一种改进的粒子群算法

针对标准粒子群算法中固定惯性权重值在寻优方面不具有动态寻优的特点,结合粒子聚集程度和迭代次数的综合作用对惯性权重进行动态调整。实验表明,改进后的粒子群算法在具有代表性的单峰函数和多峰函数的测试中均具有一定的优越性。     

一种改进的粒子群算法在协商优化中的应用

在双边多议题协商模型的基础上提出一个消解协商僵局的数学模型,并对标准粒子群算法(PSO)的进化方程进行了改进,以确保粒子在一个超平面上移动。使用该种改进的算法(IPSO)对模型进行求解,优化了协商议题的保留值向量,达到了消解僵局的目的。实验结果表明IPSO比PSO具有更好的性能,减少了最优搜索时间,提高了协商成功率。     

粒子群优化算法在Acrobot平衡控制中的应用

粒子群优化算法(PSO)是基于群体的演化算法,本质上是一种随机搜索算法,并能以较大概率收敛到全局最优。本文针对欠驱动Acrobot机械臂系统,利用模糊控制原理设计平衡控制器,运用粒子群算法对模糊控制器的量化因子进行在线优化,获得平衡控制器参数的最优值,以实现降低系统超调量,减少系统振荡和平衡时间的目的。仿真实验结果验证了该方法的有效性。     

基于改进粒子群算法的水轮机调速器参数优化

提出一种改进的粒子群算法,即将微分进化算法与粒子群算法相结合,在更新粒子位置之前,加入微分进化算法,微分进化算法在变异时,考虑了粒子群算法中当前所寻找到的个体粒子所经过的最优位置及其整个粒子群所经历过最优位置,使粒子的进化具有了一定的方向性.利用典型函数证明了该方法具有较好的全局收敛性和收敛精度.将其应用在水轮机的调速系统参数寻优中,通过二次优化,有效地改善水轮机控制系统过渡过程的动态性能,很好地缓解了该工况下稳定性与抗负荷扰动能力的矛盾.     

一种改进粒子群算法在参数辨识中的应用

提出一种两群并列随机粒子群搜索算法用来改善PSO算法的缺点,即易于早熟和收敛速度慢。该算法将粒子群中适应度较高的粒子的平均位置,展开一个同步的随机搜索过程并且指导下一次的最优粒子,跳出局部最优位置。从搜索结果可以看出,改进粒子群克服了局部早熟和收敛速度慢的缺点。仿真结果表明了该算法的有效性。     

一种混合粒子群算法及其在Job Shop问题中的应用

粒子群算法是一种新颖的演化计算技术，具有思想简单、容易实现的优点，被广泛应用于连续空间的优化。结合遗传算法的思想提出一种新的进化方式并用于Job Shop离散空间优化，进一步结合粒子群算法的群体多样性和禁忌搜索算法的集中搜索性提出一种粒子群算法和禁忌搜索算法的混合策略。用Job Shop问题作为测试基准，仿真试验显示混合粒子群算法是可行和有效的。     

一种改进粒子群算法及其在Wie ne r模型辨识中的应用

针对标准粒子群算法收敛速度较慢、收敛精度较低、容易陷入局部最优等方面的缺点,提出一种融合细菌觅食算法和鲶鱼效应的混合粒子群算法。通过四个经典测试函数仿真实验,验证了该算法具有较其他改进方法更强的全局搜索能力、收敛速度和收敛精度。并针对一类可描述成Wiener模型的工业过程进行了参数辨识,通过数值仿真验证了混合粒子群算法的实用性以及较其他算法更强的非线性辨识能力。     

一种改进的均值粒子群算法

为了解决粒子群算法存在“早熟”现象和收敛速度慢的问题,本文提出一种改进的均值粒子群算法. 该算法采用非线性惯性权重,同时在每个迭代步,将粒子历史最优和种群全局最优取均值再乘以一个非线性权重的方法,以提高算法的全局搜索能力和收敛速度. 通过4个标准函数的测试,实验结果表明该算法的有效性.     

一种混合粒子群算法及其在Job Shop问题中的应用

粒子群算法是一种新颖的演化计算技术,具有思想简单、容易实现的优点,被广泛应用于连续空间的优化。结合遗传算法的思想提出一种新的进化方式并用于Job Shop离散空间优化,进一步结合粒子群算法的群体多样性和禁忌搜索算法的集中搜索性提出一种粒子群算法和禁忌搜索算法的混合策略。用Job Shop问题作为测试基准,仿真试验显示混合粒子群算法是可行和有效的。     

一种改进的简化粒子群算法

由于简化粒子群算法中每个粒子都采用相同的迭代公式进行进化,使得在进化后期粒子间的差异性不强,算法容易出现早熟、搜索速度慢的问题.针对上述问题,在简化粒子群优化算法的基础上,加入了混合蛙跳算法的分组思想,提出了一种蛙跳简化粒子群算法.算法将粒子群分为多组同时进行搜索,每组粒子进行若干次迭代后再重新进行分组.粒子的迭代方式在简化粒子群上增加了对各小组最优粒子信息的利用,使各小组就利用不同的迭代公式进化,保证了粒子间的差异性.分别用基本粒子群算法、简化粒子群算法、混合蛙跳算法和蛙跳简化粒子群算法(改进的算法)对4个经典函数进行测试.结果表明,改进的算法能够有效地避免早熟收敛问题,并能较大幅度地提高收敛速度和收敛精度.     

改进的粒子群算法在电力系统AGC中的应用

针对自动发电控制(AGC)中的负荷频率控制(LFC),对粒子群算法的计算过程进行了改进,提出了一种能有效的协调粒子群算法的优化精度和优化速度的方法,即动态改变粒子数目。该方法基于粒子群算法对于粒子数目的相对不敏感,可以在不影响精度的前提下大幅度提高优化速度,节约计算时间,适应予优化对象较复杂的情况。并针对单区域和两区域互联电力系统的不同指标要求,给出了用改进的粒子群优化算法优化PI控制器参数的方法,分别进行优化设计。仿真结果显示,其性能明显优于遗传算法优化的PI控制器。     

改进的多目标粒子群算法及其应用

为了满足电站锅炉"高效低排"的运行要求,结合RBF神经网络,根据工况数据,分析了电站锅炉燃烧效率与NOx排放的矛盾关系,建立了锅炉NOx排放与热效率的混合模型。以此为基础,针对现有粒子群优化算法研究成果,引入了适应度与随机数值比较选择的思想和相似度函数的概念,并对算法的惯性权重进行了相应设计,使之随迭代次数逐渐减小,通过对测试函数的效果检验,表明算法的有效性。最后将其应用于锅炉混合模型中,进行某工况多目标优化仿真研究,得到了不同目标要求下的燃烧组合,为电站锅炉多目标优化提供了技术支持。     

基于免疫粒子群算法的水轮机机组供水系统节能控制方法

传统供水系统节能控制方法忽略了对水轮机状态的监控,导致在降低系统能耗的同时,供水过程出现机组运行不稳定问题,为此,设计基于免疫粒子群算法的水轮机机组供水系统节能控制方法。利用T-S模糊模型构建供水系统数学模型。采用模糊神经网络结构作为新型节能控制的设计原理,设计新的节能控制器。通过免疫粒子群算法实现供水系统的整体控制,降低供水系统能源消耗,完成基于免疫粒子群算法的水轮机机组供水系统节能控制方法的设计。仿真实验结果表明：所提控制方法应用后,供水系统的能源消耗明显降低,且水轮机机组供水运行稳定性得到了提升,应用效果较为理想。     

改进的量子行为粒子群优化算法及其应用

为提高量子行为粒子群算法的优化能力,提出了一种改进的算法．该算法也采用量子势阱作为寻优机制,但提出了新的势阱中心建立方法．在每步迭代中,首先计算粒子适应度,然后取前K个适应度最好的粒子作为候选集．采用轮盘赌策略在候选集中选择一个粒子作为势阱中心,调整其它粒子向势阱中心移动．在优化过程中,通过使K值单调下降,获得探索与开发的平衡．将提出的算法应用于标准函数极值优化和量子衍生神经网络权值优化,实验结果表明提出算法的优化能力比原算法确有明显提高．     

传感器网络中改进的粒子群优化定位算法

为提高无线传感器网络节点粒子群优化(PSO)定位算法的收敛速度与搜索性能,将惯性权重的非线性调整策略及目标值排序的思想引入其中,从而实现对算法的改进,并将改进后的算法应用于传感器网络节点的定位。最后,通过仿真实验分别比较了在不同的锚节点密度、网络连通度以及测距误差下,该算法与标准粒子群优化算法及最小二乘法的定位结果。结果表明,改进后的算法不仅有效地抑制了测距累计误差,而且提高了收敛速度,该方法用于传感器网络节点的优化定位是可行的。     

微粒群算法的发展及应用

介绍了1995年以来微粒群算法的开发过程,分析了算法原理、算法流程,并将微粒群算法与其他演化算法进行了比较,最后介绍了一些已经开发和在将来有希望的领域中的应用。     

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。     

一种改进的粒子群多目标优化算法研究

为了解决多目标优化过程中各个解之间存在的资源争夺、冲突,算法由于趋同性而带来的早熟无法收敛等缺点,文中提出了一种多子种群协同优化粒子群算法。算法分别采用不同的种群优化不同的目标,并且在算法中引入外部档案和精英学习策略,使得算法能够得到更多的外部档案的解供选择,精英学习策略是为了使算法的分布性和收敛性更好。最后将算法应用到多目标测试函数中,通过实验验证了改进后的算法的收敛性和分布性都比经典多目标算法NSGA-II要好。