基于自适应随机惯性权的粒子群优化算法

分析惯性权值对粒子群优化算法(PSO)优化性能的影响,提出了基于自适应随机惯性权(ARIW)的改进粒子群优化算法.在进化过程中,为粒子群中的各个粒子随机选取惯性权值,并随进化代数自适应地调整随机惯性权值的概率分布.使用四个基准函数进行测试,结果表明基于ARIW的PSO算法不但计算简便,而且能有效地调整算法全局与局部的搜索能力,显著提高了全局搜索的速度与精度.     

一种约束类问题的带权PSO优化方法

为提高带约束类问题的PSO求解质量,将等式约束通过约减策略转化成不等式约束,约减了设计变量个数,降低了粒子的维度;同时将不等式约束事先放在子程序内,在使用PSO寻优计算适应度函数前,排除不在解空间内的解,降低了寻优计算量.利用优化过程中其他粒子的优化信息调整PSO算法的惯性权重,给出了约束类问题的带权PSO优化步骤.采用这种带权的PSO算法以及传统的PSO算法,分别对等式约束处理、不等式约束处理以及两者均处理的3种方案同时优化2个典型实例,对实例求解的最优值、平均值、标准差以及平均优化时间进行对比,结果显示:这种带权PSO算法对约束条件同时处理的方法既能提高解的精度,又能提高优化的求解效率.     

基于田口方法的PSO算法参数设计

PSO算法中的参数对其性能有显著影响,本文利用田口方法对标准PSO算法的参数进行设计。以惯性权重、学习因子和种群大小作为可控因子,以信噪比度量PSO算法性能的优劣,通过基准测试函数的正交试验得到PSO算法的最佳参数组合。实验结果证明:按照田口方法设计的参数,能够有效提高算法的效率和稳健性。同时本研究为优化PSO算法提供了一些新思路。     

惯性权值和学习因子对标准PSO算法性能的影响

基于标准PSO算法,通过分析惯性权值和学习因子2类参数不同的取值策略对常用测试函数优化结果的影响,来探究2类参数对算法性能的影响.实验结果表明,2类参数恰当的动态改变不仅能明显提高单峰函数的寻优精度和收敛速度,而且能提高双峰和多峰函数的寻优概率;惯性权值主要影响算法的收敛速度,随着惯性权值的递增,算法收敛速度逐渐加快;学习因子主要影响算法的寻优精度,当反映粒子的自我学习能力和向群体最优粒子学习的能力的学习因子同增同减变化时,寻优精度提高;惯性权值递增结合2种学习因子的同增同减变化,或惯性权值递减结合2种学习因子的一增一减变化,均可使标准PSO算法性能得到显著提高.     

一种改进的自适应粒子群优化算法的研究

针对标准粒子群算法（PSO）早熟收敛、进化后期收敛慢和精度较差等缺点,提出一种改进的自适应粒子群优化算法。该算法根据粒子的适应度值一致等价于粒子位置的特点,通过比较粒子适应度值与当前全局最优适应度值的差来自适应调整惯性权值,并按当前种群平均粒距对种群中部分粒子进行变异操作,增加种群多样性,使粒子跳出局部极值。通过几种典型函数的仿真实验表明,该算法在收敛速度和收敛精度上都比标准粒子群优化算法有明显的提高。     

融合近邻交互的改进的粒子群优化

提出了一种新的粒子群优化方法--融合近邻交互的粒子群优化算法(Particle Swarm Optimization Combined with Near Neighbor Interaction, NNI_PSO).NNI_PSO在PSO算法的速度更新公式中增加了近邻交互部分,并结合"优胜劣汰",引入动态邻域结构和惯性权值非线性变化.近邻交互有利于粒子快速向全局最优移动, "优胜劣汰"有利于维持种群多样性.将NNI_PSO应用于PSO领域五个著名的基准测试函数,并与其它两个著名的PSO改进算法对比,实验结果证明NNI_PSO在收敛速度和解的精度方面均有明显优势.NNI_PSO不仅提高了PSO算法执行的时间性能,而且有效地缓解了早熟收敛问题.     

船体双层底结构优化的粒子群优化算法

为优化船体双层底结构,在适于求解连续变量的标准粒子群优化算法(PSO)基础上,提出一种离散变量PSO算法,并利用标准PSO算法和离散变量PSO算法分别对测试函数和某大型油船双层底结构优化设计问题进行求解,该双层底结构的响应分析计算采用正交异性板计算模型实现.研究了不同取值的惯性权重和学习因子对优化结果的影响.通过对计算结果的对比分析,得出该离散变量PSO算法应用于船体板架结构优化设计时,其惯性权重和学习因子的最佳取值范围.     

前向神经网络粒子群优化学习算法研究

将粒子群优化算法用于前向神经网络权值的学习算法研究,以神经网络学习算法研究的典型问题之一的XOR问题作为研究实例,针对算法的收敛性、学习速度以及算法对初值的鲁棒性等性能指标,分别对标准的PSO算法、改进的PSO算法以及BP算法及其带动量项的BP算法进行了比较研究.研究表明,PSO算法在前向神经网络权值的学习算法中其所有的性能指标均优于传统的BP算法,PSO算法在神经网络的应用中具有广阔的前景.     

基于改进粒子群算法优化的自抗扰控制器（ADRC）及其应用

针对自抗扰控制器参数多,不利于整定的问题,提出了一种基于改进的粒子群算法（PSO）的自抗扰控制器参数整定方法。该方法引入了PSO中各个粒子的惯性权值的自适应调整机制,以此来维持粒子的多样性和加速粒子群算法的收敛性。利用改进粒子群算法优化的二阶自抗扰控制器控制主气温控制系统,仿真结果验证了算法的可行性和有效性。     

基于FNO-PSO算法火电机组煤耗模型的参数辨识

本文针对粒子群(PSO)算法存在的早熟和局部收敛问题,结合分数阶神经优化算法(fractional-neuro-optimizer,即FNO),提出一种新的混合PSO算法—FNO-PSO算法.该算法通过FNO算法对PSO算法中的惯性权重进行更新,以保证粒子在搜索空间运动的多样性,降低了PSO算法后期因种群过于密集而陷入局部最优的可能性.最后,通过这种算法辨识火电机组煤耗模型中的参数,并与PSO算法、IPSO算法进行对比,仿真结果显示该混合FNO-PSO算法能够更准确、更快速的辨识煤耗模型中的未知参数.     

基于改进粒子群算法的双馈感应发电机参数辨识

基本粒子群算法(PSO)存在早熟问题,且惯性权重对参数辨识结果的影响较大,为此提出将变权重PSO算法和全局最优位置变异PSO算法相结合的改进PSO算法,并将其应用于双馈感应发电机(DFIG)的参数辨识。分析了DFIG中各参数的可辨识性和辨识难易度,给出了基于改进PSO算法的参数辨识步骤。与采用基本PSO算法、变权重PSO算法和全局最优位置变异PSO算法的参数辨识结果相比较,该方法具有收敛速度快、辨识误差小的优点,即使在较大的搜索范围内仍具有较高的辨识精度。     

粒子群优化算法

论述粒子群优化算法(PSO)的基本原理、特点、实现步骤,以及PSO的各种改进技术,包括基于PSO参数的改进技术(主要是惯性权重)、基于遗传算法进化机理的改进技术(受遗传算法启发提出的带交叉算子的PSO、带变异算子的PSO、带选择算子的PSO),以及其他算法融合的改进技术(模拟退火PSO、免疫PSO、混沌PSO),并总结PSO热点研究问题.     

多交界面热传导方程模型的数值解与参数估计

本文研究了多交界面热传导模型的数值解以及参数估计. 首先,本文运用有限差分法对传热方程和交界面条件进行离散化,将其转换为三对角型线性方程组.然后,基于追赶算法所给出的线性方程组数值解,本文建立了方程参数的非线性规划模型,并设计自适应粒子群优化算法（Particle Swarm Optimization,PSO）. 本文提出的自适应PSO算法对惯性因子实施一种自适应的非线性递减调整策略,以避免群体过早陷入局部极值、提升粒子的寻优精度. 最后,本文以仿真实验比较了自适应PSO算法、标准PSO算法及经典的非线性优化算法如AS（Active Set）算法,IP（Interior Point）算法和SQP算法在参数估计时的性能差异.     

基于混沌理论和自适应惯性权重的PSO算法优化

针对粒子群算法固定惯性权重和早熟收敛的缺陷,提出一种动态自适应惯性权重调整策略,有效增强了算法的全局和局部寻优能力;并针对早熟问题,采用混沌映射方法增加种群多样性,同时利用负梯度方向调整群体极值,极大降低了算法陷入局部极值的概率.通过在多个常用测试函数上与其他算法比较,证明了所提改进粒子群算法的正确性和有效性.     

一种基于复合惯性权值的粒子群优化算法

在研究神经网络优化的问题上,粒子群优化算法被广泛应用.针对基本粒子群优化算法收敛速度慢和易陷入局部最优等问题,提出了一种改进的粒子群优化算法.该算法除了采用线性惯性权值和进化速度-聚集度动态惯性权值相结合的方式来调整其权值,还将一种新颖的收缩因子引入到算法中.通过对4种典型测试函数进行仿真测试,实验结果表明新算法在收敛速度、收敛精度、改善优化性能上完全优于基本的粒子群优化算法,有效避免了基本群优化算法的缺陷.     

改进型耗散粒子群优化算法

通过对标准粒子群优化算法中惯性权重的分析和对耗散理论的研究,提出了一种惯性权重正弦调整的耗散粒子群优化算法(S-DPSO),并对该算法进行了深入的分析和研究.通过对4个典型函数的仿真测试,试验结果表明S-DPSO在收敛速度和全局收敛性方面都比标准粒子群优化算法、随机惯性权重粒子群优化算法、惯性权重正弦调整粒子群优化算法、耗散粒子群优化算法和随机惯性权重耗散粒子群优化算法有明显改进.理论分析和仿真试验验证了S-DPSO的正确性和有效性.     

基于随机参数的粒子群优化算法

粒子群优化算法本质上是一种全局随机优化技术,优化性能高但容易陷于局部最优,并且算法性能很大程度上依赖于参数设置。本文对该算法的3个控制参数进行数据实验和调查,分析参数设置对算法性能的影响规律,提出一种改进的粒子群优化算法,该算法在迭代的每一代中,惯性权重和加速系数都是在一定范围内随机产生：ω=rand（0.4,0.7）,C1=rand（0.5,3.0）,C2=rand（1,3.5）。由于该算法的控制参数不再固定取值;而且在一定范围内随机产生,从而增强了算法的多样性和遍历性,能够有效避免算法早熟收敛。通过标准函数的测试,验证了该算法性能优于固定参数粒子群算法和随机加速系数粒子群算法,具有更好的收敛性和稳定性。     

解多目标优化问题的新粒子群存档算法

通过把Pareto优与粒子群优化(PSO)算法相结合,利用给出的粒子的序值定义对粒子群中的粒子进行分离存档,给出了一种求解多目标优化问题的新粒子群存档算法。为了提高算法的全局收敛性,对PSO算法中的惯性因子ω执行自适应调节。数据实验比较表明该算法能找到问题数量更多、分布更广、更均匀的Pareto最优解。     

基于粒子群算法的重油热解模型参数估计

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,提出了一种根据种群多样性测度动态改变惯性权重系数的自适应粒子群算法,该算法能够平衡算法的全局探索和局部开发能力,不仅有效地避免早熟,而且具有较快的收敛速度.两个经典的测试函数的仿真结果表明了算法的有效性.将改进的粒子群算法应用于重油热解模型参数估计中,效果明显.