基于multisim8的负反馈放大电路的仿真分析

配合理论课程在实验中增加了EDA仿真软件用于电子电路辅助教学,通过运用multisim8对负反馈放大电路进行虚拟仿真实验,研究了引入负反馈对交流放大电路性能的影响。仿真实验结果与理论分析结果相一致。实践证明在电子电路实验教学中应用multisim8的可行性,对高校学生实际操作能力的提高有重大的意义。     

基于自适应变异PSO的ARMA模型参数寻优及预测应用

为提高ARMA模型在时间序列预测中的精度,提出一种基于改进粒子群算法(AMPSO)的模型参数智能寻优估计方法.AMPSO算法以粒子熵的判别为依据,在寻优过程中对算法的关键参数进行多次自适应变异,以提高其跳出局部、面向全局寻优的能力.模型参数寻优过程基于ARMA(2n,2n-1)模型架构依次跳阶,每阶的参数初估后运用AMPSO算法展开寻优,适应度判定标准为当前模型残差方差最小.针对齿轮箱轴承的输出扭矩进行预测,结果表明,AMPSO算法在收敛性和寻优速度方面效果良好;参数寻优方法可显著提高参数预测精度,具有良好的工程应用价值.     

基于multisim8的负反馈放大电路的仿真分析

配合理论课程在实验中增加了EDA仿真软件用于电子电路辅助教学,通过运用multisim8对负反馈放大电路进行虚拟仿真实验,研究了引入负反馈对交流放大电路性能的影响。仿真实验结果与理论分析结果相一致。实践证明在电子电路实验教学中应用multisim8的可行性,对高校学生实际操作能力的提高有重大的意义。     

利用T-S模糊自适应PSO算法优化PID参数

针对微粒群优化算法存在的早熟问题,提出了一种基于T-S模型的模糊自适应PSO算法（T-SPSO算法）。算法依据种群当前最优性能指标和惯性权重值所制定T-S规则,动态自适应惯性权重取值,改善了PSO算法的收敛性。将该算法应用于PID控制器的参数整定,可得到更优的控制器参数。仿真结果验证了所提出算法的有效性和所设计控制器的优越性。     

基于仿真的优化方法综述

针对难以用数学模型表达的优化问题或带有随机性的优化问题,基于仿真的优化方法是其惟一的选择.因此,综述了基于仿真的优化方法的研究情况,介绍了仿真用于策略验证、基于仿真的Genetic Algorithm(GA)、基于仿真的Simulated Annealing(SA)、基于仿真的Particle Swarm Optimization(PSO)和仿真用于获取随机参数或函数等方法的实现.概括了基于仿真的优化方法在各领域的应用,并结合国内外的研究情况,对基于仿真的优化方法的难点进行了总结,并对其发展方向作了分析.     

基于Multisim的电压串联型负反馈电路的仿真与分析

本文以电压串联型负反馈放大电路为例,采用Multisim软件对该实例进行仿真,对比其基本放大电路的参数,得到了如下结论:引入负反馈后具有稳定电压放大倍数,改变输入、输出电阻,展宽频带,减小非线性失真等特点。通过Multisim软件的应用,使得该知识点在课堂教学中更直观、更简单,更容易理解,教学效果较好。     

基于Muhisim的电压串联型负反馈电路的仿真与分析

本文以电压串联型负反馈放大电路为例，采用Mulcisim软件对该实例进行仿真．对比其基本放大电路的参数，得到了如下结论：引入负反馈后具有稳定电压放大倍数，改变输入、输出电阻，展宽频带，减小非线性失真等特点。通过Mulcisim软件的应用．使得该知识点在课堂教学中更直观、更简单，更容易理解，教学效果较好。     

基于改进自适应PSO算法的WSN覆盖优化方法

在标准粒子群优化（particle swarm optimization, PSO）算法的基础上提出了一种带有动态惯性权重的自适应粒子群算法, 以实现移动WSN对被监测区域的覆盖。新算法引入了粒子群进化度因子和粒子群聚合度因子, 这两个因子的数值主要受粒子群的平均适应值、局部最优值和全局最优值影响。使用这两个因子调整惯性权重会使算法带有一定的自适应性, 这种自适应性使得算法在迭代过程中既不会因步长过小而局部收敛, 也不会因步长过大而跳过待求解问题的最优值。仿真结果表明, 相比标准PSO算法, 改进后的自适应PSO算法使移动WSN的覆盖率提升了5%~8%。     

基于PSO的模糊控制器参数优化设计

本文提出了将微粒群优化(PSO)算法应用于模糊控制器的参数优化设计中,针对常用的工业对象模型进行了仿真实验,仿真结果表明基于微粒群算法优化模糊控制器参数可以获得满意的控制效果,PSO算法为模糊控制器的设计提供了一种的新的思路.     

基于PSO的LS-SVM特征选择与参数优化算法

针对最小二乘支持向量机特征选择及参数优化问题,提出了一种基于PSO的LS-SVM特征选择与参数同步优化算法。首先产生若干种群（特征子集）,然后用PSO算法对特征及参数进行优化。在UCI标准数据集上进行的仿真实验表明,该算法可有效地找出合适的特征子集及LS-SVM参数,且与基于遗传算法的最小二乘支持向量机算法（GALS-SVM）和传统的LS-SVM算法相比具有较好的分类效果。     

基于仿真的优化的粒子群算法参数选取研究

粒子群优化（Particle Swarm Optimization,PSO）算法参数较少、搜索机制简单,故一直是智能优化算法研究和应用的重点。然而PSO有易早熟、搜索精度不高及搜索性能对参数依赖性强的缺陷。针对此特点,在基于仿真的优化框架下,基于多Agent对融合传统全局最佳和局部最佳的PSO算法人工生命模型进行了仿真,以混合优化算法为计算引擎,对PSO的参数选取进行了重点讨论。利用一系列benchmark函数为例,进行了仿真优化实验和分析,取得了较为满意的结果,从而说明了本思想方法的可行性与可信性。     

一个基于PSO和DE的杂凑全局优化算法

结合粒子群优化算法和差分进化算法思想提出了一个杂凑的全局优化算法——PSO-DE,通过对4个基准测试函数的实验测试,并与PSO和DE算法比较,证明新算法在低维（≤10维）搜索空间可以获得更高质量的解。     

基于混沌PSO算法优化LS-SVM的惯导系统测试

基于混沌PSO算法优化最小二乘支持向量机(LS-SVM)实现惯导系统初始对准测试.通过小波包分解消除陀螺漂移数据的噪声,获取LS-SVM的训练与测试样本.针对LS-SVM解决大规模数据样本回归问题时所出现的训练时间长、收敛速度慢等缺点,提出了混沌PSO算法优化LS-SVM的模型参数.该方法不仅克服了传统PSO算法早熟、...     

基于混沌粒子群算法的物流配送路径优化

通过结合混沌的遍历性和粒子群的快速性的优点,提出了一种用于求解物流配送路径优化问题的混沌粒子群优化算法。该算法利用混沌变量产生初始粒子群,对子代部分粒子群进行微小扰动,随着搜索过程深入逐步调整扰动幅度,通过调整惯性权重因子克服标准PSO算法的早熟和易陷入局部最优值等缺陷。将混沌粒子群优化算法用于物流配送路径优化,建立了数学模型,在此基础上设计了相应的算法。将该算法和遗传算法、标准粒子群算法进行比较,证明了其收敛速度和寻优能力的优越性。     

一种基于混沌的自适应粒子群全局优化方法

充分利用粒子群优化算法的收敛速度较快及混沌运动的遍历性、随机性以及对初值的敏感性等特性,考虑到惯性因子对多样性的影响,通过引入早熟收敛程度评价机制,采用逻辑自映射函数来产生混沌序列,提出一种基于混沌思想的自适应混沌粒子群优化（ACPSO）算法,改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。仿真结果表明提出的自适应混沌粒子群优化算法的性能明显优于一般混沌粒子群优化算法。     

Mobile robot localization based on PSO estimator

Localization is fundamental to autonomous operation of the mobile robot. A particle filter (PF) is widely used in mobile robot localization. However, the robot localization based PF has several limitations, such as sample impoverishment and a degeneracy problem, which reduce significantly its performance. Evolutionary algorithms, and more specifically their optimization capabilities, can be used in order to overcome PF based on localization weaknesses. In this paper, mobile robot localization based on a particle swarm optimization (PSO) estimator is proposed. In the proposed method, the robot localization converts dynamic optimization to find the best robot pose estimate, recursively. Unlike the localization based on PF, the resampling step is not required in the proposed method. Moreover, it does not require noise distribution. It searches stochastically along the state space for the best robot pose estimate. The results show that the proposed method is effective in terms of accuracy, consistency, and computational cost compared with localization based on PF and EKF.     

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。     

基于免疫网络感知结构机理环境下自适应粒子群优化研究

基于粒子群优化算法环境中的全体粒子与自身的搜索经验,利用基于免疫网络感知结构机理系统作为一种自适应维持群体多样性与自我调节性,以及导致基于免疫机制的算法所具有的整体、局部搜索能力强等特点,使得这类算法在函数优化、组合优化、模式识别、数据挖掘及机器学习等方面得到了有效应用。同时,采用免疫网络感知结构机理系统的克隆选择机制,提出了基于免疫网络感知结构机理的粒子群优化算法。     

基于风驱动优化算法WDO的PID参数优化

鉴于PID控制器的优越性,其在工业控制领域中的引用越来越广泛。PID控制器的性能主要在于其参数优化设计,PID参数优化问题一直是研究热点。为了解决PID参数优化问题,提出了一种基于自然启发的风驱动优化算法（WDO）的PID优化控制方法,该算法以PID三个参量为控制对象,以误差绝对值和控制输入平方项的时间积分作为优化目标,经过迭代寻优计算得到系统最优控制量。通过计算机仿真,并与遗传算法和粒子群算法PID参数优化相比,结果表明：该算法提高了系统的控制精度、响应速度和鲁棒性,为控制系统PID参数整定提供了参考。