一种信息点多样性的粒子群优化算法

针对PSO在寻优后期尤其在高维搜索空间中无法得到满意结果,提出了一种信息点多样性的改进粒子群优化算法。粒子个体最优位置及全局粒子最优位置是两个有用的精确的信息点,而PSO的信息交互方式正依赖于这两个信息点,从多样性方面考虑,将该有用的信息点增加为粒子个体最优位置附近随机的一点。实验仿真结果表明,新算法的全局搜索能力、收敛速度、精度和稳定性均有了显著提高。     

一种基于多种群分层的粒子群优化算法

为解决粒子群优化(PSO)算法收敛速度慢,易于早熟的不足,采用控制理论的分层思想,提出了多种群分层PSO算法(HSPPSO).在第1层采用多种群粒子群并行计算.第2层把每个种群看成一个粒子,种群的最优值作为当前粒子的个体最优值,进行第2层粒子群优化.并把优化结果返回到第1层.在PSO算法的运行过程中,对有集聚倾向的粒子进行速度变异处理,重新初始化速度.最后对4个典型的测试函数进行了测试,研究结果表明,与基本微粒群算法比较,作者提出的算法提高了算法的收敛速度和收敛精度,改善了算法的性能.本算法对大规模系统的优化问题求解提供了一个新的思路.     

基于粒子群与微分进化算法的无功优化

应用传统粒子群算法(PSO)于电力系统无功优化问题存在收敛精度不高、陷入局部最优的缺点,利用微分进化算法(DE)的随机变异性,将当前所产生的局部最优值进行变异,再重回PSO搜寻全局最优值,从而提高了PSO算法的寻优特性,应用于IEEE30节点,验证所提算法是可行和有效的.     

基于差分进化的量子粒子群优化算法的研究

为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE -QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE -QPSO、QPSO和 粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.     

基于PSO算法的CMOS运算放大器优化设计

针对CMOS运算放大器设计中缺乏自动设计工具,采用手工设计很难提高电路性能的问题,基于群智能技术提出了一种改进的粒子群优化算法(PSO)来进行全局优化求解.主要将CMOS运算放大器的电路性能解析方程转化成粒子位置的求解,先初始化粒子的速度和位置,然后不断迭代更新,直到搜索出全局最优值.仿真结果表明,该方法可以提高CMOS运算放大器的性能,在精度和速度上优于遗传算法和基本PSO算法的设计效果.     

自适应子空间高斯学习的粒子群优化算法

为了克服粒子群优化算法在复杂优化问题上易出现早熟收敛、多样性缺失等问题,提出了自适应子空间高斯学习的粒子群优化算法。该方法提出了适应值离散度和子空间高斯学习的概念,以自适应地调整参数和搜索策略,帮助粒子逃离局部最优。同时,该方法还提出邻域学习策略,引入了邻域最优粒子。当前粒子的邻域在进化过程中通过动态构建,以增强种群的多样性。实验对19个常用的经典基准测试函数在30和100维进行了测试,结果表明该算法在收敛速度和寻优精度上优于一些知名的PSO算法。最后,将改进的算法应用于无线传感器网络覆盖优化问题,获得了较好的结果。     

基于小世界网络的PSO算法在电力系统中的应用

针对发电机的阀点效应,电力系统机组优化组合属于复杂的具有混合型变量的组合优化问题,基于小世界网络(Small World Network,SWN)的邻域模型构造,最优化原理和基本粒子群算法(ParticleSwarm Optimization,PSO),以24个时间段所有机组总耗量最小为目标函数,建立了发电机组优化组合的数学模型.提出了将"平均最短路径小,聚集系数大"的小世界网络邻域结构引入到粒子群算法中,以机组的输出功率作为粒子的位置,给出了算法的具体实现方法.在10机系统中分别采用了SWN-PSO算法和遗传算法进行了仿真计算.算例结果表明:所提出的算法不仅有利于粒子之间的信息共享,并且可以更快、更准确地收敛到全局最优解,具有一定的实用性.     

基于神经过程-粒子群算法的移动机器人路径规划

针对传统粒子群算法在移动机器人路径规划过程中早熟引起的局部最优问题,将运动过程预测思想集成到粒子群优化算法中,构造神经过程-粒子群混合算法。主要思路是在粒子群个体进行下一次迭代时,利用神经过程预测个体位置,增加了迭代后期粒子群体的多样性,避免过早陷入局部最优,从而提高算法优化能力。实验结果显示,改进算法用于解决机器人路径规划问题,整体性能优于传统的粒子群优化算法。     

基于寄生模型的粒子群算法在气动优化中的应用

为了解决粒子群算法(PSO)在寻优过程中全局最优和局部最优的矛盾,通过在粒子群算法中加入寄生模型,发展了一种基于寄生模型的改进粒子群算法(SPPSO)。对提出的模拟寄生算法(SP)进行了分析与验证,并将其引入到粒子群算法中,丰富了粒子之间的优势信息源,增强了粒子的信息共享能力,使得SPPSO算法能够有效地跳出局部最优。函数测试表明,该算法显著提高了PSO算法的寻优性能。将SP及SPPSO算法应用于翼型的气动优化设计中,取得了良好的效果,从而表明提出的算法准确有效,具有良好的实用性。     

一种新颖的人工鱼群算法

为了克服基本人工鱼群算法(AFSA)收敛速度慢、求解精度不高和易陷入局部最优的不足,提出了一种新颖的人工鱼群算法(AO-AFSA).该算法结合人工鱼与粒子群(PSO)中的粒子都具有个体学习能力和社会学习能力,模拟粒子群中粒子的速度位置更新公式去分别修改人工鱼群算法中人工鱼的觅食行为、聚群行为、追尾行为的更新公式.并采用5个典型的测试函数进行仿真实验,分析算法的寻优精度、收敛速度以及稳定性.测试结果表明改进后的算法能够较快地收敛至全局较优解,有更强的稳定性,并具有较好的寻优性能.     

非完整运动规划的粒子群优化算法

讨论了粒子群优化和非完整运动规划问题。首先对粒子群优化算法的性能进行了分析，发现当搜索空间的维数较高时，粒子群将收敛到子空间的一个局部最优点，而该点并不是整个搜索空间的局部最优点。通过引入变异算子，则可以改进粒子群优化算法的性能。在此基础上，提出了一种求解非完整运动规划问题的带变异算子的粒子群优化算法。仿真结果表明，对于30维的球形函数，无变异操作的粒子群优化算法不能得到问题的最优解，而最优解可以非常容易地由带变异操作的粒子群优化算法得到。对独轮移动机器人非完整运动规划问题进行了仿真。结果表明，粒子群优化算法比牛顿法更有效。     

基于旋转曲面变换的粒子群优化方法

针对粒子群优化算法(PSO)应用于多极值点函数易陷入局部极小值，提出旋转曲面变换(RST)方法.该方法通过将被优化函数映射到一个同胚曲面上，使当前局部极小点变换为全局最大点，并保持被优化函数值在当前局部极小点以下部分的数值不变.当检测到陷入局部极小时，根据具体的优化函数，选择适当的变换参数，进行RST变换，从而得到问题的全局解.并对四个不同的测试函数进行了数值计算实验.结果表明，对于高维函数，当迭代步数相同时，旋转曲面变换粒子群优化算法与其他两种粒子群优化算法相比，具有稳定性要好，收敛速度快.     

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。     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

微粒群优化算法

微粒群算法是继蚁群算法之后提出的又一种新型的进化计算技术。具有典型的群体智能的特性．介绍了微粒群算法的基本原理及其改进算法。从群体组织与进化以及混合微粒群算法等方面对国内外微粒群算法的研究进展进行综述．     

基于微粒群优化算法的人工神经网络模型预测汽液相平衡常数

利用微粒群优化算法对人工神经网络进行训练,克服了BP网络收敛速度慢,易陷于局部最优解的缺点。用此网络模型来预测汽液相平衡常数,并利用严格模型计算的多组相平衡数据作为训练样本和检验样本来检验利用微粒群算法训练的人工神经网络。结果表明,此种方法收敛速度快,精确度高,好于传统的BP算法。     

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。     

桁架结构形状优化的粒子群优化算法

为解决有应力约束、几何约束以及局部稳定性约束的桁架结构的形状优化设计,将粒子群优化(PSO)算法应用于桁架结构的形状优化设计.首先详细介绍了原始PSO算法的基本原理,然后引入压缩因子改进了原始的PSO算法,并提出了合理的参数设置值.优化计算过程中,综合考虑了节点坐标和截面面积等两类不同性质的设计变量.最后对几个经典问题进行了求解,并与传统的优化算法进行了比较.数值结果表明,改进的PSO算法具有良好的收敛性和稳定性,可以有效地进行桁架结构的形状优化设计.     

基于粒子群优化算法的散乱数据光顺拟合

在散乱数据光顺拟合问题的计算中，引入了群体智能粒子群优化算法，增加了计算的自动程度以及客观性，优化中提出了优于传统罚函数法的模糊罚函数法，将模糊集合理论和粒子群优化算法有机地结合起来，并通过对节点序列内在关联性的分析，提出了适合邻域搜索类算法实施的邻域结构，以获得目标函数的全局解，最后给出了数值仿真实例。     

基于PSO与LMI优化的非线性模型预测控制

将微粒群算法(PSO)与线性矩阵不等式(LMI)用于输入受限非线性预测控制器的设计,提出了基于PSO与LMI联合优化的非线性预测控制算法。算法采用双模控制策略,利用LMI离线优化确定终端不变区域,以扩大非线性优化的求解范围,降低算法的保守性。利用PSO在线优化求解非线性预测控制输入,以避免求解非线性规划问题,同时对算法的稳定性进行了分析。仿真结果表明了该算法是有效的、可行的。