PSO算法在含一阶导数变分问题中的应用

变分问题是一个研究泛函极值的经典数学问题,寻求变分问题的直接解法具有重要的理论和现实意义.鉴于PSO算法在极值问题中的广泛应用,利用分段Hermite插值.建立了求解含一阶导数的变分问题优化模型,构造出了适应度函数,从而使得PSO算法成功应用到变分问题的求解当中.数值实验结果表明了方法的可行性,同时也拓展了PSO算法的应用领域.     

PTA生产溶剂智能优化控制软件的开发与应用

在.Net开发环境下,利用C++语言开发PTA生产溶剂智能优化控制软件,并介绍了软件包的设计原理和基本框架.利用广义回归神经网络建立PTA过程模型,再采用粒子群智能优化法优化过程操作参数,软件系统操作简单、用户界面友好.该软件在精对苯二甲酸(PTA)生产装置的实用效果良好,降低了醋酸和蒸汽的消耗,并为优化各工艺操作条件提供了指导,产生了一定的经济效益,具有较好的推广价值.     

水处理系统的分段优化设计方法

采用分段设计法研究水处理过程.根据给水浓度和产水浓度要求的不同,以年费用最小为目标,将水处理过程作为超结构模型,进而优化设计段数和每段的工艺参数.研究表明,当进水浓度为5 000 ppm～35 000 ppm时,制备生活用水采用反渗透法处理费用最低,而制备纯水采用反渗透+离子交换联合法处理费用最低;当进水浓度为500 ppm～5 000 ppm时,前者采用电渗析法处理费用最低,而后者采用电渗析+离子交换联合法处理费用最低;当进水浓度小于500 ppm时,制备纯水采用离子交换法费用最低.     

粒子群优化算法的发展趋势

分析优化算法的发展历程,指出粒子群优化算法(PSO)是基于群体智能的一种算法,简单易行,可调参数少,研究广泛且发展迅速.结合图形给出算法的个体极值和整体极值的搜优运动过程.研究总结算法的研究现状及特点,认为PSO还需要完善和继续研究.提出将算法应用于复杂的约束优化、随机优化与最优控制问题是算法应用研究的方向,并指出对该算法完整的收敛性分析是算法成熟的标志.     

基于双极偏好控制的多目标粒子群优化算法

考虑双极偏好信息对粒子群的控制作用,提出一种使用双极偏好——正偏好和负偏好引导粒子群向 Pareto 前沿偏好区域进化的方法．根据TOPSIS 决策法思想,将外部种群粒子与正负偏好点的相对贴近度排序作为 外部种群管理和全局最优解更新策略;根据贴近度值确定解集的分布度;选取6 种不同类型的多目标测试函数进行 算法模拟,从世代距离、空间测度和超体积测度3 个指标与基于单极偏好的多目标粒子算法进行性能比较．结果显 示,基于双极偏好控制的多目标粒子群算法的收敛性和综合性能更优秀．     

基于时变系数与社会认知模拟的粒子群优化

粒子群优化算法利用一群在可行区域内飞行的粒子来搜索最优解,具有易实现、收敛速度快的特点,然而也面临"早熟"的问题.提出了一种基于时变系数与社会认知模拟的粒子群优化算法.实验结果显示,在5种不同的标准化测试函数下,新算法较另外3种常用的算法优越.     

基于量子粒子群优化的在线航迹规划

现代战场中,环境信息是变化的,飞行器很难预先获得精确的全局环境信息,因此要求无人飞行器具有实时的航迹规划能力,采用量子粒子群优化算法,将约束条件和搜索算法相结合,有效解决了简单粒子群算法在高维空间中易陷入局部最优点的问题;同时,根据地形障碍、敌方防御雷达、防空火力等威胁以及禁飞区的分布情况,引入最小威胁面的概念,利用B-Spline插值逼近最小威胁面中的三维航迹在二维水平面内的投影,从而将三维曲线的规划问题简化为二维平面中控制点的寻优问题,简化了问题复杂度,提高了计算效率.仿真结果表明该方法可以满足在线航迹规划的要求.     

柔性变形机翼后缘拓扑优化设计

为了实现机翼表面的自适应变形和结构轻量化,将柔件机构引入到机翼后缘形状变化结构设计中.应用连续体拓扑优化技术,以实际位移与目标位移之间的偏差为目标函数,材料用量为约束,建立SIMP(solid isotropic material with penalization)密度刚度插值模型.采用Matlab编程对柔性机构进行了优化设计,并对不同参数下的优化结果进行了讨论,最后进行机构的仿真分析.研究结果显示该柔性机构能够实现预期的形状变化,证明了方法的正确性,为柔性机翼设计提供理论基础.     

基于主从粒子群的模糊小波神经网络交通控制

城市交通智能控制是ITS的重要组成部分,交叉口是决定道路通行顺畅的制的基础.为提高路口的通行能力,提出了主从结构的粒子群算法优化模糊小波神经网络参数,并将其应用于交通信号的控制.算法中,主级粒子进行全局搜索,从级粒子以主级粒子找到的最优解为中心进行局部搜索.仿真结果表明该算法能够有效减少交叉口车辆平均延误时间,提高道路通行能力.     

不确定系统的稳定广义预测控制

针对一类有界不确定线性离散被控对象,采用Min-Max优化方法,提出一种新的稳定广义预测控制(MMSGPC)算法.引入内模控制结构,将干扰和不确定性从被控对象中分离出来,并利用局部反环节对其进行补偿;采用Min-Max优化方法,将终端约束条件转化为有界不确定性最差情况时应的线性方程;通过引入矩阵的Moore-Penrose逆,得到了终端约束线性方程的通解,并结合性能指标函数求得了最优控制律.通过仿真实例验证了该方法的稳定效果.