一种改进粒子群算法及其在PID参数整定中的应用

针对基本粒子群算法易早熟、易陷入局部最优解及搜索精度不高的缺点,提出了一种新的学习因子取法,综合随机惯性权重和变异机制,得到一种改进的粒子群算法,通过复杂函数寻优验证了该方法的可行性及全局收敛方面的优越性;并将该算法应用于PID参数整定中,取得了良好的效果.     

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。     

一种新的粒子群优化算法

针对传统粒子群优化算法容易早熟、收敛精度低等缺点,提出一种改进方案,使用随机惯性权重,在每一次迭代中,对可能陷入局部极值的粒子进行有效的随机初始化。通过对7个经典测试函数的数值仿真实验证明,该新算法能提高粒子群优化算法的寻优能力,并在维数较高时也能获得较好的优化效果。     

一种改进粒子群算法在水轮机控制中的应用

关于水轮发电机控制系统优化问题,水轮发电机组的控制技术对于水轮发电机组稳定工作非常重要。针对保证供电质量,改善调节系统的非线性时滞特性,利用具有局部搜索能力的粒子群算法对水轮发电机组进行模糊PID控制可以确保控制的稳定性。首先,根据水轮发电机组的控制原理和模糊PID控制器的基本结构,提出具有局部搜索能力的改进粒子群算法,利用模糊PID控制器以及采用了改进粒子群算法的模糊PID控制器,用MATLAB软件对水轮发电机组进行优化控制仿真,仿真结果表明采用改进粒子群算法的模糊PID控制器具有最优的控制效果。     

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。     

基于改进粒子群算法的超级电容参数辨识

针对超级电容的模型参数辨识不准确问题,首先分析了超级电容单体的储能原理和性能特点,将二分支等效模型作为超级电容的模型,然后使用最小二乘算法和改进粒子群算法对模型参数进行辨识,最后通过仿真和实验比较两种算法辨识效果,证实该文所提出的改进粒子群算法更能准确地辨识出超级电容模型参数。     

量子粒子群算法的改进实现

为了进一步提高量子粒子群算法的精度,从描述粒子状态波函数的[δ]势阱特征长度[L(t)]出发,重新修改其评价方式。通过给群体中的每个粒子引入随机权重,生成随机权重平均最优位置来重新评价[L(t)],以增强算法的随机性,帮助算法逃离局部极小值点的束缚,使算法尽快找到全局极值点。通过几个典型函数测试表明,改进算法的收敛精度优于QPSO算法,并且具有很强的避免陷入局部极值点的能力。     

应用改进粒子群算法辨识Hammerstein模型

研究非线性系统辨识问题.针对非线性系统中单输入单输出Hammerstein模型,由于传统辨识方法对Hammerstein模型中非线性部分具有不易辨识的缺陷,造成辨识精度低、辨识效果差等问题.为此,在基本粒子群算法的基础上,提出了一种带有收缩因子的改进的粒子群算法对非线性系统进行辨识的方法,可将参数辨识问题转换为参数空间上的函数优化问题,然后利用粒子群算法的并行搜索能力进行参数寻优.通过MATLAB软件进行仿真,并与基本粒子群算法进行比较,结果表明,利用改进算法不仅提高了辨识精度而且获得了良好的辨识效果,从而验证了算法的有效性和可行性.     

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.     

基于改进PSO的规则提取方法

为解决飞行动作识别规则的自动提取问题,提出一种基于改进粒子群优化算法的飞行动作规则提取方法。在对关键飞行参数特征量进行符号化的基础上,利用基于改进的动态惯性权重策略的离散二进制粒子群算法对符号化的各飞行参数特征量进行组合寻优,以找到能够完全表达飞行动作的识别规则。仿真实验表明,应用该方法得到的飞行动作识别规则简洁、有效,在实践中有良好的应用前景。     

面向产品优化配置的粒子群优化算法

针对产品配置大规模、多约束、多目标及组合优化等特性,建立一种有效的配置模型,将复杂的产品优化配置问题转化为图的路径寻优问题。针对基本粒子群算法(PSO)的缺陷,将遗传原理、蚁群机制和模拟退火理论引入PSO算法,提出一种改进的PSO算法。根据产品优化配置问题的离散特点,对PSO算法进行离散化处理,重新定义粒子的位置和速度表示,确立这些量的运算规律和粒子运动方程。典型产品配置实例验证了提出的模型和算法的可行性。     

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。     

基于粒子群算法的声波测井岩心自动归位

为解决传统岩心手动归位不准确、主观性强等缺点,提出一种全新的岩心归位方法,利用粒子群优化算法实现声波测井岩心自动归位。根据位于同一深度的声波时差与岩心的物性数据具有相关性这一原理,声波测井岩心自动归位可归结为寻找全局位移最小、数值变、化趋势对应性最好的优化问题。仿真结果表明,用粒子群算法可以快速有效地实现声波测井岩心自动归位。     

基于混沌PSO算法的选择性神经网络集成方法

提出基于十进制粒子群优化算法（DePSO）和二进制PSO算法（BiPSO）的选择性神经网络集成(NNE)方法,通过PSO算法合理选择组成神经网络集成的各个神经网络,使个体间保持较大的差异度,减小"多维共线性"和样本噪声的影响。为有效保证PSO算法的粒子多样性,在迭代过程中加入混沌变异。试验表明,混沌PSO算法是组合优化权值的有效方法,同已有方法比较可以有效提高神经网络集成的泛化能力。     

一种改进的自适应邻域粒子群优化算法

在对粒子群优化(PSO)算法进行深入分析的基础上,建立了自适应邻域更新机制,再对惯性权重更新机制进行自适应化,分别从拓扑邻域结构和惯性权重两个角度对局部版PSO算法进行了改进,提出了一种实用、高效的自适应邻域粒子群优化算法,经7个标准测试函数验证,该算法具有较高效率和精度。     

基于PSO的软件可靠性模型参数估计方法

软件可靠性建模是一个重要的研究领域,现有的软件可靠性模型基本上是非线性函数模型,估计这些模型的参数比较困难。粒子群优化是一类适合求解非线性优化问题的随机优化方法,提出一种基于粒子群优化的软件可靠性模型估计参数方法,该方法的关键是构造合适的适应函数。用该方法分别估计了5个实际软件系统的指数软件可靠性模型以及对数泊松执行时间模型,实验结果表明：该方法参数估计的精度高,对模型的适应性强。     

基于改进粒子群算法的阈值图像分割

针对基本粒子群算法目前存在的收敛速度过慢且容易于陷入局部极值等方面问题,提出根据蜂群算法的领域搜索思想,改变算法中粒子领域结构。通过借鉴蜂群的领域搜索策略解决粒子群算法陷入局部极值的问题,提高收敛速度。并将改进后粒子群算法应用于阈值图像分割中,仿真结果表明改进算法在图像阈值分割中减少阈值的寻优时间,优化收敛精度,提高图像处理的实时性和精度性。     

一种群体智能算法——狮群算法

基于狮群中狮王、母狮及幼狮的自然分工,模拟狮王守护、母狮捕猎、幼狮跟随3种群智能行为,提出群体智能算法——狮群算法.算法中不同种类的狮子位置更新方式不同.遵循自然界生物“适者生存”的竞争法则,狮王守护领土,优先享用食物,母狮合作捕猎,幼狮分为学习捕猎、饥饿进食和成年被驱逐.狮子位置更新方式的多样化保证算法快速收敛,不易陷入局部最优.最后,将算法应用于6个标准测试函数优化问题,并对比粒子群算法、骨干粒子群算法,测试结果表明,文中算法收敛速度较快,精度较高,能较好地获得全局最优解.