混合粒子群和改进细菌觅食的不平衡数据分类

针对细菌觅食优化（Bacterial Foraging Optimization,BFO）算法易陷入局部最优的缺点,提出了混合粒子群优化（Particle Swarm Optimization,PSO）算法与改进的细菌觅食优化（Improved BFO）算法应用于不平衡数据的分类。使用三个数据集测试所提算法的性能,其一是卵巢癌微阵列真实数据,另两个来自UCI数据库的垃圾电子邮件数据最优集和动物园数据集。采用边界合成少数过采样技术（Borderline-SMOTE）和Tomek Link对不平衡数据进行预处理,利用所提算法对不平衡数据进行分类。在改进细菌觅食优化算法的过程中,对趋化过程进行改进,采用粒子群优化算法先进行搜索,将粒子作为细菌进行处理,提高了细菌觅食优化的全局搜索能力。改进复制操作过程,提高优胜劣汰的选择标准。改进迁徙操作过程,防止种群陷入局部最优,防止进化停滞。仿真结果表明,所提算法分类准确度优于现有方法。     

嵌入趋化算子的PSO算法及其在多阈值分割中的应用

针对标准粒子群优化(Particle Swarm Optimization,PSO)算法在优化选择多阈值时易陷入局部最优等问题,提出一种嵌入趋化算子的PSO算法。首先针对标准PSO算法具有较强的全局寻优能力但局部搜索能力较差,而细菌觅食优化(Bacterial Foraging Optimization,BFO)算法具有较强的局部搜索能力的特点,将BFO算法中具有较强局部搜索能力的趋化算子嵌入到PSO算法中,形成一种嵌入趋化算子的PSO算法(Chemotaxis Operator embedded PSO,COPSO),以此优势互补,使COPSO算法既有较强的全局搜索能力,又有较强的局部搜索能力。最后将COPSO算法用于最大熵多阈值图像分割中,得到最佳阈值向量。实验结果表明:与标准的PSO、BFO和GA算法相比,该算法具有更好的优化效果和更短的寻优时间。     

钢包炉配料PSO-BP-PID 控制研究

针对钢包精炼炉( Ladle Ｒefining Furnace) 又称LF 炉,配料加料过程的惯性、时滞、非线性等控制特性,设计了一种基于微粒群优化算法( Particle Swarm Optimization,PSO) 、误差反向传播( Back Propagation,BP) 神经网络以及比例－ 积分－ 微分( PID) 的复合控制算法PSO-BP-PID,并将该复合算法应用于150 t 钢包精炼炉配料称重控制系统中,实现配料称重过程的智能控制。PSO-BP-PID 算法利用微粒群优化算法的全局寻优特性,优化BP 神经网络的初始权值以提高神经网络的收敛性; 采用经微粒群算法优化后的BP 神经网络在线实时调整PID参数。通过基于PSO 和BP 网络的PID 控制器实时控制钢包精炼沪的配料过程。仿真实验和运行实验结果表明,PSO-BP-PID 算法的控制效果优于单一PID 算法的控制效果。采用PSO-BPPID算法的钢包炉配料系统后,明显提高了配料精度,有效地解决了配料称重过程中速度与精度的矛盾。     

基于遗传优化的模糊PID控制在智能除草中的应用研究*

针对当前智能除草控制系统的非线性、时滞性及喷施精度过低等问题,设计了一种基于超代遗传算法(HG-GA)优化的模糊PID控制方案。在该方案中,针对智能除草装置的特点,设计了对应的模糊PID控制器,并对控制器的各因子进行遗传优化,从而提高系统的控制效果,同时加快了优化速度。实验结果表明这是一种有效的控制策略,尤其是在处理非线性及外部干扰方面有更好的鲁棒性。     

混沌乌燕鸥算法优化发动机参数自整定PID控制

针对传统PID参数整定存在的问题,结合混沌乌燕鸥优化算法（Chaos Sooty Tern Optimization Algorithm, CSTOA）良好的搜索性能,提出了一种基于混沌乌燕鸥优化算法的航空发动机参数自整定PID控制方法（CSTOA-PID）。首先通过引入混沌映射的思路,改进了乌燕鸥优化算法（Sooty Tern Optimization Algorithm, STOA）。接着设计了性能指标加权的适应度函数,用来避免发动机供油量极大超调与急剧供油现象。最后对某型涡扇发动机的数学模型进行仿真验证,结果表明：在地面状态下,经CSTOA-PID控制器优化后的PID参数分别为4.31878、14、0.214426。CSTOA-PID控制器的参数整定效果都好于STOA-PID控制器和PID控制器,转速阶跃响应反应迅速,同时供油量出现的超调最小,证明了该方法的有效性和可行性。     

若干新型群智能优化算法的对比研究

随着计算机技术的发展,算法技术也在不断交替更新。近年来,群体智能算法受到了广泛的关注和研究,并在诸如机器学习、过程控制、工程预测等领域取得了进展。群智能优化算法属于生物启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路,但是也在一些实验中暴露出不足。近年来,许多学者相继提出了很多新型群智能优化算法,选取了最近几年国内外提出的比较典型的群智能算法,蝙蝠算法（Bat Algorithm,BA）、灰狼优化算法（Grey Wolf Optimization,GWO）、蜻蜓算法（Dragonfly Algorithm,DA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、蝗虫优化算法（Grasshopper Optimization Algorithm,GOA）和麻雀搜索算法（Sparrow Search Algorithm,SSA）,并进一步通过22个标准的CEC测试函数从收敛速度、精度和稳定性等方面对比了这些算法的实验性能,并对比分析了其相关的改进方法。最后总结了群智能优化算法的特点,探讨了其今后的发展潜力。     

油料输送温度的智能预测控制

针对油料加热输送过程中具有大时滞非线性特点的流动加热控制问题,提出了一种智能预测控制方法。该方法采用自适应粒子群优化算法（APSO）辨识和优化预测模型及控制器的PID控制参数,克服油料流动加热控制模型的失配及系统的不确定性。通过对已知模型的仿真,以及与自整定PID控制的比较表明,该方法具有较好的控制效果。     

基于蚁群算法的PID控制器参数优化研究

蚁群算法是一种新型的优化算法,具有收敛速度快、鲁棒性强的优点。在介绍蚁群算法基本原理的基础上,分析了蚁群的自组织行为,给出该行为的数学模型一蚂蚁群体优化（Ant Colony Optimization,ACO）。提出一种基于蚁群算法优化PID控制器参数的方法,并给出了新算法的具体实现步骤。仿真结果表明了该方法的可行性和有效性。     

基于混沌的小波神经网络免疫PID控制器

针对目前大多数智能PID控制器存在的诸如设计复杂、计算量大、收敛速度慢以及控制精度相对较差等问题,提出一种基于混沌优化的小波神经网络免疫PID控制器的设计方法,该方法用小波神经网络逼近免疫PID的非线性函数,并且引入混沌机制优化免疫PID的参数,进而将该控制器用于工业加热炉的控制,仿真与实验结果表明,该控制器的控制性能优于其它类型的智能PID控制器以及常规PID控制器.     

改进BFO算法在函数优化问题上的应用

分析了细菌觅食优化（BFO）算法的原理以及当前的研究状况,主要根据心理学家爱德华·桑代克（E L Thordike）的经典效果律和经济学家巴莱多的巴莱多定律等对标准BFO算法存在的不足进行改进;将改进后的BFO算法在函数优化问题上进行仿真实验,实验结果表明改进后的BFO算法比标准BFO算法具有更快的收敛速度和更强的搜索性能。     

微粒群优化和视觉感应相结合的图像增强方法

对粒群优化算法进行了改进,提出了一种微粒群优化和视觉感应相结合的图像增强方法,通过微粒群算法优化灰度图像的平均明暗信息熵差值,自适应地选择图像灰度转换函数,用以实现图像的增强。该方法不仅参数个数少,优化速度快,在搜索能力上优于粒群优化算法,而且能够保证算法的全局收敛性。仿真实例证明了该方法在图像增强上的有效性和优越性。     

改进细菌觅食算法解决零空闲流水线调度问题

针对零空闲流水线调度问题,建立以最大完成时间为目标的数学模型,并提出了解决问题的改进细菌觅食优化算法。在标准细菌觅食优化算法的基础上,引入了交叉优化算子、混合复制策略以及一种基于健康度和适应度共同控制的自适应迁徙概率,以加速算法的收敛过程,并有效抑制精英个体的逃逸,防止解发生退化。采用路径编码方式,通过MATLAB算例试验,表明了改进细菌觅食优化算法在求解零空闲流水线调度问题上的可行性和有效性;同时,运用两种方式产生初始解：随机方式和NEH方法,进一步验证算法的鲁棒性。     

改进的细菌觅食优化算法求解0-1背包问题

细菌觅食优化算法作为一种新兴的智能优化算法,一般用来解决连续域的问题。为了解决离散域问题,提出了一种改进的细菌觅食优化算法。采用线性递减的思想和随机的游动长度代替固定步长和随机游动方向,改进了趋向性操作方案,并将其应用于解决0-1背包问题。将改进的细菌觅食优化算法与遗传算法、离散粒子群优化算法及基本的离散化细菌觅食优化算法分别在小规模和大规模的0-1背包问题上进行了仿真比较,表明了改进的细菌觅食优化算法能取得较好的效果,寻优能力强。     

非线性PID控制器参数优化方法

分析了非线性PID控制器各部分参数对于误差的理想变化过程,构造出一种非线性PID控制器;整定参数较多时,传统的参数优化方法容易产生振荡和较大的超调量,在分析量子粒子群算法（QPSO）的基础上,引入了随机选择最优个体的思想,提出使用改进的量子粒子群算法（GQPSO）优化非线性PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过典型传递函数实例,分别使用Z-N、PSO、QPSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。     

电阻抗断层成像的MPSO-MNR算法研究

基于修正粒子群算法（MPSO）和修正的牛顿-拉夫逊（MNR）算法的优点和局限,提出MPSO-MNR算法,通过对研究的平面圆形求解域采用有限元法进行剖分,电流注入采用三角电流法的园域内单个、两个仿真目标采用该算法进行电阻抗断层静态重构。采用定义的适应值函数和误差总和作为评价重构质量的物理量。数值仿真结果表明,在一定迭代次数内,提出的MPSO-MNR算法对求解域内目标位置定位准确,能够较准确反映场域内电阻率的分布。     

多子群入侵杂草优化算法研究及应用

针对入侵杂草优化算法(IWO)进化后期种群多样性、优势个体易陷入局部极值的问题,提出一种基于K-均值聚类的多子群入侵杂草优化算法(K-MSIWO)。该算法利用K-均值聚类算法将杂草种群分为3个子群,通过种内和种间竞争策略建立个体之间、子群之间的协同进化关系,提高杂草种群的多样性。当算法的收敛速度下降时,对种群中早熟的个体采用随机扰动的变异策略,帮助其跳出局部极值。基准函数测试结果表明,将该算法用于二阶和高阶系统的PID控制器参数整定,与遗传算法的整定结果相比,系统超调量分别下降33.2%和50%,具有较好的寻优精度和一致性。     

新的融合算法在机器人路径规划中的应用

机器人路径规划一直是机器人学领域的一个非常重要的研究课题。提出了一种基于蚁群粒子群算法融合的机器人全局路径规划算法,该方法有效地结合了蚁群算法和粒子群算法的优点,利用粒子群算法的快速简洁等特点得到蚁群算法初始信息素分布;然后利用蚁群算法的并行性、正反馈性、求解精度高等优点,求得全局最优解。仿真实验结果证明了该方法的有效性和可行性。     

基于改进SOS算法的UCAV鲁棒机动决策研究

针对无人作战飞机自主空战机动决策问题,提出了一种鲁棒机动决策方法。设计了反映空战态势的鲁棒隶属函数,并基于此设计鲁棒多目标决策函数;针对动作库在机动决策中的不完备性与传统优化方法求解时效性缺陷,运用基于自适应和精英反向学习策略改进的共生生物算法,对控制量进行优化进而完成机动决策;仿真结果表明,鲁棒机动决策结果更具优势且改进算法求解具有实时性,满足机动决策需求。