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。     

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。     

带爆炸算子的粒子群优化算法

粒子群优化算法(PSO)在应用中极易陷入局部最优并且后期收敛速度较慢。针对这两个问题,分析标准粒子群优化算法的收敛特性,利用粒子群算法的惯性权重来保证算法的全局寻优能力,提出的局部搜索策略是在两次迭代过程中粒子位置突变较大时融合爆炸算子提高粒子的局部开采能力,极大的改善算法后期的收敛速度。通过典型的函数优化实验验证,改进算法在寻优能力、寻优精度、收敛速度等方面都有较好性能。是平衡粒子探索和开采能力的高效算法。     

基于小波包与质心粒子群的齿轮箱故障诊断及应用

针对齿轮箱振动信号中蕴含大量状态信息难以有效提取的问题,利用小波包分解对原始振动信号进行降噪及特征能量提取,通过BP神经网络实现故障的模式识别。针对神经网络收敛速度慢、易陷入局部最优值问题,提出利用简单、易行的质心粒子群算法对BP神经网络的权值和偏置进行优化。在粒子群算法中,通过设计种群质心和最优个体质心、根据粒子位置动态改变惯性权重,并将其引入粒子群算法的速度调整公式中:来构建质心粒子群算法。分别将该方法与基本粒子群算法、遗传算法应用在齿轮箱故障诊断中,通过比较表明该方法可以有效提高分类效率和准确率。     

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。     

基于自适应QPSO算法的软件测试数据自动生成

针对软件测试数据采用遗传算法和粒子群算法自动生成算法复杂和容易早熟等问题,提出一种动态调整收缩扩张因子的自适应量子粒子群算法(AQPSO)。该算法通过引入粒子进化度和聚合度,收缩扩张因子随粒子进化度因子和聚合度因子变化而变化,从而实现算法的动态自适应性,提高算法收敛速度和求解精度。软件测试数据自动生成实验验证了该算法的有效性和可行性。     

基于H∞理论的信息熵PSO算法整定大时滞PID参数

目的针对粒子群算法(PSO)整定大时滞PID控制器参数过程中搜索范围较大,搜索能力较差,甚至出现不收敛的问题,提出一种基于H_∞理论的小范围搜索且带有目标性初始化粒子群的改进PSO算法(HOI-PSO)。方法利用H_∞理论确定PSO算法的初始搜索范围,融合信息熵对初始化粒子群进行评估、调整,从而获得分散性较高的初始种群。结果 Matlab仿真实验表明,HOI-PSO算法能够提高PSO算法的收敛速度,具有同大范围相似甚至更好的全局寻优能力;对于大时滞过程控制,闭环系统的控制性能得到很大改善。结论 HOI-PSO算法应用于长网造纸机定量回路的控制结果表明,采用信息熵PSO算法整定出的PID控制器参数对大时滞过程具有良好的控制效果,在实际生产中也具有一定的理论指导意义。     

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.     

基于维信息共享的粒子群优化算法在作业车间调度中的应用

为提高车间调度算法的寻优性能,提出了一种基于维信息共享的粒子群算法的车间调度问题解决方案。该算法对粒子群的认知过程和更新过程进行了研究,通过维信息共享和动态认知概念的引入,实现了优化问题维信息的沟通和交流,通过增加扰动因子克服算法的过早收敛,提高了对优化问题的适应能力。通过对3个连续函数优化问题的测试,得到了最佳的平均值和标准差,并对14个JSP标准测试案例进行仿真。结果表明无论是在求解质量还是收敛速度方面都优于其他几种算法,说明该算法能够有效地、高质量地解决作业车间调度问题。     

基于粒子群遗传算法的泊车系统路径规划研究

针对智能停车库自动导引运输车(automated guided vehicle,AGV)存取车路径规划问题,提出了一种基于粒子群和遗传算法的动态自适应混合算法.在标准粒子群算法和遗传算法的基础上,通过引入动态自适应调整策略分别对惯性权重系数、学习因子以及交叉变异概率公式进行了优化.在进化初期,通过在惯性权重系数和学习因子之间建立动态联动关系来实现对粒子速度和位置的实时有效更新;在进化后期,通过引入自适应遗传算法的交叉、变异操作来增强混合算法的全局搜索能力,提高算法的进化速度和收敛精度.为验证混合算法的可行性和有效性,选用MATLAB软件对其进行仿真测试.仿真测试结果显示,与禁忌搜索算法、蚁群算法以及遗传算法相比,混合算法表现出较强的全局搜索能力和较好的收敛性能,表明混合算法可行和有效.