基于混沌离散PSO算法的乙烯生产过程模型变量的选择

管式炉裂解技术是当今乙烯生产的主要技术,乙烯生产过程中有多种影响质量指标的变量,将全部变量参与建模显然会增加建模难度和复杂性,并且大量的冗余信息会降低模型的精度;针对这一问题,提出了基于混沌思想的离散粒子群(PSO)算法进行模型变量的选择;首先,采用混沌离散PSO算法得到建模的最优输入变量集合,再通过偏最小二乘法(PLS)对所选变量进行建模;结果表明,该方法可更有效地克服传统粒子群算法容易陷入局部最优的问题并建立较高的模型精度。     

改进的PSO-FNN在发酵软测量中的应用

针对发酵过程中一些难以或者无法在线测量的关键物化参数和生物参数等变量,提出了改进的PSO-FNN软测量建模方案。通过改进的粒子群优化算法(PSO)寻优算法与模糊神经网络(FNN)相结合,建立发酵过程的软测量模型,再结合实际数据进行仿真研究。仿真结果表明,与传统PSO-FNN软测量相比,改进的模型测量精度更高,可以满足实际工程中的要求。     

基于微粒群优化算法的非线性系统PWA多模型建模

针对复杂非线性系统,将微粒群优化(PSO)算法与多模型建模相结合,设计了一种基于PSO算法的非线性系统分段仿射(PWA)多模型建模算法。该算法将PWA多模型建模问题转化为混合整数二次规划（MIQP）问题,并基于PSO算法对其进行优化求解。在求解的过程中,采用分层优化求解方法,有效降低优化问题的维数,减小了陷入局部最优的概率,并通过仿真验证了该算法的有效性。     

基于非负绞杀与长短期记忆神经网络的动态软测量算法

现代工业过程建模中,生产过程的多变量、非线性及动态性会导致模型复杂度增高且建模精度降低.针对这一问题,将非负绞杀算法(NNG)嵌入长短期记忆(LSTM)神经网络,提出一种基于LSTM神经网络及其输入变量选择的动态软测量算法.首先,通过参数优化生成训练好的LSTM神经网络,利用其出色的历史信息记忆能力处理工业过程中的动态、时滞等问题;其次,采用NNG算法对LSTM网络输入权重进行压缩,剔除冗余变量,提高模型精度,并采用网格搜索法与分块交叉验证对其超参数寻优;最后,将算法应用于某火电厂脱硫过程排放烟气SO2浓度软测量建模,并与其它先进算法进行性能比较.实验结果表明所提算法能有效剔除冗余变量,降低模型复杂度并提高其预测性能.     

基于PSO-LSSVM的城市时用水量预测

为解决传统最小二乘支持向量机(LSSVM)采用交叉验证确定参数耗时较长和粒子群(Particle Swarm Optimization,PSO)优化算法早熟收敛的问题,提出一种基于种群活性PSO算法优化LSSVM参数的方法。利用群活性加速度作为多样性测度,当群活性加速下降时,对粒子的位置和速度分别执行进化和变异操作来改进标准PSO算法,然后分析上海市时用水量序列特点及其影响因素,选取影响程度较大的主要因素,将其作为预测模型的输入变量,建立时用水量预测模型;最后采用改进的PSO算法优化LSSVM参数来预测上海市时用水量。实例分析表明,对比文中其他3种模型输入变量组合,选取的预测模型输入变量能够更有效地提高预测精度;与传统LSSVM方法相比,提出的基于改进PSO-LSSVM的时用水量预测方法计算速度更快,预测精度更高。     

基于粗糙集理论的PSO-IOIF-Elman神经网络建模

针对系统级仿真中功放建模的优缺点,结合粗糙集理论提出一种简化粒子群(PSO)算法优化改进OIF-Elman神经网络(PSO-IOIF-Elman)功放行为模型。该模型同时考虑小信号和大信号对功放记忆非线性的影响,结合AM-AM和AM-PM失真把OIFElman神经网络的自反馈系数用归一化后的输入输出电压表示。采用简化PSO优化算法,避免陷入局部最优,用粗糙集理论对模型预测值进行修正与补偿,提高预测精度。通过Matlab仿真比较,该模型训练误差减小9.53%,收敛速度提高11.31%,进而验证了建模方法的有效性和可靠性。     

基于改进PSO的发酵过程同步串联混合建模

准确可靠的过程模型是实现发酵过程优化的基础和前提. 对于反应机理复杂的发酵过程,串联混合建模是一种相对有效的建模方法, 但现有方法需要利用插值所得的数据进行中间变量黑箱模型的构建, 较大程度地影响了所建混合模型的泛化性能. 为此,提出一种可将黑箱模型构建问题转化为动态模型参数辨识问题的同步串联混合建模方法, 从而避免了现有方法需利用插值数据来构建黑箱模型的不足; 通过引入多精英学习策略和惯性权重自适应调整策略, 构造了一种改进的粒子群优化(Particle swarm optimization, PSO)算法自适应多精英学习PSO (Adaptive multi-elite learning PSO, AMLPSO)算法,并采用该算法求取黑箱模型的参数; 借鉴均匀设计思想确定黑箱模型的结构. 利用诺西肽分批发酵过程实际生产数据进行实验研究, 结果验证了所提方法的有效性.     

基于粒子群优化的军事物流配送中心选址

针对当前军事物流配送改革中配送中心选址问题,在成本最小的基础上,构建了一个混合整数规划模型,并将粒子群优化算法(PSO)引入到模型的求解中,采用离散PSO解决物流配送中心选择问题,用基本PSO解决货物运输分配问题,通过嵌套调用离散PSO和基本PSO,得到模型最优解.该方法降低了计算复杂度,有效选择了物流配送中心,优化了军事物流网络.实例表明了方法的可行性和有效性.     

粒子群优化的时频联合资源分配算法

针对航空通信环境中正交频分多址系统的资源分配问题,在信道资源有限的约束条件下,以最大化用户节点的效用总和为目标,提出了一种基于粒子群优化(PSO)的时频联合资源分配算法.该算法采用离散变量来编码粒子位置,并针对离散空间构建新的基于概率信息的粒子速度和位置更新算法.仿真结果表明:所提出的资源分配算法在效用总和、公平性等方面优于现有资源分配算法.     

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法（PSO）和差分进化算法（DE）进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。     

广义粒子群优化模型

粒子群优化算法提出至今一直未能有效解决的离散及组合优化问题．针对这个问题,文中首先回顾了粒子群优化算法在整数规划问题的应用以及该算法的二进制离散优化模型,并分析了其缺陷．然后,基于传统算法的速度一位移更新操作,在分析粒子群优化机理的基础上提出了广义粒子群优化模型（GPSO）,使其适用于解决离散及组合优化问题．GPSO模型本质仍然符合粒子群优化机理,但是其粒子更新策略既可根据优化问题的特点设计,也可实现与已有方法的融合．该文以旅行商问题（TSP）为例,针对遗传算法（GA）解决该问题的成功经验,使用遗传操作作为GPSO模型中的更新算子,进一步提出基于遗传操作的粒子群优化模型,并以Inverover算子作为模型中具体的遗传操作设计了基于GPSO模型的TSP算法．与采用相同遗传操作的GA比较,基于GPSO模型的算法解的质量与收敛稳定性提高,同时计算费用显著降低．     

mrPSO: A maximum relevance minimum redundancy feature selection method based on swarm intelligence for support vector machine classification

This paper presents a hybrid filter-wrapper feature subset selection algorithm based on particle swarm optimization (PSO) for support vector machine (SVM) classification. The filter model is based on the mutual information and is a composite measure of feature relevance and redundancy with respect to the feature subset selected. The wrapper model is a modified discrete PSO algorithm. This hybrid algorithm, called maximum relevance minimum redundancy PSO (mr²PSO), is novel in the sense that it uses the mutual information available from the filter model to weigh the bit selection probabilities in the discrete PSO. Hence, mr²PSO uniquely brings together the efficiency of filters and the greater accuracy of wrappers. The proposed algorithm is tested over several well-known benchmarking datasets. The performance of the proposed algorithm is also compared with a recent hybrid filter-wrapper algorithm based on a genetic algorithm and a wrapper algorithm based on PSO. The results show that the mr²PSO algorithm is competitive in terms of both classification accuracy and computational performance.     

横河DCSCENTUMCS3000在Claus炉空燃比控制中的应用

Claus反应炉燃烧器燃烧空气的控制对于确保装置的安全操作及硫磺回收率是至关重要的。该文主要介绍基于横河DCSCS3000系统实现对Claus反应炉燃烧空气的优化控制,作者论述了Claus反应原理及相关工艺流程,着重描述了Claus反应炉燃烧器燃烧空气调节回路和横河CS3000系统的软硬件组态。生产实践表明,该控制系统...     

一个约束离散优化问题的粒子群算法研究

针对一个离散变量齿轮系优化设计问题搜索空间大、可行域狭小的特点,基于粒子群算法提出了新的约束与离散变量处理策略。另外,修改粒子群算法的速度更新公式以减少算法参数数目。与有关文献相比,所采用的算法应用于该优化问题时,不但发现可行解的成功率高,而且获得了更好的“最优”可行解和平均结果。与此同时,该算法不要求对该问题进行任何转化,也不依赖于人机交互。结果表明,该算法简单、易行、有效,对于类似优化设计问题的求解很有参考价值。     

电液伺服系统多PID控制器参数整定优化

为了解决挖掘机器人动臂、斗杆和铲斗不同电液伺服系统中多个比例–积分–微分(PID)控制器参数优化的难题, 提高挖掘机器人铲斗齿尖轨迹跟踪精度, 采用改进的粒子群算法(PSO)对多PID控制器参数进行整定优化. 首先, 建立电液伺服系统的数学机理模型, 在理论模型的基础上, 采用递推最小二乘辨识法(RLS)得到实际的机理模型. 其次, 提出一种改进的PSO算法, 采用非线性自适应惯性权重、引入异步变化策略、设计精英变异方法. 接着, 搭建仿真验证平台, 跟踪正弦轨迹, 比较传统Z-N参数整定方法、基本PSO算法和改进PSO算法的差别. 最后, 以挖掘机 器人最常见的整平为代表工况, 基于23 t挖掘机器人实验平台进行实验验证. 实验结果表明, 改进PSO算法的跟踪精度最高, 与基本PSO算法相比, 明显提高了轨迹跟踪精度     

A heuristic particle swarm optimization method for truss structures with discrete variables

A heuristic particle swarm optimizer (HPSO) algorithm for truss structures with discrete variables is presented based on the standard particle swarm optimizer (PSO) and the harmony search (HS) scheme. The HPSO is tested on several truss structures with discrete variables and is compared with the PSO and the particle swarm optimizer with passive congregation (PSOPC), respectively. The results show that the HPSO is able to accelerate the convergence rate effectively and has the fastest convergence rate among these three algorithms. The research shows the proposed HPSO can be effectively used to solve optimization problems for steel structures with discrete variables.     

基于改进粒子群优化的SVM故障诊断方法

针对支持向量机(SVM)分类模型参数选取困难的问题,提出基于遗传免疫的改进粒子群优化算法,克服传统粒子群算法前期收敛快、后期易陷入局部最优的缺陷。将该算法与优化支持向量机分类模型相结合,建立基于遗传免疫粒子群和支持向量机的诊断模型,并用于轴承故障诊断中。结果表明,基于遗传免疫粒子群算法优化的SVM可实现对SVM分类模型参数的自动优化,并能提高SVM分类模型的故障诊断精度,对分散程度较大、聚类性较差的故障样本分类有较强的适用性。     

基于改进PSO算法的机器人路径规划及实验

针对粒子群优化（PSO）算法存在的优化精度低以及早熟的缺点,提出一种改进的PSO算法用于机器人路径规划．根据梯度下降法中变量沿负梯度方向变化的原则,提出了改进的粒子速度更新模型．为了提高粒子的搜寻效率及精度,增加了自适应粒子位置更新系数．引入ε贪心策略设计了改进的粒子群优化算法．在部分优化测试函数上的多次试验结果表明,所提算法较其他算法模型搜索精度至少提高2倍,收敛速度也有大幅度的提升．将所提算法和改进的DC-HPSO（动态聚类混合粒子群优化）算法应用于静态障碍物下的路径规划仿真和实际试验,结果表明所提模型具有高精度、高效率、高成功率的优点．     

解决TSP问题的局部调整离散微粒群算法

微粒群算法提出以来一直不能较好的解决离散及组合优化问题,针对这个问题,通过对微粒群算法的优化机理的分析,对原有的微粒群进化方程中的速度和位置的更新等进行重新的定义,同时提出一种具有自适应能力的惯性因子,使其适合解决TSP这样的组合优化问题.针对过去的离散算法整体调整容易形成对路径的破坏这一缺点,在重新定义的算法上加入局部调整的策略,形成一种局部调整的离散微粒群算法(local adjustive discrete PSO,LADPSO),通过在ch31和ei151上的试验,证明了该算法在解决这一问题上是可行的.     

基于混合粒子群优化算法的DV-Hop定位算法

针对无线传感器网络节点定位技术中DV-Hop算法的不足,利用混合粒子群优化算法对DV-Hop算法的位置估计进行校正,提出了一种CCPDV-Hop算法,该方法在不需要任何额外硬件设备和通信开销基础上,将未知节点定位问题抽象为高维最优化问题,并利用混合粒子群优化算法进行求解。仿真实验结果表明,改进的DV-Hop算法与传统方法相比,定位误差显著下降,定位精度和鲁棒性都有明显提高。