微粒群优化算法

介绍了微粒群优化（PSO）算法的原理、算法流程、算法参数及其对算法性能的影响．讨论了各种改进的PSO算法．分析了多相微粒群优化算法（MPPSO）的原理、算法方程、算法参数及其对算法性能的影响．最后归纳了PSO算法的应用概况，并就PSO算法进一步的研究工作进行了探讨和展望．     

多目标微粒群优化算法

通过设计一种Pareto解集过滤器,并在此基础上给出多目标优化条件下的微粒群算法群体停滞判断准则,基于该准则提出了一种多目标微粒群优化算法。算法利用Pareto解集过滤器提高了候选解的多样性,并使用图形法将所提算法与经典的多目标优化进化算法在一组标准测试函数上进行了比较,结果表明算法具有更好的搜索效率。     

微粒群算法在传感器优化配置中的应用

为了将动态测试中的传感器配置在合理的自由度,以便充分反映结构的动力特性,需对传感器进行优化配置.分别以MAC矩阵、Fisher信息阵,及其组合为优化准则,采用微粒群算法,对传感器优化配置问题进行了研究,探讨了优化准则和优化算法对传感器优化配置结果的影响.通过与模态动能法、有效独立法及基于QR分解的逐步累积法比较,传感器优化配置的结果表明微粒群算法优于上述方法.     

混沌微粒群优化算法在图像匹配中的应用

针对传统图像匹配计算量较大、匹配速度慢、抗干扰能力差的问题,将混沌算子与微粒群优化算法相结合,提出一种鲁棒性强、计算速度快的图像匹配方法。该算法利用微粒群优化算法的收敛快速性和混沌运动的遍历性、随机性等特点,实现了非遍历性搜索。在算法初始化阶段,对粒子位置混沌初始化;在算法运行期间,对优秀个体进行混沌扰动避免落入局部最优。提高了算法对多维空间的全局搜索能力,并可以有效避免早熟现象。实验结果表明该算法的图像匹配具有快速性和较高的准确性,对解决噪声情况下的图像匹配问题十分有效。     

微粒群优化算法在传感器非线性自校正中的应用

微粒群优化(PSO)算法是一种进化算法,包含的概念简单。介绍了不同于传统的传感器非线性校正方法,将PSO算法应用于传感器非线性校正的参数估计,并通过电涡流微位移传感器非线性校正进行PSO算法效果测试。实验研究表明:PSO算法简单、得到的传感器非线性校正曲线精度高。PSO算法为传感器的非线性校正提供了一种新方法。     

随机微粒群优化算法

微粒群优化算法是继蚁群算法之后又一种新的基于群体智能的启发式全局优化算法,其概念简单、易于实现,而且具有良好的优化性能,目前已在许多领域得到应用。但在求解高维多峰函数寻优问题时,算法易陷入局部最优。该文结合模拟退火算法的思想,提出了一种改进的微粒群优化算法——随机微粒群优化算法,该算法在运行初期具有更强的探索能力,可以避免群体过早陷入局部极值点。基于典型高维复杂函数的仿真结果表明,与基本微粒群优化算法相比,该混合算法具有更好的优化性能。     

汽油管道调合配方优化控制及其应用

配方优化控制是汽油管道调合工艺成套技术的1个重要组成部分,详细论述了开发配方优化控制的过程和算法,并讨论了在某大型石化企业应用的实例.在线配方优化控制集罐底补偿、辛烷值非线性调合规则、非线性配方优化算法于一体,实现调合全过程的优化控制.配方优化是周期运算的过程,通过罐底补偿算法来计算每个优化周期的质量控制要求,与在线校正的调合规则一起构成产品质量约束,利用调合组分和产品的在线分析仪质量反馈信息,根据用户指定的优化目标,在调合设备和调合组分使用等约束条件下,用非线性多目标优化算法在每个优化周期内计算出调合配方,在配方保持过程中得以执行,在确保最终调合产品质量合格的前提下,实现高价值组分的节约和辛烷值过剩最小.以1个批次的调合为例说明罐底补偿控制方式下配方优化的4个阶段,并将组分实际用量与调度设定用量进行比较,MTBE节约了80.4m3,占实际MTBE用量的近20%,RON质量过剩小于0.1个单位,优化效果明显.2008年7月汽油管道调合工艺成套技术通过中国石化股份公司技术鉴定,系统长周期运行稳定,按2007年汽油组分成本计算,因节约高价值调合组分预计可降低生产成本约1 200多万元,经济效益显著.     

基于GA-BP优化算法的BP网络及其在汽油调合辛烷值建模中应用

本文中对一种改进的BP网络——GA-BP网络,分析了相关理论,并列出了详细的GA-BP训练网络权值阈值的算法,编制了MATLAB的程序来实现这个算法的功能;同时将其用用到了汽油调合辛烷值建模中,获得满意的效果。     

微粒群算法在网络QoS路由优化中的应用

网络路由优化问题是指在一个网络中,要求在某些约束条件下找出从源节点到宿节点之间某种含义之下的最佳路径。本文通过网络数学模型的提取得知网络QoS路由问题其实质是一个多目标约束优化问题,并将近年来兴起的微粒群算法应用到网络QoS路由优化中,仿真结果表明算法的可行性和有效性。     

微粒群优化算法综述

微粒群优化算法是一种新兴的基于群体智能的随机优化算法。该算法概念简单、易于实现,已得到了广泛的研究和应用。文中介绍了PSO的基本原理、算法流程及各种改进算法,然后归纳了PSO算法的应用概况,并就PSO算法进一步的研究工作进行了探讨和展望。     

基于粒子群算法的无线充PID控制器优化设计

对于谐振式无线充电系统,由于负载和线圈耦合变化等扰动影响,供电池负载充电的电流若只进行开环控制易产生扰动,故在前向通道中加入经典PID控制器,对系统进行实时有效的闭环控制。针对经典PID控制器的参数无法自适应整定的问题,提出了利用粒子群算法（PSO）自整定设计无线充电PID控制器参数的方法,并进行仿真分析和实验验证,结果表明：引入粒子群算法后的PID控制器快速性和稳定性都优于经典PID控制器,调节时间减少0.647s,最大超调量下降了4,1%,稳态误差误差下降了1.04%,证明了该方法对于改善无线充电系统输出动静态特性的可行性和有效性。     

基于微粒群和满足质量约束的组炉方案优化方法

分析了面向订单生产的钢铁企业面临的市场需求与生产组织特点, 将炼钢组炉方案的优化设计归结为一个满足化学成份等质量因素约束的聚类分析问题. 在此基础上提出了基于微粒群优化的求解方法, 该方法利用主成分分析技术缩小了问题域的维度, 在传统的工艺约束、交货期约束和炉容量等约束的基础上, 引入质量相近产品成份取值范围约束来限定微粒的活动范围, 采用炼钢组炉计划与质量设计的集成模式, 在多约束下对成份相近的不同品种的候选组炉合同进行聚类分析, 实现了面向钢铁产品多品种小批量需求的满足质量约束的组炉方案的优化.     

基于面向对象自适应粒子群算法的神经网络训练*

针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的基于面向对象的自适应粒子群优化算法(OAPSO)用于神经网络的训练。该算法通过改进PSO的编码方式和自适应搜索策略以提高网络的训练速度与泛化性能,并结合Iris和Ionosphere分类数据集进行测试。实验结果表明：基于OAPSO算法训练的神经网络在分类准确率上明显优于BP算法及标准PSO算法,极大地提高了网络泛化能力和优化效果,具有快速全局收敛的性能。     

复形法粒子群优化算法研究

针对基本粒子群优化算法对复杂函数优化时难以获得最优解的缺陷,提出了一种复形粒子群优化算法。该算法采用复形法来提高粒子的局部搜索能力,从而保证了算法能够跳出局部最优,获得全局最优解。实验结果表明,与文献算法相比,该算法在基准函数优化时具有更强的寻优能力和更高的搜索精度。     

基于PSO的确定性问题优化研究

粒子群算法原理简单，易于实现，是进化算法中优化效率很高的算法。针对确定环境下的问题优化，提出采用粒子群算法对其进行优化求解。通过对确定性环境下的Benchmark函数的算法仿真研究，表明粒子群算法在确定性问题优化中具有快速收敛性和精确性的特点。     

求解约束优化的改进粒子群算法

针对种群初始化时粒子过于集中和基本粒子群算法搜索精度不高的缺陷,提出了一种求解约束优化问题的改进粒子群算法。该算法引入佳点集技术来优化种群的初始粒子,使种群粒子初始化时分布均匀,因而种群具有多样性,不会陷入局部极值;同时使用协同进化技术使双种群之间保持通信,从而提高算法的搜索精度。仿真实验结果表明：将该算法用于5个基准测试函数,该算法均获得了理论最优解,其中有4个函数的测试方差为0。该算法提高了计算精度且鲁棒性强,可以广泛应用于其他约束优化问题中。     

基于布尔型粒子群优化算法的网络编码优化

针对布尔型粒子群优化算法存在容易陷入局部极值和收敛速度慢的缺点,提出一种带扰动因子的自适应调整惯性权重和学习因子取1概率的布尔型粒子群优化算法,并把这种改进的布尔型粒子群优化算法用于网络编码的优化以得到具有最小编码边的编码方案.对两个人工拓扑进行优化得到的结果表明,基于布尔型粒子群优化算法最小化编码边方案的收敛速度和精度都优于基于遗传算法最小化编码边的方案的速度和精度,能有效用于网络编码的优化.     

基于免疫粒子群优化的最小属性约简算法

把求决策表最小属性约简问题归结为一个0 1组合优化问题,为该问题定义了合理的粒子适应度函数,提出了一种把免疫接种、免疫测试机制与二进制粒子群算法相结合的混合算法用于求解该问题。对UCI数据表的实验结果表明该算法在获得更优解的同时,仍具有较快的运算速度。多种算法的比较结果表明了该算法的有效性和可行性。     

基于最具影响粒子群优化的BP神经网络训练

系统地介绍了粒子群优化算法,将粒子群优化算法用于BP神经网络的学习训练,提出了一种改进的粒子群算法——最具影响粒子PSO算法BIPSO,并利用复合适应度即均方误差和误差均匀度之和作为BIPSO训练神经网络的指标,并对它与其他的神经网络训练算法诸如BP算法、GA算法、PSO算法进行了比较。实验结果表明:BIPSO性能优于其他算法,更容易找到全局最优解,具有更好的收敛性。