基于粒子群优化算法的电力系统无功优化

针对粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题,结合全局-局部最优模型,提出一种改进的全局-局部参数最优粒子群优化算法。利用全局-局部最优惯性权重及全局-局部最优加速度常数,简化速度更新方程,使算法性能得到改善。将该算法应用于电力系统无功优化中,仿真结果表明,网损平均值更低,寻优性能更好,优化的网损值集中在较小的区间。     

一种基于改进粒子群的图像滤波方法

根据传统中值滤波的不足,提出采用改进的粒子群算法PSO(Particle Swarm Optimization)-随机惯性权法来寻求模糊隶属函数的最优参数,然后对噪声图像进行模糊中值滤波处理,复原被噪声污染的像素点灰度值。通过Matlab图像处理工具箱的实验结果表明,基于改进PSO中值滤波比一般中值滤波效果有了一定程度的提高。该方法不仅有较好自适应性,可以不断逼近目标值,而且还能很好地保护图像细节信息,提高图像的去噪效果和清晰度。     

一种基于引导策略的自适应粒子群算法

为解决粒子群算法前期搜索“盲目”,后期搜索速度慢且易陷入局部极值的问题,对算法中粒子更新方式和惯性权重进行了改进,提出了一种基于引导策略的自适应粒子群算法。该算法在种群中引入4种粒子,即主体粒子、双中心粒子、协同粒子和混沌粒子对粒子位置更新进行引导,克服算法的随机性,从而提高搜索效率;为进一步克服粒子群优化算法进化后期易陷入早熟收敛的缺点,引入聚焦距离变化率的概念,通过聚焦距离变化率的大小动态调整惯性权重,以提高算法的收敛速度和精度,两者结合极大地提高了搜索到全局最优解的有效性。对4个标准测试函数进行仿真,实验结果表明IPSO算法在收敛速度、收敛精度以及成功率上都明显优于LDWPSO和WPSO算法。     

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。     

基于遗传粒子群算法的模拟电路故障诊断方法研究

提出一种基于小波包分解、归一化处理、遗传粒子群优化算法(GAPSO)和BP神经网络相结合的模拟电路故障诊断新方法。该方法使用小波包分解获取各尺度函数空间上的能量特征信息作为特征向量输入神经网络。利用遗传粒子群算法优化BP神经网络的权值和阀值,有效克服BP神经网络极易陷入局部极小等缺陷。通过Multisim仿真电路实例,比较GAPSO-BP和BP神经网络的诊断结果,验证了该方法的有效性。     

一种基于均值的云自适应粒子群算法

本文基于云理论把粒子群分为三个种群,用云方法修改粒子群算法中惯性权重,同时修改速度更新公式中"认知部分"和"社会部分",引入"均值"的概念,提出了一种基于均值的云自适应粒子群算法。该方法的最大优点是克服了粒子群算法在迭代后期,当一些粒子的个体极值对应的适应度值与全局极值对应的适应度值相差明显时,不能收敛到最优解的缺点。数值实验结果表明,该算法经过较少的迭代次数,就能找到最优解,且平均运算时间减少,降低了算法的平均时间代价。     

一种动态调整惯性权值的粒子群算法

粒子群算法针对速度变量的调节不够精确,算法在迭代过程中容易陷入局部最优,函数目标值的精度比较低。为了得到更加精准的目标值,提出一种改进的粒子群算法,对粒子群算法的惯性权值参数进行动态调整。算法将惯性权值参数设置为由粒子位置、个体最优位置和全局最优位置影响的可变参数组,通过各个位置之间的距离来控制参数的改变。该改进粒子群算法针对每一个粒子的每一维度都设计其对应的惯性权值参数。该改进算法经过和其它算法进行比较测试,结果显示改进的算法得到的解值更加精准。     

一种动态扩散粒子群算法

针对粒子群算法搜索精度不高特别是对高维函数优化性能不佳问题,提出了一种动态扩散粒子群算法（DDPSO)。该算法通过非线性函数调节惯性权重,在粒子速度更新方式上增加一个动态随机数加强粒子的搜索能力,提高算法的性能,同时在一定条件下对粒子进行重新扩散,保证种群的多样性。实验结果表明,DDPSO算法的寻优能力明显高于基本PSO及其他一些改进的PSO算法,并且该算法性能稳定,更加适合高维复杂函数优化问题。     

一种新的带有动态自适应惯性权重和混合变异的粒子群优化算法

提出一种新的带有混合变异算子的自适应粒子群优化算法.该算法使用了动态自适应惯性权重,粒子群中所有粒子适应度的整体变化可以跟踪粒子群的状态,在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性.在每次迭代过程中,对符合变异条件的粒子进行混合变异.通过对六个典型的测试函数的试验,表明该方法具有较强的全局寻优能力,克服了基本PSO易陷入早熟收敛的现象,并进一步提高了计算精度.     

一种新的改进粒子群优化方法

为解决粒子群优化算法易于陷入局部最优问题,提出了两种新方法并行修改粒子群优化算法惯性权重：对好于或等于整体适应度平均值的粒子,用动态非线性方程调整惯性权重,在保存相对有利环境的基础上逐步向全局最优处收敛;对比平均值差的粒子,用动态Logistic混沌映射公式调整惯性权重,在复杂多变的环境中逐步摆脱局部最优,动态寻找全局最优值。两种方法前后相辅相成、动态协调,使两个动态种群相互协作、协同进化。实验结果证实：该算法在不同情况下都超越了同类著名改进算法。     

一种动态改变惯性权重的自适应粒子群算法

针对标准粒子群算法在进化过程中种群多样性降低而早熟的问题,提出一种动态改变惯性权重的自适应粒子群算法.采用种群中平均粒子相似程度作为种群多样性的测度,并用于平衡算法的全局探索和局部开发.基于对惯性权重随种群多样性测度变化的动态分析,建立了惯性权重随种群多样性测度的变化关系,并将其引入该算法中.最后对6个经典测试函数进行仿真,结果表明该算法在平均最优值和成功率上都有所提高,特别是对多峰函数效果更明显.     

一种基于模糊神经网络的模拟电路故障诊断方法

提出了一种采用小波分析与遗传算法相结合的模糊神经网络对模拟电路进行故障诊断的新方法。该方法采用基于小波分析的主成分分析方法对网络的训练样本进行预处理,提取优化向量后利用遗传算法对模糊神经网络进行训练。对两个模拟电路的诊断实例表明该方法故障覆盖率高,并能有效诊断出同类方法误诊的故障类型。     

一种基于综合策略改进的粒子群优化算法

文章提出一种粒子分层策略和时变学习因子相结合的改进方法。首先,优于平均适应度的这一层粒子采用一种扰动策略自适应惯性权重,劣于平均适应度的这一层粒子采用线性变化惯性权重。其次,采用正弦时变学习因子,动态调整学习因子。最后,通过4标准函数进行仿真实验测试,证明改进算法的有效性。     

基于改进的粒子群优化的神经网络故障诊断方法研究

针对BP(Back Propagation)神经网络易陷入局部极值的缺点,提出了一种粒子群PSO(Particle Swarm Optimization)神经网络,同时为避免PSO算法早熟,对部分粒子采用变异操作。应用于故障诊断系统的仿真结果表明,该算法能够大大提高故障诊断的精度。     

基于亲和力的动态自适应粒子群算法

针对惯性权重线性递减粒子群算法(LDWPSO)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权重的自适应粒子群算法(DCWAPSO),在该算法中引入亲和力的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为亲和力的函数在。每次迭代时算法可根据当前粒子群亲和力的大小动态地改变惯性权重,从而使算法具有动态自适应性。对六个典型函数的测试结果表明,DCWAPSO算法的收敛速度明显优于LDWPSO算法,收敛精度也有所提高。     

一种动态改变惯性权重的自适应粒子群算法

针对惯性权重线性递减粒子群算法(LDWPSO)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权重的自适应粒子群算法(DCWPSO),在该算法中引入聚焦距离变化率的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为关于聚焦距离变化率的函数.在每次遮代时算法可根据当前粒子群聚焦距离变化率的大小动态地改变惯性权重,从而使算法具有动态自适应性.对6个典型函数的测试结果表明,DCWPSO算法的收敛速度明显优于LDWPSO算法,收敛精度也有所提高.     

一种改进的粒子群优化算法

粒子群优化算法（PSO）是一种生物进化技术。依据粒子间的相互影响发现搜索空间中的最优解。通过分析基本PSO算法的进化方程,研究了一种具有更好收敛速度和全局收敛性的改进PSO算法。5个典型测试函数的仿真实验表明该改进算法是行之有效的。     

基于粒子群神经网络的发动机故障诊断

本文提出了一种基于粒子群优化算法和多层前向神经网络的新型进化神经网络模型（PSO-ANN）。在实例研究中，该模型被应用于汽车发动机故障诊断中。与传统BP网络诊断结果相比，本文方法具有运算效率高，收敛速度快的特点，是一种有效可靠的新型故障诊断技术。     

改进的粒子群算法对RBF神经网络的优化

为了改进神经网络模型结构和参数的设置方法,提出了一种改进的粒子群优化径向基函数（RBF）神经网络的方法。该方法通过动态调整粒子群算法中的惯性权重因子,提高了算法的收敛速度和搜索全局最优值的能力。实验结果表明：基于改进的PSO算法训练的神经网络在函数逼近性能上优于自组织选取中心算法与标准PSO算法,提高了网络泛化能力和优化效果,有效地增强了网络对非线性问题的处理能力。     

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.