基于粒子群算法混合优化的广义预测控制器研究

提出一种基于粒子群算法混合优化的广义预测控制器(generalized predictive control based on particleswarm optimization,简称PSOGPC),将粒子群优化算法(particle swarm optimization,简称PSO)引入到广义预测控制的滚动寻优过程中,有效解决了广义预测控制在被控对象存在约束时难以获得最优预测控制输入及求解复杂的问题。并对普通粒子群优化算法进行了改进,提高了优化过程的求解精度和收敛速度。多种约束情况和对电厂锅炉的主汽温控制系统的仿真结果表明了该方法的有效性和优良的控制性能。     

混沌粒子群混合优化算法的研究与应用

为使粒子群优化算法(PSO)初始粒子均匀分布在解空间,分析了混沌运动的遍历性并根据粒子间欧式距离大小改进了PSO初始种群提取方法。提出了一种混沌粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和混沌优化算法同时进行。对四个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能好。     

协同粒子群-模拟退火算法求解VRPSPD问题

研究逆向物流车辆路径(VRPSPD)问题,建立了VRPSPD问题的混合整数规划模型.利用启发式算法的特点构造求解VRPSPD问题的一种协同PSO_SA算法,设计了该算法初始种群的编码规则、信息交换策略、2-opt邻域解生成策略和SA算法中的冷却进度表规则.实验过程以典型算例为例进行了实验,并对重要参数进行了分析.实验结果表明,该算法对于求解VRPSPD 问题,可以有效提高车辆的负载使用率,避免因负载波动和最大负载能力约束而增加车辆总行程,在可以接受的迭代次数限制内可以收敛到满意解.     

求解Job Shop调度问题的粒子群算法研究

为解决单一粒子群算法求解Job shop调度问题存在的不足,提出一种基于交换序的混合粒子群算法,提高了这类问题的求解质量.在混合粒子群算法中,采用粒子群算法进行大范围全局搜索.根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种方法的禁忌搜索算法作为局部搜索算法,增强了粒子群算法的搜索能力.采用混合粒子群算法对13个难解的benchmark问题进行求解,在较短的时间内,得到的最优解和10次求解的平均值优于并行遗传算法和粒子群算法.由此说明本文所提出的混合粒子群算法是有效的.     

基于混合粒子群算法的组合式变速箱传动比优化研究

针对组合式变速箱传动比分配难以得到最优方案的问题,提出基于混合粒子群算法的组合式多档位变速箱的传动比优化方法.基于多目标粒子群算法,引入具有自我更新机制的领导种群,构成混合粒子群算法.以各段单级变速的传动比为变量,结合传动链布局,以驱动功率损失率、比油耗损失率等为优化目标,以理论车速等为约束条件,建立多目标优化模型,并...     

车辆路径问题的粒子群算法研究

车辆路径优化问题是一类具有重要实用价值的组合NP问题．粒子群算法(panicle swarm optimization)是一种新出现的群智能(swarm intellingece)优化方法，将其应用于车辆路径优化问题，构造车辆路径问题的粒子表达方法，建立了此问题的粒子群算法，并与遗传算法作了对比试验．结果表明，粒子群算法可以快速、有效求得车辆路径问题的优化解，是求解车辆路径问题的一个较好方案。     

基于混合粒子群优化算法的故障特征选择

通过将遗传算法和粒子群优化算法相结合,提出了混合粒子群优化算法(HPSO),用于机械故障特征选择问题.此方法在对粒子进行优化的同时选择部分优良的粒子进行遗传交叉和变异操作,增强了算法跳出局部极值的能力.某导弹运输车减速器齿轮故障特征选择试验结果表明HPSO可以快速、有效地求得优化特征集,其性能优于PSO和GA.     

基于竞争式协同进化的混合变量粒子群优化算法

现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协同进化的混合变量粒子群优化算法(competitive coevolution based PSO,CCPSO)。设计基于容忍度的搜索方向调整机制来判断粒子的进化状态,从而自适应地调整粒子的搜索方向,避免陷入局部最优,平衡了种群的收敛性和多样性;引入基于竞争式协同进化的学习对象生成机制,在检测到粒子进化停滞时为每个粒子生成新的学习对象,从而推动粒子的进一步搜索,提高了种群的多样性;采用基于竞争学习的预测策略为粒子选择合适的学习对象,充分利用了新旧学习对象的学习潜力,保证了算法的收敛速度。实验结果表明：相比其他主流的混合变量优化算法,CCPSO可以获得更优的结果。     

求解混合变量约束优化问题的改进粒子群算法

针对工程设计中混合变量约束优化问题,提出一种基于模拟退火的粒子群算法。通过引入模拟退火算法,重新生成停止进化粒子的位置,增强了全局搜索能力。鉴于最优解位于可行域边界的特点,结合一种自适应保持群体中不可行解比例的策略,采用个体比较准则处理约束。同时结合混合变量优化问题的特点,通过转换函数,使算法真正在离散空间中进行搜索,保证了解的可行性。仿真结果表明:该算法能够快速准确地找到最优解,具有较好的稳定性。     

基于混合粒子群算法和快速非均匀平面波算法的介质目标反演

提出了一种重构介质目标的新方法--混合粒子群算法,研究了几何形状已知的介质目标介电参数反演、均匀介质柱的外形轮廓反演及外形轮廓与介电参数均未知时的介质目标反演三类问题。利用快速非均匀平面波算法加速矩量法求解介质目标的雷达散射截面,以介质柱体的散射场的实际测量值与迭代计算值的偏差作为目标函数,通过单纯形法和伪群交叉算法混合的粒子群算法对优化变量进行优化,使目标函数达到最小值来对介质目标的介电特性进行电磁成像。仿真结果表明：混合粒子群算法简单、通用,在反演过程中不用加入正则化处理以确保数值稳定性,比简单遗传算法具有更好收敛性能、更高的成像精度和抗随机噪声干扰的能力。     

基于粒子群优化的有反向物流的车辆路径问题

在对具有时间窗、考虑反向物流的车辆路径问题进行简单描述的基础上,基于最小费用的角度构建了该问题的多目标数学模型.该决策模型综合考虑了正向和反向物流,有助于提高车辆的装载率.针对该问题提出了一种改进的粒子群算法,并用计算机进行实现,并获得很好的效果.     

一种随机微粒群混合算法求解约束优化问题

将微粒群算法（Particle Swarm Optimization,PSO）与随机优化方法-Alopex算法相结合,提出一种随机微粒群混合算法（APSO）求解约束优化问题。该算法使PSO算法中微粒的飞行速度无记忆性,结合Alopex算法重新生成停止进化微粒的位置;采用双群体搜索机制,一个群体保存具有可行解的微粒,用APSO算法使微粒逐步搜索到最优解,另一个群体保存具有不可行解的微粒,并且可行解群体以一定的概率接受性能较优的不可行解微粒,这种简单的群体多样性机制使微粒能够快速、准确地找到位于约束边界上或附近的最优解。结果表明该算法寻优性能优良且具有较好的稳定性。     

空间轨迹问题的粒子群仿真研究

空间轨迹的搜索问题具有多个全局最优解,一种有效的解决方法是采用粒子群算法进行搜索.然而与一般的优化问题不同,轨迹问题要求算法中粒子适应值与粒子位置同时收敛.为此,针对已有的粒子群算法在轨迹搜索上的不足,提出了一种减速粒子群优化算法(Slowdown ParticleSwarm Optimization,简称SPSO),从位置角度改善粒子群的收敛性能.该算法利用独立子群技术保证粒子收敛于不同的位置,并根据粒子适应值情况减半更新粒子飞行速度,以达到位置收敛的目标.仿真实验的结果表明了减速粒子群算法在位置收敛效果上的优越性.     

混合粒子群算法在柔性工作车间调度中的应用

混沌是一种新颖的优化技术,具有随机性、遍历性的特点和易跳出局部极值的能力。为了提高粒子群优化算法(PSO)的性能,在PSO中引入混沌,优势互补,提出了一种混合PSO算法,并应用于柔性工作车间调度问题的求解。首先基于混沌对PSO的参数进行自适应优化,实现全局搜索与局部搜索间的有效平衡;然后,在PSO的搜索过程中引入混沌局部搜索策略,来提高解的精度和收敛速度。实验比较结果验证了该算法的全局搜索性能。     

正交微粒群算法

基于正交试验设计的最优性以及微粒群中微粒的记忆特征，提出了一种新型的微粒群算法——正交微粒群算法。其主要思想是：利用正交设计的方法产生初始微粒群，以便粒子能够均匀分布在整个解空间上；充分利用微粒的记忆能力，对微粒群进行更新，从而达到对可行解空间进行开发和探索的目的。将该算法应用于四个常见的测试函数，试验结果表明本算法的性能比较优越，并且具有很强的并行性和较大的灵活性。最后，讨论了不同的初始速度和扰动对算法性能的影响。     

带时间窗车辆路径问题的粒子群算法

将粒子群算法(PSO)应用于带时间窗车辆路径优化问题(VRPTW),构造车辆路径问题的粒子表达方法,建立了此问题的粒子群算法,并与遗传算法作了比较.实验结果表明,粒子群算法可以快速、有效求得带时间窗车辆路径问题的优化解,是求解带时间窗车辆路径问题的一个较好方案.     

基于粒子群优化的数据分类算法

设计了一种基于粒子群优化的数据分类算法。新算法首先对数据样本预处理,利用粒子群优化算法通过训练数据进行分类规则的提取,根据提取得到的规则对数据进行分类识别。基于Bayes定理和随机状态转移过程对新算法的收敛性进行分析。通过对UCI数据集分类实验及遥感图像目标识别实验,验证了新算法是一种有效的分类方法。     

求解TSP 问题的离散粒子群优化算法

以旅行商问题为例,提出了一种离散粒子群优化算法,根据优化问题及离散量的特点,对粒子的位置、速度等量及其运算规则进行了重新定义,为抑制早熟停滞现象,为粒子和粒子群分别定义了个体多样性和微观多样性,算法中定义了排斥算子来保持粒子群的多样性,使用高效的学习算子来提高算法的局部求精能力,使算法在空间探索和局部求精间取得了很好的平衡,与领域中的其它典型算法进行了仿真比较,结果表明,离散粒子群优化算法具有很好的性能.     

微粒群算法的可视化仿真及算法改进

微粒群算法是一种群体智能算法,它是通过模拟以鸟类、昆虫等为微粒的自然界的群体行为,来构造的一种随机寻优的进化算法。现有的微粒群算法在某些情况下存在收敛速度慢、而且不能收敛于全局最优解的问题。通过采用可视化的仿真方法对微粒群的搜索运动轨迹进行分析,我们提出了变尺度微粒群算法。变尺度微粒群算法将变尺度方法引入微粒的搜索过程中,采用不同的尺度动态地改变微粒群的搜索空间、速度限制区间等,通过对一些典型的试验函数的测试,结果表明,变尺度微粒群算法在收敛速度和全局寻优能力等方面都有较大的改进。