一种全局和声搜索算法及在PID控制中的应用

PID控制受到H∞多性能标准的限制,是一类约束优化问题.引入了一种全局和声搜索算法(GHS)以解决PID控制问题.由于使用了位置更新和小概率的变异,GHS算法具有很强的收敛性和跳出局部最优的能力.通过结合GHS算法和一种罚函数法来处理目标和约束之间的矛盾.实验结果表明,GHS算法在解决PID控制问题上具有很强的解空间开发能力,它所获得的解要好于文献中所报道的解.     

一种改进的粒子群优化算法

提出一种改进的粒子群算法(EDAPSO).这种改进算法结合分布估计算法的探索能力和粒子群算法的开发能力.首先利用EDAPSO算法解决无约束的问题,并且比较EDAPSO算法与其他三种经典的粒子群算法的结果.无约束问题的实验结果表明:EDAPSO算法可以找到更好的解,并且稳定性更高.然后EDAPSO算法被用来解决含有13个单元的电力系统的负荷经济分配问题.实验结果表明:EDAPSO算法所获得的解比近期文献所报道的解好.     

混合差分进化-和声搜索算法在结构工程中的应用

为了增强HS算法跳出局部最优的能力,将差分进化算法(DE)的变异和交叉引入到了HS算法中.这种改进的HS算法被称为混合差分进化-和声搜索(HDEHS),它既具有很强的收敛性,又能有效地防止自身陷入局部最优.实验结果表明,与文献中算法比较,HDEHS算法在解决结构工程优化问题中能够找到更好的解,它是解决结构工程优化问题的一个有效的选择.     

改进的差分进化算法在工作分配中的应用

提出了一种改进的差分进化算法(IDE)以解决工作分配.它修正了DE算法的两个重要的参数:尺度因子和交叉率.尺度因子根据所有解向量的目标函数值而自适应地调整,交叉率随着迭代次数的增加而动态地调整.通过结合这两种参数,不仅增加了候选解的多样性,还增强了本算法的解空间开发能力.实验表明,在解决工作分配上,IDE算法比其他三种DE算法具有更强的收敛性和稳定性.     

基于变异策略的粒子群算法

在研究粒子群算法的特点之后,将变异因子融入到粒子群算法之中,提出了一种带有变异策略的粒子群算法(MPSO).该变异因子可以提高算法对解空间的开发能力,从而降低了粒子群算法陷入局部最优的可能性.实验结果表明,经过对4个无约束问题、1个高维线性约束问题以及1个实际应用问题的测试,带有变异策略的粒子群算法可以成功地解决高维无约束问题和带有线性约束的高维问题.实验结果也表明,MPSO算法具有很强的收敛性和稳定性,是一种很有前途的优化算法.