间歇过程PSO SQP混合优化算法研究*

针对SQP算法在求解具有复杂约束的间歇过程优化时容易陷入局部极值点的问题,本文提出一种PSO-SQP混合优化算法。该算法首先采用外点罚函数法将间歇过程有约束的优化问题转换为无约束的优化问题,利用PSO强大的全局搜索能力对其进行求解,并把搜索结果作为SQP搜索初始点,以此弥补SQP全局搜索弱的缺点,再利用SQP良好的局部收敛性和较强的非线性收敛速度对原优化问题进行精细搜索,弥补了PSO局部搜索弱的缺点,通过不断的迭代最终获得优化问题的全局最优解。该算法充分利用了SQP和PSO的优缺点,增强了其对复杂约束优化问题的求解能力。将本文提出的算法用于连续搅拌化学反应系统温度控制中,仿真结果表明产物浓度能够充分逼近期望值,且反应器的温度轨迹收敛,从而验证了该算法的有效性和实用价值。     

单纯形免疫算法及其在高维非凸函数优化中的应用

许多工程问题都可以归结为优化问题,而且其目标函数往往是局部最优点的复杂高维非凸函数,传统单一算法一般难以求得全局最优解。在深入分析免疫算法和单纯形法的基础上,将两种算法有机结合,提出单纯形免疫算法。免疫记忆、抽取疫苗、接种疫苗和自适应等免疫机制的引入有助于优良个体和基因的保留和利用,提高算法收敛性;通过反射、扩展、内缩、缩边等操作来改良劣解而调整邻域结构,不断逼近最优解。典型函数优化Benchmark问题的仿真试验表明,提出的单纯形免疫算法比单一算法性能更优,适合于存在许多局部最优点的复杂高维非凸函数优化。     

PSO优化算法的参数研究

分析了惯性权重与学习因子对算法性能的影响,相应提出了几种调整策略并对其优缺点进行比较,之后基于前人的基础数据,借助Matlab软件进行编程,对6种组合调整策略进行优化试验,并与前人试验的最优解进行比较,最终通过试验数据,找出了一种较为可行的优化调整策略.     

PSO改进算法在机械优化设计中的实现

首先引入了粒子群算法(PSO)和其改进算法的简介,然后根据改进算法在Matlab中开发了PSO工具箱。最后以减速器为模型实例采用该算法实现了优化设计。     

高频变异免疫算法在多峰函数优化中的应用

介绍了基于生物免疫机制的、具有良好并行运算特性的人工免疫算法原理,以及基本免疫算法的不足;给出了高频变异免疫算法的基本流程,并用一个多峰函数为例说明了免疫算法在函数优化设计中的应用。     

基于PSO算法的无人路径优化概述

本文介绍了基于粒子群优化（PSO）算法进行无人路径优化的情况。本文首先指出在各个领域中无人机的重要性逐渐增加,以及在复杂环境中进行有效路径规划的必要性。接着,深入探讨了PSO的基本原理,其在无人路径优化中的应用,并与传统方法如Dijkstra和A*算法进行了对比。本文强调了PSO在全局路径搜索、适应动态环境、避障和多目标优化方面的优势。最后,本文探讨了PSO在军事侦察中的应用,重点是隐蔽性、安全性、信息效率和能源可持续性,为进一步的研究提供了理论基础并明晰思路。     

一种新型混沌PSO算法在板形智能控制中的应用

提出一种新型混沌PSO算法优化RBF神经网络并对板形进行识别,使用神经网络预测和效应矩阵控制器对板形进行预测控制。仿真过程表明,新型混沌PSO算法对优化神经网络的结构和参数都有明显的效果,使用板形识别模型和带预测过程的效应函数可以有效控制板形系统。     

基于免疫算法的贝叶斯优化改进算法

贝叶斯优化算法是将贝叶斯网络模型引入到优化算法中而形成的一种新型的优化算法,它可以有效地避免连锁问题,但计算开销很大。为此,将免疫算法与贝叶斯优化算法相结合,利用免疫算法的导向性变异,对贝叶斯网络产生的解进行变异,从而提高种群中个体的适应度,减少贝叶斯网络的构建次数。仿真结果表明,与传统的贝叶斯优化算法相比,基于免疫算法的贝叶斯优化改进算法可以有效地减少计算量,缩短运算时间,并且寻优能力更强,将其应用于图像分割当中,效果较好。     

基于改进PSO算法的Volterra模型在磨损预测中的应用

为准确预测机械设备的磨损问题,提出基于改进PSO算法的Volterra级数预测模型。该预测方法首先根据Volterra级数的性质,建立Volterra级数模型;然后利用改进的PSO算法对模型参数进行优化,得到Volterra级数的预测模型。利用轴承钢试件的磨损实验数据,采用建立的预测模型对数据进行建模和磨损预测。仿真结果表明,与基于PSO算法的Volterra模型、多项式模型、AR模型、RBF神经网络模型及BP神经网络模型相比,基于改进PSO算法的Volterra预测模型结构简单、预测精度高,具有一定的实用性。     

智能优化算法在无功优化中的应用综述

对无功优化的研究现状进行了总结,对现有的无功优化算法进行了分类。重点介绍了智能优化算法在电力系统无功优化中的应用及其优缺点,在此基础上,概括了几种常用混合优化算法。最后指出了无功优化的发展趋势。     

并行机调度问题粒子群优化研究

采用粒子群算法优化并行机调度问题,提出了基于机器和粒子位置取整的粒子编码方法和基于工件和粒子位置次序的粒子编码方法,并给出了两种不同粒子编码方法所对应的粒子群算法的步骤.通过对两个并行机算例的计算说明,基于两种不同编码方法的粒子群算法都能有效地对并行机调度问题进行优化,其中,基于工件和粒子位置次序的粒子编码所对应粒子群算法的优化性能要好些.     

Research on a kind of assembly sequence planning based on immune algorithm and particle swarm optimization algorithm

In order to solve the assembly sequence planning of a certain type of product (e.g., product is composed of different types of parts and each type has several identical parts), first of all, the rule of nomenclature for this type of product is designed. Secondly, geometric feasibility and coherence are designed as constraint conditions, and these two constrains and processability are combined with each other as the objective function. Finally, the proposed novel method under the name of immune particle swarm optimization algorithm is tested. The results show that the proposed immune particle swarm algorithm is an efficient approach to solve the assembly sequence planning problem.     

多峰函数优化的免疫云粒子群优化算法

为了尽可能寻找多峰函数的全部极值点及提高寻优精度,提出一种免疫云粒子群优化算法(PPSO)-融合云变异粒子群优化算法(CMPSO)的小波变异克隆选择算法(WMCSA)。PPSO混合算法设置了最大重复搜索代数M,以便尽可能搜索到全部极值点。在每一代重复搜索中,首先,通过引入基于云模型的云变异算子以提高种群的多样性,并使用云变异粒子群优化算法对可行域内的所有极值点进行全局搜索;然后,利用小波变异克隆选择算法对云变异粒子群优化算法搜索到的较优解进行局部搜索以进一步提高解的精度。针对复杂多峰函数的寻优测试表明:在保证收敛速度的同时,PPSO算法的收敛精度和搜索到的极值点数目均得到显著提高。离散混沌系统的应用实例也表明了PPSO算法的有效性。     

求解作业车间调度问题的广义粒子群优化算法

为克服传统粒子群优化算法在解决组合优化问题上的局限性,分析了其优化机理,并在此基础上提出了广义粒子群优化模型。按照此模型提出了一种求解作业车间调度问题的广义粒子群优化算法。在本算法中,利用遗传算法中的交叉操作作为粒子间的信息交换策略,利用遗传算法中的变异操作作为粒子的随机搜索策略,而粒子的局部搜索策略则采用禁忌搜索来实现。为了控制粒子的局部搜索以及向全局最优解的收敛,迭代过程中交叉概率以及禁忌搜索的最大步长都是动态变化的。实验结果表明,本算法可有效地求解作业车间调度问题,验证了广义粒子群优化模型的合理性。     

基于改进粒子群算法的生产批量计划问题研究

为求解基于成组单元有能力约束的生产批量计划问题,提出了一种基于二进制粒子群算法和免疫记忆机制相结合的方法,并阐明了该方法的具体实现过程。在该方法中,采用罚函数法处理约束条件,每个粒子都代表一组可用于描述具体批量计划方案的规则组合。通过对其他文献中一个仿真实例的计算和结果比较,表明该算法在寻优能力、求解速度和稳定性等方面都明显优于文献中的遗传算法。     

An improved particle swarm optimization algorithm for reliability problems

An improved particle swarm optimization (IPSO) algorithm is proposed to solve reliability problems in this paper. The IPSO designs two position updating strategies: In the early iterations, each particle flies and searches according to its own best experience with a large probability; in the late iterations, each particle flies and searches according to the fling experience of the most successful particle with a large probability. In addition, the IPSO introduces a mutation operator after position updating, which can not only prevent the IPSO from trapping into the local optimum, but also enhances its space developing ability. Experimental results show that the proposed algorithm has stronger convergence and stability than the other four particle swarm optimization algorithms on solving reliability problems, and that the solutions obtained by the IPSO are better than the previously reported best-known solutions in the recent literature.     

基于二进制粒子群优化算法的行人检测

针对汽车前方道路上的行人安全问题,对道路行人采用二进制粒子群优化算法（BPSO）进行了检测,以确保行人的安全。首先,对随机采集的道路行人图像样本进行了二维离散余弦变换（DCT）,将行人的描述从图像空间转换为用少量数据点来表示频率域空间,再利用DCT算法的对称性,解压缩图像,获得了行人图像的特征向量;其次,应用BPSO算法对得到的特征向量进行了特征选择,从行人频域特征空间中,提取了有价值的特征子集,得到了最具代表性的行人特征,完成了行人检测。试验结果表明,在样本数量较少的情况下,无论在检测正确率还是检测实时性方面BPSO算法都优于传统的支持向量机（SVM）算法。研究结果表明,二进制粒子群优化算法能够高效快速的检测到行人,为车辆主动安全技术提供重要基础,对于减少交通事故具有重要意义。     

求解车辆路径问题的改进微粒群优化算法

微粒群优化算法是求解连续函数极值的一个有效方法。研究了用该算法求解车辆路径的问题。设计了求解车辆路径问题的一种新的实数编码方案,将车辆路径问题转化成准连续优化问题,并采用罚函数法处理约束条件。应用该微粒群优化算法求解了多个车辆路径问题的算例,并与遗传算法和双种群遗传算法进行了比较。计算结果表明,该算法可以更有效地求得车辆路径问题的优化解,是解决车辆路径问题的有效方法。     

Bi-level optimization of laminated composite structures using particle swarm optimization algorithm

This paper presents an efficient bi-level optimization technique to obtain the optimal stacking sequence for symmetric composite structures. The proposed approach involves two levels of modeling and optimization. The first level of the optimization procedure is used to minimize the weight of the composite structure. At this level, lamination parameters and the number of plies of specified angles (0, ±45 and 90 degree) are design variables, buckling load factor is treated as a constraint, and the weight of the structure is to be minimized using continuous-discrete particle swarm optimization algorithm. Next, at the second level the location of each ply orientation through the thickness (i.e. the layup of the panel) is found. At the second level, optimum stacking sequence is sought to maximize the load bearing capacity of the structure with respect to the buckling. The proposed methodology is applied to two test cases. Results show that the approach improves the buckling load factor of the structure without any weight penalty.