的全局收敛能力,在迭代后期具有较好的局部收敛能力,从而可以实现维护全局和局部搜索能力的平衡。将该算法运用于散乱点云与三维CAD模型的配准问题中,并与基本微粒群算法进行对比,具有更好的配准结果,迭代收敛更快。     

基于改进粒子群算法的Volterra模型参数辨识

针对非线性系统Volterra泛函级数模型,结合混沌优化策略和种群多样性控制思想,提出了一种改进粒子群算法,并应用于Volterra模型参数的辨识,将非线性系统的辨识问题转化为高维参数空间上的优化问题。利用混沌序列增加初始种群的多样性,通过构建动态子群以进行协作寻优,且各子群采用不同的参数自适应调整策略,并定义算法收敛性测度以对精英粒子进行合理的混沌变异,避免了算法早熟收敛,提高了算法的寻优速度和寻优精度。仿真实验中,将该方法与基于标准粒子群算法、遗传算法、量子粒子群算法的Volterra模型参数辨识方法相比较,验证了该辨识方法的有效性和鲁棒性。