改进PSO算法的性能分析与研究*

分析了粒子群优化(PSO)算法的进化式,针对其容易发生早熟、收敛速度慢、后期搜索性能和个体寻优能力降低等缺点,结合遗传算法的思想,提出一种新的混合PSO算法——遗传PSO(GAPSO)。该算法是在PSO算法的更新过程中,对粒子速度引入遗传算法的变异操作,对粒子位置引入遗传算法交叉操作。对速度的变异降低了算法后期因种群过于密集而陷入局部最优的可能,对位置的交叉使得父代中优良个体的基因能够更好地遗传给下一代,从而得到更优、更多样化的后代,加快进化过程,提高了收敛速度和群体搜索性能。选取了其他几种典型的改进PS     

基于改进PSO算法的WSN覆盖优化方法

提出基于概率测量模型的改进粒子群优化方法,以网络有效覆盖率为优化目标,通过改进粒子群算法实现无线传感器网络的覆盖控制。分析传感半径以及离散化栅格点数对覆盖性能的影响。仿真实验表明,利用改进粒子群优化方法的有效覆盖率达到88.22%,证明了该方法的有效性。     

基于PSO改进决策树算法的研究

决策树方法是发现概念描述空间的一种特别有效的方法，是实例学习中具有代表性的学习方法，专门用于处理大量对象．如何快速建立简单可靠的决策树是一个重要的问题．文章引入PSO算法，并针对标准PSO算法易限于局部极小点的局限性，在保持了PSO算法结构简单可行特点的同时，利用惩罚函数方法，引入叉乘控制项，帮助算法摆脱局部极小点的束缚，提高了优化速度．将改进的PSO引入到决策树建树方法中，并与传统的决策树方法及使用遗传算法改进后的树进行比较，验证了其优越性．     

改进PSO算法的电力系统无功优化分析

对电力系统进行无功优化是指在将指定的条件控制在约束范围内的前提下,通过对控制变量优化的途径使电力系统的各方面的性能指标达到最优的目的。文中结合电力系统的实际问题以及存在的缺点提出了PSO算法的改进,让问题得到了解决。     

基于广义遗传粒子群优化算法的供应链优化求解

供应链优化研究是供应链管理中的一个重要问题,也是一个难题,首先提出了一个新型供应链优化模型,针对该优化问题的求解,构造了融入特殊自然演化规则的广义遗传算法(GA),并且与粒子群优化结合,得到了广义遗传粒子群优化算法,克服了粒子群优化算法局部收敛的缺陷,提高了其全局收敛的能力。实验表明,对供应链优化问题的求解,广义遗传粒子群优化算法优于传统的遗传算法、粒子群优化算法和分枝界定法。     

粒子群优化算法综述

概括粒子位置、速度更新公式的修正,控制参数的变换和种群多样的维持等粒子群优化算法的改进技术,介绍具有量子行为、并行处理能力及解决多目标优化问题的新型粒子群优化算法,讨论粒子群优化算法和基他优化算法混合的基本思想.     

基于改进粒子群优化算法的多用户检测器

提出了一种基于改进粒子群优化算法的多用户检测器。介绍了最佳多用户检测模型以及粒子群优化算法的基本思想。进行了理论依据和仿真性能分析。仿真结果表明：该检测器在误码率性能和抗“远近”效应上优于传统检测器和基于粒子群优化得多用户检测器，计算复杂度较低。     

基于PSO的队伍演化算法

粒子群优化算法(PSO)由于其原理简单、较易实现等特点,得到广泛研究和应用.为加快优化速度,提高收敛精度,文中提出基于PSO的队伍演化算法.该算法将优化过程分为两个阶段: 第一阶段为保持多样性,把队员分成若干个初级队伍并行优化,形成高级队伍; 后一阶段为提高收敛速度,仅优化高级队伍.在整个优化过程中,根据评估队员所取得的成绩,动态控制队员的调整步长和最大调整空间,同时产生教练组,为队员的进步方向提供指导.通过高维多峰测试函数进行测试对比,验证文中算法的优越性和有效性.     

改进PSO算法整定PID控制参数的路径优化控制

为解决无人艇航行过程中存在控制精度低、偏离期望航迹的问题,改进变前视距离的视线（Line of sight,LOS）跟踪算法,提出一种基于改进粒子群（Particle swarm optimization,PSO）优化航向PID控制器参数的算法。首先,基于无人艇数学模型对航行漂角的影响,提出改进变前视距离视线导引跟踪算法,通过引入积分项减小横向误差,并对算法进行Lyapunov稳定分析。接着,为了提高算法的性能,对粒子群算法的惯性权重和学习因子进行非线性动态自适应调整,优化航向PID控制参数。最后,通过Matlab进行控制算法仿真。仿真结果表明,提出的路径优化算法具有航向误差小、系统稳定性优和响应速度快的优点。     

改进PSO算法的混编群兵力部署优化

通过对影响混编群兵力部署因素的分析,结合混编群兵力部署原则,建立了混编群兵力部署优化模型。针对该类NP难组合优化问题,提出了一种基于线形递减权重离散粒子群算法,给出了粒子的编码及其寻优操作步骤。通过设置适当的算法参数,利用Matlab编程实现对应用实例的仿真,取得了理想的兵力部署效果,为解决混编群兵力部署优化问题提供了一种新的途径。     

基于PSO算法的输电线路相间距离计算分析

PSO算法的主要用途在于解决优化问题,通过粒子运动选出种群中的最优解。在输电线路的设计中,需要把握和检验导线之间的最小相间距离。本文从以下几个方面探讨基于PSO算法的输电线路相间距离计算:一是PSO算法概述,二是PSO算法在计算输电线路相间距离时的应用。     

基于改进PSO算法的目标温度模糊神经网络控制器

以某钢厂引进的板坯连铸二冷控制为研究对象,针对现有控制系统由于铸坯表面目标温度是预先设定的固定值,存在二冷水量波动大、铸坯质量不稳定等缺陷,设计了基于改进PSO算法的目标温度模糊神经网络控制器,在遵守冶金准则的前提下,根据浇注钢种与拉速、中包温度变化量动态控制目标温度。仿真结果表明：该控制器控制误差小,适应范围广,可以满足生产要求。提出了模糊神经网络的改进PSO算法,阐述了其基本思想、改进之处及其实施过程。研究结果对引进的同类连铸板坯二冷控制系统的升级改造具有指导意义。     

改进PSO算法在主汽温系统PID参数优化中的应用

提出了一种基于改进的粒子群优化（PSO）算法的PID控制器参数整定方法。通过对粒子赋予不同的初始惯性权重,较好地协调了粒子的全局与局部搜索能力。通过对具有严重参数不确定性、多扰动以及大迟延的电厂主汽温被控对象的仿真研究,结果表明：改进的粒子群算法在保证PID控制稳定性基础上提高了PID控制的精度,且编码简单,易于实现,具有较好的应用前景。     

基于EM算法和PSO算法的混合优化算法

针对粒子群优化算法容易陷入局部最优解并且存在过早收敛的问题,将类电磁机制算法中的吸引-排斥机制引入到粒子群优化算法中,提出一种类电磁机制算法和粒子群优化算法的混合优化算法(EMPSO).首先按照基本粒子群优化算法的寻优方式对各粒子进行更新,再利用类电磁机制中的吸引-排斥机制对个体最优粒子和群体最优粒子进行移动,最后通过几个标准测试函数进行了测试,并与标准粒子群算法(PSO)、免疫粒子群算法(IPSO)、混沌粒子群算法(CPSO)进行对比.测试结果表明,改进算法提高了全局搜索能力和熟练速度,改善了优化性能.     

保持粒子活性的改进粒子群优化算法

针对基本粒子群优化算法（particle swarm optimization, 简称PSO）存在的早熟收敛问题,提出了一种保持粒子活性的改进粒子群优化（IPSO）算法。当粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,使粒子能够有效地进行全局和局部搜索。通过对4种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度,而且能够更有效地进行全局搜索。     

改进混沌PSO算法的BP网络优化

提出了一种改进混沌粒子群算法(MCPSO)与BP算法的混合算法(MCPSO—BP),该算法综合了改进粒子群算法全局寻优的高效性,混沌算法局部搜索的遍历性和BP算法快速的局部搜索能力。仿真结果表明,MCPSO—BP算法网络结构简单,收敛速度快,并具有良好的逼近能力和泛化能力。     

电力系统无功优化中PSO算法的改进研究

针对电力系统无功优化中的PSO算法的特点,采用的信息拓扑结构为环形结构,对PSO算法中的变异算子进行研究.针对环形拓扑结构的PSO算法,其后期收敛精度差是一个常见问题,提出了一种称之为"球面变异"的变异算子,充分利用粒子群迭代后期种群的信息,对变异的方向与速度进行引导,进而建立了变异算子与当代种群适应度之间的关系,明显地提高了算法收敛速度与精度.最后,对陷入局部收敛等问题进行相应的改良,诸如无法达到最优解等问题.使用IEEE14节点系统作为算例进行测试,结果达到优良.     

基于水平集的PSO算法的改进

粒子群优化算法PSO(Particle Swarm Optimization)目前仍存在着早熟收敛和收敛速度较慢的难题,提出一种新的PSO改进算法.该算法利用水平集对PSO的每一代粒子按照适应度进行划分,把与目标相关的所有信息结合在一起,改变了原有的PSO进化公式,提高了算法的收敛速度;其次,对于每一代的某个个体进行变异,使其变异到粒子密度低的空间中去,从而提高了粒子的多样性,减少早熟发生的机会.实验证明,这种算法是有效的.     

基于改进粒子群优化算法的多用户检测器

提出了一种基于改进粒子群优化算法的多用户检测器。介绍了最佳多用户检测模型以及粒子群优化算法的基本思想。进行了理论依据和仿真性能分析。仿真结果表明:该检测器在误码率性能和抗“远近”效应上优于传统检测器和基于粒子群优化得多用户检测器,计算复杂度较低。