基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

基于改进粒子群算法的输电网扩展规划

针对标准粒子群（SPSO）算法易收敛到局部最优的缺点,采用了一种改进的粒子速度更新公式,即在SPSO算法速度更新公式的基础上,加入一个平均极值项,使得各粒子能参考其它同伴的信息;此外在算法迭代过程中加入变异操作,适时初始化失活粒子的位置和速度来保持种群多样性．在输电网扩展规划中的应用结果表明,上述两个操作可以提高PSO算法的收敛精度,使算法最终寻找到全局最优解,从而证明了改进粒子群（IPSO）算法的有效性．     

基于粒子群算法的自适应滤波器研究及应用

针对神经网络自适应滤波器易于陷入局部极小的缺陷,采用抑制局部最优的粒子群算法优化神经网络的权系数,设计了基于改进粒子群算法训练的三层神经网络的自适应滤波器,并将其应用于自适应噪声抵消器.仿真表明,该系统与传统自适应噪声抵消系统相比具有很好的噪声抵消能力,信噪比大大提高.     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。     

基于改进PSO算法的自适应均衡算法

传统的自适应均衡算法存在收敛速度慢,稳定性差、均衡效果不理想等缺点,从而使自适应均衡器在高速光纤通信系统中的应用受到限制.具有梯度搜索因子的Grads-PSO算法,结合了传统数值优化方法在计算速度和计算精度上的优势,将梯度法引入粒子群算法中.在梯度搜索因子的指导下,PSO算法的运算过程显得更加有规则,从而提高了算法的收敛速度和运算精度.因此,本文提出将改进PSO算法用作自适应均衡器均衡算法.通过仿真实验表明,改进PSO算法具有收敛速度快,计算精度高的优点,将其作为自适应均衡器的控制算法可收到很好的均衡效果,优于传统的控制算法.     

改进的遗传算法在给水管网优化设计中的应用

讨论了应用改进的遗传算法求解管线确定情况下的管径优选问题。通过引入启发式的选择、交叉和变异算子,提高了遗传算法的求解效率,改善了求解结果的品质。实例计算表明,应用改进的遗传算法求解出的年折算费用值比常规的界限流量法的求解结果低8．08％。     

基于改进粒子群算法的匹配追踪分解优化研究

文章针对使用牛顿法进行匹配追踪分解信号的速度慢、精度低等问题,在具有全局优化能力的粒子群算法基础上,提出了一种结合局部单纯形搜索并引入变异操作的改进粒子群算法实现信号匹配追踪分解.利用单纯形搜索增加了算法的局部开发能力,通过变异操作控制种群多样性以避免早熟收敛,增强了算法全局探测能力;并以描述机械系统的振动冲击响应作为基原子与单一粒子群算法实现匹配追踪分解信号的结果进行对比,证明了使用改进粒子群算法的匹配追踪分解能够快速准确提取信号特征参数,同时成功识别出某轴承发生外圈损伤时隐含在振动信号中的周期性冲击脉冲故障特征.结果表明,加入单纯形和变异的改进粒子群算法有效降低了匹配追踪计算复杂度,提高了信号特征提取准确度.     

基于改进粒子群算法的整流供电智能优化调度

针对粒子群算法易早熟收敛的局限性，提出了一种带变异的改进自适应粒子群优化(PSO)算法.该算法根据群体适应度变化率自动调整惯性权值，根据当前种群的平均粒距确定种群中部分粒子的变异概率.对于大型锌电解过程中的整流供电调度问题，建立了以用电费用及耗电量最少为目标的整流供电优化调度模型，并应用改进算法进行优化求解，获得最优调度方案.仿真结果证明了该算法的有效性.工业应用效果表明，按最优调度方案组织生产显著降低了用电费用，同时有利于电网负荷的平衡运行.     

突发性污染情况下给水管网传感器优化选址

为解决给水管网中的水质传感器位置优化布置问题,以污染发生至传感器首次监测到超过临界污染物质量浓度的期望监测时间最短为目标,提出监测突发性或者蓄意污染的管网传感器优化选址模型.以Anytown管网为例,利用EPANET软件模拟扩展周期非稳态水力水质条件下节点污染物质量浓度变化,通过编制程序与EPANET交互得到传感器监测时间,在此基础上设计求解该优化模型的混合粒子群算法.提出的优化模型及求解方法对保护管网安全、降低用户饮用被污染水的风险具有一定意义.     

基于粒子群的城市供水配置模型优化算法

为了解决城市供水水量分配合理性欠缺问题,提出基于粒子群的供水配置模型优化算法.该算法以地表水、地下水、自来水、中水4种水源类型作为供水源,以生活用水、工业用水、农业用水和生态用水4个行业作为用水行业,并考虑供水源的开发成本,建立供水配置模型.运用粒子群优化算法对模型进行优化求解,得到最佳的水量配置方案.通过实例验证该算法的可行性,为今后的供水水量分配调度工作提供参考和依据.     

Drilling Path Optimization Based on Particle Swarm Optimization Algorithm

This paper presents a new approach based on the particle swarm optimization (PSO) algorithm for solving the drilling path optimization problem belonging to discrete space.Because the standard PSO algorithm is not guaranteed to be global convergence or local convergence,based on the mathematical algorithm model,the algorithm is improved by adopting the method of generate the stop evolution particle over again to get the ability of convergence to the global optimization solution.And the operators are improved by establishing the duality transposition method and the handle manner for the elements of the operator,the improved operator can satisfy the need of integer coding in drilling path optimization.The experiment with small node numbers indicates that the improved algorithm has the characteristics of easy realize,fast convergence speed,and better global convergence characteris- tics.hence the new PSO can play a role in solving the problem of drilling path optimization in drilling holes.     

改进的协同粒子群优化算法

针对协同粒子群优化算法存在停滞,不能保证收敛到局部或全局最优值的问题,提出一种改进的协同粒子群优化算法(CCPSO-Hk),该算法将混沌理论引入协同粒子群算法(Chaos PSO)中,利用混沌运动的随机性、遍历性和规律性等改善了协同粒子群算法(Cooperate Particle Swarm Optimization)的性能.通过仿真验证算法的有效性.     

基于粒子群免疫优化算法的足球机器人路径规划

为提高PSO算法的性能,引入免疫算法中浓度调节机制的“抗体浓度选择”策略形成粒子群免疫算法,利用该算法对足球机器人进行路径规划,使足球机器人从给定点到目标点可以有效地躲避障碍物并且得到一条最短路径。实验结果表明,该算法具有高效的全局搜索能力和良好的收敛稳定性。     

全局最优位置变异粒子群优化算法

针对粒子群优化算法的早熟收敛,容易陷入局部最优且搜索精度不高等缺点,在现有的粒子群优化算法的基础上对其进行了若干改进,提出了避免微粒群陷入局部最优的全局最优位置变异的粒子群算法,并与其他算法做了比较,体现了其优越性.     

基于改进自适应粒子群算法的MPPT追踪系统

为优化最大功率点追踪（MPPT）技术的追踪精度和追踪时间,提出一种改进自适应粒子群算法（APSO）。对传统PSO算法进行优化,引入自适应惯性权重和非线性学习因子,使其在全局寻优-局部寻优-全局寻优状态下加速MPPT追踪,最后搭建光伏发电系统对自适应粒子群算法进行仿真验证。试验证明：相比于传统PSO算法,改进的APSO算法追踪精度更高,收敛速度更快。未遮挡环境（STC）恒温和变温下收敛速度提升了30.6%和39.2%,局部遮挡（PSC）恒温和变温下收敛速度提升了54.0%和53.7%,改进的APSO算法在PSC环境下更具优势;PSO算法最大功率稳定后占空比存在震荡现象,而APSO算法的占空比为稳定状态,提高了系统的稳定性能。     

基于粒子群优化的神经网络容错控制算法

针对一类非线性系统的传感器故障,将故障诊断与容错控制方法相结合,提出了一种容错控制方法。用BP网络建立传感器故障模型,并用粒子群算法来训练BP网络的参数,在线估计系统的状态和故障参数。然后将故障参数与修正的Bayes分类算法相结合,对传感器故障在线检测、分离和估计,通过补偿算法,实现容错控制。对连续搅拌釜式反应器（CSTR）的仿真结果表明,该方法收敛性好,对传感器故障具有很强的容错能力。     

基于多级惩罚函数的粒子群约束优化算法

基于多级惩罚函数和粒子群算法解决多约束优化问题,采用粒子种群中的多个粒子并行寻优,避免多约束优化问题收敛于局部优化解。定义了多级分配函数作为约束因子表达惩罚函数与约束条件间函数关系,约束因子按照约束条件的不同分为多个等级。提出了粒子群多级惩罚函数算法,应用于三个经典约束优化问题,均在较少迭代次数内得到高精度优化解。