基于自适应混沌变异的k-均值聚类粒子群算法

针对经典粒子群(PSO)算法易出现早熟收敛和搜索精度差的缺陷,提出了一种基于混沌变异的k-均值聚类PSO优化算法(FCPSO).该算法首先通过k-均值聚类方法把粒子群分成若干个子群体,从而在迭代过程中每个粒子根据其个体极值和所在子种群中的全局极值来更新自己的位置和速度.其次,在算法中引入自适应混沌变异,有效的增强了子群体之间信息交换和经典PSO算法跳出局部最优解的能力.对几个典型可变维函数的测试结果表明,该算法是非常有效的.     

基于粒子群优化的BP神经网络模型参考自适应控制系统

将粒子群优化的BP神经网络作为模型,参考自适应控制系统的控制器,把参考模型输出与系统实际输出的均方误差作为PSO-BP神经网络的适应函数,通过PSO算法强大的搜索性能使自适应控制系统的均方误差最小化.仿真实例结果表明,基于粒子群优化算法的BP神经网络自适应控制系统收敛快、精度高,有较好的网络的泛化和适应能力,能够很好地控制系统的输出跟随参考模型的输出.     

基于自适应PSO优化的空燃比神经网络预测控制

为解决空燃比传输延迟的问题,该文提出一种基于自适应扩展粒子群优化的空燃比预测控制策略.采用多粒子策略来提高算法的全局收敛性,通过对控制参数的自适应调整来加快算法的收敛速度.在多粒子策略中,每个粒子的更新受更多其他粒子的影响;在自适应策略中,控制参数随着迭代次数的增加而逐渐减小.以HQ495发动机为实验对象,仿真结果表明在节气门小范围变化时,空燃比误差低于1%;在节气门大范围变化时,空燃比误差低于2%.该方法实现了对空燃比的精确预测控制,有效地改善了汽油机过渡工况排放性能.     

基于k-均值的自适应PSO优化算法

提出了一种新的基于k-均值聚类的自适应PSO优化算法（KCMPSO）．首先通过k-均值聚类方法把粒子群分成若干个子群体,从而在迭代过程中每个粒子根据其个体极值和所在子群体中的最好个体更新自己的位置和速度,其次引入自适应变异算子,有效地增强了粒子群之间信息交换和PSO算法跳出局部最优解的能力．几个典型函数的测试结果表明,该算法是非常有效的．     

多策略自适应粒子群优化算法

为了提高粒子群优化算法搜索最优解的效率,该文提出多策略自适应粒子群优化(MAPSO)算法。通过构建多样性测试方式评价种群的分布性。粒子的进化状态分别为勘探或开发状态,通过执行实时交替策略,确定粒子的进化状态。在迭代优化时,根据粒子的多样性动态地控制惯性系数。基于所构建的多样性测试方式,通过融入精英学习策略进一步改善种群多样性,以阻止种群陷入局部解。实验结果表明,与自适应性粒子群优化(APSO)、综合性学习粒子群优化(CPSO)、振荡粒子群优化(PPSO)算法相比,MAPSO算法能够持续地改善PSO跳出局部最优解的能力,其可靠性和成功率均优于其它算法,并能有效改善搜索性能和收敛速度。     

基于解空间划分的PSO改进算法

 提出一种基于解空间划分的粒子群优化算法, 该算法在保持粒子群搜索能力的前提下对解空间进行预处理, 寻找最佳搜索区间, 提高了粒子群搜索效率; 在粒子群搜索过程中设置检查点, 动态更新解空间区间划分. 实验结果表明, 该算法有效提高了粒子群的搜索效率, 并使粒子群算法不易陷入局部极值. 同时, 在自适应状态下, 该算法能搜寻到指定精度下粒子群所需的最小迭代次数, 并得到较满意的最优值.     

基于正交试验设计的粒子群优化算法

针对粒子群优化(particle swarmopti mization,PSO)算法在进化初期收敛速度快但容易陷入局部最优、在进化后期收敛速度变慢且精度低的缺陷,为了提高粒子群算法的收敛速度和全局寻优能力,提出了基于正交试验设计的粒子群优化(orthogonal-experi mental-design-based PSO)算法.在基本粒子群算法的基础上,算法OE-PSO对当前搜索到的解进行局部寻优,利用正交试验设计对搜索空间的分布均匀性在可行解的领域选择有代表性的解进行测试.算法OE-PSO用搜索到的更好的解在下一次迭代中引导粒子进行搜索,从而获得更快的收敛速度和更精确的解,同时避免局部最优.实验结果表明,算法OE-PSO不但具有较快的收敛速度,而且能够有效提高解的精确性,增强算法的鲁棒性.     

基于自适应惯性权重的混沌粒子群算法

针对粒子群优化(particle swarm optimization,PSO)算法易陷入早熟的缺陷,提出了一种基于自适应惯性权重的混沌粒子群算法。首先利用立方映射产生的混沌序列对粒子位置进行初始化,为全局搜索的多样性奠定基础;然后采用自适应惯性权重优化策略,提高收敛速度;最后如果判断算法陷入早熟,则对算法进行混沌扰动,使其跳出局部最优。仿真实验结果表明,改进算法的收敛速度及收敛精度都有明显提高,能有效地避免早熟。     

一种自适应混合纵向多变异粒子群算法

为克服标准粒子群算法搜索后期收敛速度慢、容易陷入局部最优的缺点,通过引进自适应惯性权重因子平衡标准粒子群优化算法的全局搜索和局部改良能力,同时设计了均匀分布变异和高斯分布变异相结合的粒子群混合纵向多变异策略,来提高算法摆脱局部极值和局部寻优的能力.根据提出的改进算法流程,针对公认的Sphere,Rastrigin,Griewank和Salomon四种标准测试函数进行了收敛精度和收敛速度的测试.测试结果表明,在标准粒子群、自适应权重粒子群、自适应变异粒子群和自适应混合多变异粒子群4种算法中,提出的新算法具有最好的全局最优值搜索能力和最稳定的全局收敛特性,且在提高收敛速度的同时,有效地避免了早熟收敛问题.     

基于速度变异的粒子群算法

为了改善粒子群优化算法在收敛后期极易陷入局部最优的缺陷,提出了在非线性惯性权重策略粒子群算法的前提下,对陷入局部极值区域的粒子进行位置变异,使得粒子能很好地跳出局部极值区域,并在迭代前期及后期采用不同速度变异策略使处于个体极值点的粒子改变速度,能够有效地提高算法的前期全局搜索能力和后期局部开挖能力。通过4个经典测试函数验证了该算法具有更好的优化性能。     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。     

改进的粒子群算法及其在软测量建模中的应用

提出了一种改进的粒子群算法,很好地解决了基本粒子群算法中易陷入局部最优的缺点。通过比较和分析几个标准测试函数的计算结果,改进的粒子群算法的优良性得到充分的证明。改进的粒子群算法被用于优化神经网络的结构和参数,结果表明:不但网络的结构得到控制,而且泛化性能有了较大的提高。同时,算法在优化神经网络上的有效性也在4-CBA含量的软测量建模中得到了很好的证实。     

基于神经网络——粒子群优化算法的医学图像分割新方法

提出了一种基于神经网络——粒子群优化算法的医学图像分割新方法,将粒子群优化算法用于神经网络的学习训练,克服了神经网络收敛速度慢,以及容易收敛到局部最优解的缺点。并与遗传算法进行了比较,结果表明,该方法不仅能更快地收敛于最优解,而且在分割准确率、误差率以及运行时间上也都有了较明显的提高。     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

改进的PSO-RBF神经网络在联合制碱中的应用

联合制碱过程是一类典型的复杂工业过程,具有时变、非线性、不确定性等特征,在线控制模型难以建立。针对联合制碱复杂工业过程控制精度不高、鲁棒性差等问题,提出一种改进的PSO-RBF神经网络控制算法。将粒子群优化算法和径向基神经网络相结合,使用改良的粒子群优化算法对RBF神经网络的隐含层基函数中心、宽度和输出层的连接权值进行寻优,建立基于改进的PSO算法优化后的RBF神经网络模型。将改进的PSO-RBF神经网络控制模型应用到联合制碱的关键工序碳化过程中,并与先前应用的模糊神经网络控制模型进行比较,经仿真研究验证表明,在联合制碱碳化过程中应用改进的PSO-RBF神经网络控制算法,其控制精度和系统鲁棒性得到了有效的提高,为解决一类复杂工业过程的建模与优化控制方法研究提供了有效的技术途径。     

基于PSO和神经网络的中厚板凸度预报模型辨识

针对在钢板轧制过程中很难精确预报中厚板的凸度问题,将粒子群算法和神经网络用于辨识中厚板凸度预报模型.结合了神经网络和粒子群算法各自的优点,先采用三层神经网络建立神经网络预报模型,再利用粒子群算法对网络的权阀值进行训练.实验结果表明:相对于BP神经网络凸度预报模型,本文设计的PSO神经网络预报模型在收敛速度和预报精度上明显优于BP神经网络,具有精确性、收敛性和快速性等特点.     

一类间歇过程的优化及非线性预测控制

基于主产物浓度和反应温度的RBF神经网络模型,使用粒子群优化算法(PSO)求解该间歇反应主产物产率最大化问题,进而得到反应温度优化曲线。利用RBF神经网络建立了反应器冷却水控制温度阶段的预测模型,采用非线性预测控制,并引入了模型误差项,增强了控制方法的鲁棒性和间歇过程的抗干扰性能。利用 Lyapunov 原理对该预测控制算法做了稳定性分析,确定了系统稳定条件下的参数的取值范围。同时编制控制程序在多功能过程及控制实验装置(MPCE)装置上实现了算法的控制,并与以升温速率为基准的特殊PID调节器的控制结果比较,结果证明了基于RBF神经网络非线性预测控制方法的有效性。     

基于随机收敛因子和差分变异的改进灰狼优化算法

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。选取6个标准测试函数进行仿真实验。结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法。     

PSO算法与BP神经网络在电力系统辨识中的比较研究

系统辨识是控制工程领域中研究的重要问题之一。首先对BP神经网络和微粒群算法进行了深入分析。以含STAT-COM电力系统为辨识对象,分别采用BP神经网络和微粒群算法对其进行辨识分析。对两种算法的收敛精度进行了分析比较。结果表明PSO算法在系统辨识上具有优势。     

基于改进灰狼算法-BP神经网络的智能巡检机器人电磁兼容故障诊断

智能巡检机器人巡检电力线路时可能受到电磁干扰而影响工作甚至发生故障,为有效地完成智能巡检机器人电磁兼容故障的诊断,本文提出一种基于改进灰狼算法优化BP神经网络(TGWO-BP)的故障诊断模型。由于智能巡检机器人电磁兼容故障征兆与故障原因之间具有复杂的非线性关系,采用一般BP神经网络诊断模型存在着收敛速度较慢,易陷入局部最优,诊断准确率偏低的缺陷。针对以上问题,文中利用改进灰狼算法优化BP神经网络的权值与阈值,将优化后的BP神经网络应用于智能巡检机器人电磁兼容故障诊断。仿真结果表明,相比于GWO-BP神经网络和一般BP神经网络,TGWO-BP神经网络诊断模型收敛速度加快,网络泛化能力增强,故障诊断准确率提高。