基于混沌粒子群算法的电梯混合能源系统控制优化

电梯混合能源控制优化是对电梯、太阳能、蓄电池、超级电容等设备间的能量交换进行控制优化。根据电梯系统的特点,在满足电梯所需能量的前提下,以电网所需的耗电量最小为优化指标,建立电梯的混合能源优化目标函数。其中目标优化函数中的变量如0-1等非连续的开关变量,其混合能源管理优化过程是非线性变参数优化问题,难以用普通的解析方法进行计算。采用混沌粒子群算法的智能求解策略,通过对某电梯的仿真,验证了模型和算法的有效性。     

采用改进粒子群算法的铣削参数优化研究

为了提高数控铣削加工的生产效率,降低生产成本,同时改善生产工件的加工质量,根据最优化思想,建立以铣削加工参数为优化变量,以铣削力、机床主轴转速和加工面粗糙度等为约束条件,以最短加工时间和最低生产成本为目标的优化函数。在标准粒子群算法的基础之上,引入惩罚函数,将多约束优化问题转变为无约束优化问题,改善了求解过程的复杂性;同时,针对粒子群算法容易陷入局部最优的问题,将其与模拟退火算法结合,增强粒子的全局搜索能力,改善粒子的局部收敛性。通过仿真实例验证了改进粒子群算法的有效性和优越性,改善了工件的加工时间与生产成本。     

混沌压缩非线性粒子群算法求解车间调度问题

针对大规模车间调度问题,提出了一种混沌压缩非线性粒子群算法。首先运用多种群策略增加粒子多样性,结合混沌策略和非线性策略改进惯性权重,以平衡全局和局部搜索能力,加快算法后期收敛速度;再引入压缩因子改进算法速度更新公式,加大算法前期搜索范围,以防止算法陷入局部最优;最后用6种车间作业经典算例分别对粒子群算法、遗传算法、灰狼算法和混沌压缩非线性粒子群算法进行检验。实验结果表明,该方法可以显著提升粒子群算法的收敛精度和速度,对于实际大规模车间调度问题适应性较好,能有效提高车间的生产效率。     

粒子群优化算法求解车间调度问题

针对车间调度问题的特点构造了此问题的粒子表达方法,给出了具体的算法应用过程,并将结果与神经网络方法、遗传算法、改进的加工效率函数的调度算法做了对比.结果表明粒子群算法在柔性工作车间调度问题的应用上是十分有效的.     

杂交粒子群算法在工程几何约束求解中的应用

工程几何约束问题等价于求解一系列非线性方程组.粒子群算法是一种进化计算方法.它通过创建更好的种群搜索解空间.新的种群基于新的个体而产生.借鉴遗传算法的思想,提出了杂交PSO算法的概念.粒子群中的粒子被赋予一个杂交概率.在每次迭代中,依据杂交概率选取指定数量的粒子放入一个池中.池中的粒子随机的两两杂交,产生同样数目的孩子粒子,并用孩子粒子代替父母粒子,以保持种群的粒子数目不变.实验表明该方法是有效的.     

基于Tent映射的混沌粒子群优化算法及其应用

针对基本粒子群优化算法在迭代后期易陷入局部最优而出现早熟收敛的现象,基于混沌搜索的全局遍历性、随机性和规律性的特点,以粒子群群体适应度方差作为粒子群优化算法早熟收敛的判据,将Tent映射作为混沌搜索引入到基本粒子群算法中,对以一定概率随机选择的粒子群中的部分粒子实施混沌搜索,利用混沌特性提高种群的多样性和粒子搜索的遍历性,从而使粒子获得持续搜索的能力,提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能.几个典型测试函数的仿真实验和应用实例均证明了该算法的可行性.     

改进粒子群优化算法在工程优化问题中的应用研究

粒子群优化（PSO）算法是一种群集智能方法，它通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。在对于粒子群群体构造和粒子多样性对收敛速度和精度影响的研究基础上提出了一种改进型粒子群优化算法。针对工程中的有约束的优化问题，将改进粒子群算法与函数法相结合进行求解。计算实例表明改进型粒子群优化算法大大改善了传统PSO算法的全局收敛性能，解的精度提高了很多。     

混沌粒子群算法在电液伺服阀优化设计中的应用

混沌粒子群算法较其它算法具有编程容易、精度高、收敛速度快以及不易陷入局部极值等特点,以力反馈两级电液伺服阀为对象,对影响其稳定性及快速性的参数进行优化,在满足伺服阀稳定性以及最佳阻尼比的前提下,通过提高伺服阀的固有频率、开环增益来提高伺服阀的频宽,进而提高伺服阀的稳定性和快速性.结果表明,混沌粒子群算法对伺服阀参数优化后,伺服阀的稳定性和快速性均得到了改善.     

改进的粒子群优化算法及其工程应用

针对单目标粒子群优化算法局部搜索能力差,不能有效求解高维、复杂工程问题等缺点,提出了一种改进的粒子群优化算法,即单纯形粒子群优化方法的混合算法(SM PSO)。该混合算法,在继承粒子群优化算法原有优点的同时,不但可减少计算规模,且有效地增强了粒子群优化算法的局部搜索能力,提高了算法的鲁棒性能。文中采用30维经典测试函数及齿轮减速器优化问题作为算例,验证了该算法的优越性能。     

粒子群优化算法中惯性权重的研究

惯性权重是粒子群优化算法中的关键参数,文章对惯性参数进行了系统的研究,在此基础上,分析了固定权重,典型的线性递减惯性权重,步长较小的线性递减惯性权重时收敛性能的影响.通过对4个测试函数的仿真实验,验证了它们各自的全局收敛性和收敛速度,说明了惯性权重在粒子群优化算法中有很大的自由度.     

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.     

设备布局离散优化问题的粒子群算法研究

设备布局设计是制造系统设计的重要组成部分，设备布局是否合理对整个制造系统的总体功效起着非常重要的影响。粒子群优化算法（PSO）是一种新的群智能优化算法，常用于求解连续空间极值问题，近来正逐渐进入组合优化领域。利用多雏实数编码及映射方法将连续PSO算法应用于求解设备环形布局问题，为此类离散优化问题的求解提供了一种新的思路。利用GA中的杂交策略扩展PSO算法，提高了PSO算法性能。通过实例计算和结果比较，说明了该算法能有效地求得设备环形布局问题的优化解，是一种行之有效地算法，有很好的实用价值。     

一种自适应粒子群算法求解模糊作业车间调度问题

针对模糊加工时间和模糊交货期的车间调度问题,提出自适应离散粒子群算法。鉴于粒子群在搜索后期易早熟的缺点,根据群体聚集程度自适应地更改交叉概率、线性更改变异概率;在搜索后期,依概率进行择优操作,对局部极值进行基于工序块的变异操作,使算法具有更优的性能。仿真实验表明该算法可行有效。     

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。     

基于改进粒子群的虹膜定位算法

提出了一种改进的粒子群优化算法（IPSO）来解决虹膜定位问题。该算法采用两种速度更新策略来增强种群多样性并提高算法自身的收敛速度,并提出一种变异操作以阻止IPSO陷入局部最优。对虹膜内进行边缘定位时,通过搜索6条直线与虹膜内边缘的交点来获得12个边缘点;另外建立了与这12个点有关的目标函数,并用IPSO来优化该函数。根据IPSO在该函数上的应用,找到一个最合适的圆来拟合虹膜内边缘。进行虹膜外定位时,设计了一个模板来提取虹膜外边界,然后从外边界中选择12个边缘点,并同样使用IPSO找到一个最合适的圆来拟合虹膜外边缘。为了验证基于改进粒子群优化算法的虹膜定位方法（ILA-IPSO）的性能,从中国科学院自动化研究所的数据库中选择了不同个体的108幅虹膜图像。实验结果表明,ILA-IPSO算法要好于其它两种方法,该算法利用最少的定位时间获得了最高的成功率。     

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.     

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。     

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。