基于MPSO算法的特定谐波消除技术研究

目的 对于级联H桥逆变器的调制,特定谐波消除技术具有开关损耗小,能够消除特定次谐波,变换效率高等优点,但传统粒子群优化算法(Particle Swarm Optimization, PSO)在求解消谐方程组时收敛性差,容易局部最优,提出一种改进的粒子群优化算法(Modified Particle Swarm Optimization, MPSO)。方法 该算法用非线性惯性权重取代线性变化的惯性权重,并在非线性惯性权重引入混沌映射以产生随机性更好的随机量,新的惯性权重可权衡粒子的全局搜索和局部搜索能力,使粒子具有后期跳出局部最优的能力;另外,该算法优化了速度和位置的更新机制,以增强算法的收敛速度,并保证粒子在后期仍具有一定种群多样性优势。结果 根据级联H桥型逆变器的非线性消谐方程组,在保证输出电压基波的前提下最大化降低目标次谐波,建立适应度函数,将MPSO算法应用于级联H桥型逆变器的SHEPWM,能够在1～1.2的调制度范围内得到优化的开关角,提高收敛精度和求解成功率。通过七电平CHB逆变器仿真平台验证了MPSO算法所求的优化开关角能够有效地消除5次、7次谐波。结论 通过使用非线性惯性权...     

一种改进的粒子群优化算法

粒子群优化算法是一种基于仿生技术的启发式算法,针对粒子群优化算法存在易早熟现象,提出一种改进的粒子群优化算法.该算法给出了一种新的变异算子,该算子具有一定探索和开发能力,从而避免算法陷入局部最优.基于新变异算子给出一个新的粒子位置更新公式.根据系统稳定性理论,推出了算法的参数设置区域.最后,通过标准测试函数的性能测试,验证了改进粒子群优化算法收敛速度和求解精度.实验结果表明,该算法具有较好的收敛速度和求解精度.     

高速收敛混沌粒子群算法的云计算任务调度

针对传统粒子群算法在处理云计算任务调度问题时,存在求解精度不高、容易陷入早熟收敛等缺陷,提出一种改进的高速收敛混沌粒子群算法.首先,采用混沌序列对初始化过程进行优化;其次,利用适应度方差对早熟现象进行有效诊断,并对算法在负梯度方向进行修正,使其跳出局部最优,实现高速收敛.仿真实验表明:改进后的粒子群算法能有效地避免早熟,收敛速度及求解精度都明显提高,非常适合云计算任务调度.     

融入免疫思想的改进型粒子群优化算法

针对粒子群算法收敛速度慢、在收敛后期容易陷入局部最优解的缺陷,提出一种改进的免疫粒子群算法。改进后的算法借鉴了免疫系统中的免疫进化机理,通过引入免疫算法中的抗体浓度调节机制和免疫选择操作来提高粒子群算法(PSO)中粒子种群的多样性,扩大解的搜索空间;采用免疫记忆和免疫疫苗等操作来提高PSO算法的收敛速度和精度;定义新的抗体浓度选择方法和免疫疫苗等操作,用来帮助提高算法的求解效率。将改进后的算法用于求解经典的旅行商问题(TSP),结果表明该算法在收敛速度和收敛精度等方面等均有明显提高。     

用于多指数拟合的一种混沌免疫粒子群优化

为了更好地逼近真实物理场景,对传统的多指数模型作了一些改进,将权因子设置为噪声方差平方的倒数,提出一种基于循环矩阵(CM)的算法用于估计衰减项数.为了求解上述改进模型,提出一种混沌免疫粒子群优化(CIPSO)算法.该算法将人工免疫系统中的克隆、交叉、变异和接收器修正算法嵌入粒子群算法中,并采用混沌算子实现变异,然后将惯性因子改为自适应变化.实验表明:提出的权因子设置更符合实际;用于估计项数的CM算法在估计精度与运行时间上均优于传统的ILS算法;CIPSO算法在收敛精度与运行时间上也优于传统的优化算法,如可信域法、LM法、高斯-牛顿法、差分进化算法和粒子群算法等.     

基于改进粒子群算法的矿山运输调度系统优化

针对露天矿山运输调度系统的优化算法存在流程复杂、收敛速度慢、求解精度低等问题,通过引入随机变异算子对粒子群算法进行改进.用改进的算法对露天矿山运输调度模型优化求解,计算结果表明,相对于常见的几类经典的改进粒子群算法,改进算法具有收敛速度快、精度高的优点,并且解决了标准粒子群算法易早熟和易陷入局部最优的缺点.     

面向绿色再制造系统的AGV路径规划研究

为了解决绿色再制造系统中的自动导引运输车(AGV)路径规划问题的问题,提出一种粒子群遗传融合的AGV全局路径优化的自适应算法.该方法集成了遗传算法(GA)和粒子群算法(PSO)二者的优点,为了改善传统PSO-GA融合算法迭代前期寻优速度慢的问题,引入了自适应惯性权重;为了提高算法进入迭代后期的收敛精度,提出了一种双重交叉变异策略,使得改进的PSO-GA融合算法比传统的PSO-GA融合算法搜索能力更强,进化速度更快,收敛精度更高.为了验证改进后算法的优越性,采用栅格法模拟自动导引运输车运行环境并通过MATLAB对标准粒子群、遗传、传统的PSO-GA融合、改进PSO-GA融合四种算法解决路径优化问题进行试验对比,结果证明了改进后的PSO-GA算法的可行性和有效性.     

动态改变惯性权重的新模式粒子群算法

针对标准粒子群算法在求解复杂优化问题时易陷入局部最优、收敛精度不高和收敛成功率低的不足,提出了一种改进的粒子群算法.通过算法所处的迭代阶段和粒子的分布情况动态改变惯性权重的值,并根据每个粒子的更新情况调整其飞行的起点.最后4个测试函数仿真结果表明,在求解复杂优化问题时,改进后算法的收敛精度和收敛成功率均有明显提高.     

基于改进PSO的高分子材料降解模型参数优化

为提高可降解高分子材料降解模型仿真的准确程度,结合高分子材料降解的实际原则和所要考虑的各种因素,建立了适合优化的参数优化模型,并将粒子群优化算法(PSO)用于模型的求解.针对标准粒子群算法存在的一些不足,提出了一种改进的粒子群优化算法来求解最优值,改进的算法引入了动态自适应惯性权重和异步时变学习因子.采用5个标准测试函数对改进的粒子群算法进行了测试,并将算法应用于参数优化模型的求解.测试与试验结果表明:新算法有效地避免了过早陷入局部最优,提高了收敛速度和收敛精度,并且采用优化所得参数显著地提高了高分子材料降解模型仿真的精准度,有利于揭示降解机理的科学意义和指导实际医用器件的设计与生产.     

基于熵的混合粒子群算法在柔性调度中的应用

为了更好地求解大规模柔性车间调度问题,提高柔性车间调度算法的寻优性能,提出一种基于熵的混合粒子群算法.该算法把粒子群算法、遗传算法和模拟退火算法相结合,同时用种群熵自适应调节惯性系数和变异概率,以增强算法的寻优能力和克服算法的过早收敛.典型实例仿真结果表明,该算法能更好地求解柔性车间调度问题,与传统的优化算法相比,在优化精度上具有明显的优越性.     

基于改进多粒子群算法的电力系统无功优化

将改进的多粒子群算法应用于电力系统无功优化问题的求解，克服了传统粒子群算法收敛精度不高、易陷入局部最优的缺点．该优化方法对原粒子群算法进行了如下改进：通过增强粒子群间的协同作用、引入惯性因子以及扰动的策略，来平衡集中强化搜索和分散多样化搜索过程．对IEEE6节点和IEEE30节点系统分别进行无功优化计算，并与传统粒子群算法进行了比较，结果表明，该算法求得的有功损耗较原状态降低了近1／5，且电压合格率为100％，具有较强的全局搜索能力和较高的收敛精度，是求解无功优化的有效方法．     

二进制改进粒子群算法在背包问题中的应用

提出了用于求解0 1背包问题的二进制编码的粒子群算法,阐明了该算法求解背包问题的具体实现过程.为了提高粒子群算法的收敛速度,在传统的二进制编码的粒子群算法中嵌入了记忆功能.通过对其他文献中仿真实例的计算和结果比较,表明该算法在寻优能力、计算速度和稳定性方面都超过了文献中提到的遗传算法和模拟退火算法.提出的求解背包问题的二进制改进粒子群算法,同样可以应用于其他离散优化问题.     

基于免疫粒子群的最小连通支配集求解算法

为解决复杂网络最小连通支配集(MCDS)求解算法复杂度高、速度慢及解的精确度差等问题,采用一种免疫粒子群优化(IPSO)算法进行求解.该算法将连通支配集的支配规则转化为基于邻接矩阵的并集约束,并结合图连通分支约束设计优化目标,采用二进制粒子群算法对MCDS进行求解.在求解过程中引入免疫机制,依据网络关键节点与支配节点之间的重叠关系,设置抗原因子,指导粒子群搜索方向、加快算法收敛速度.在随机网络上的仿真实验表明:相较于传统算法,所提算法能够找出网络的MCDS,并且在保证解精度的前提下提高了求解速度.     

一种改进的粒子群算法

为提高粒子群算法的寻优速度和精度,提出了一种改进的粒子群算法,新算法是在标准粒子群算法的基础上对个体极值作变异操作.通过三个基准函数的测试,结果表明新算法在收敛速度、收敛精度和全局寻优能力方面均明显优于其它几种粒子群算法.     

基于熵模型的粒子群优化算法

为了改善粒子群算法在解决高维优化问题时易早熟收敛且存在大量无效迭代的问题,提出了一种基于熵模型的粒子群优化(EPSO)算法.通过引入信息熵模型,精确分析了粒子群搜索过程中的聚集特性,将粒子群搜索过程划分为3个阶段进行优化.第1阶段引入粒子迭代熵差,优化调整惯性权重;第2阶段根据粒子群熵值变化,适时重置惯性权重;第3阶段采用截断策略,减少粒子群的无效迭代.实验结果表明,在Sphere、Rosenbrock、Ackley、Griewank、Rastrigin五个标准测试函数中,EPSO算法的求解精度和收敛速度都优于传统粒子群算法、经典粒子群算法、自适应惯性权重粒子群算法以及新的自适应惯性权重粒子群算法,并且减少了算法的大量无效迭代,从而验证了EPSO算法的有效性.     

基于佳点集构造的改进量子粒子群优化算法

针对粒子群优化算法易出现早熟收敛及局部搜索能力不足的特点,提出一种改进的量子粒子群优化算法(IQPSO).该算法在量子粒子群优化算法(QPSO)的基础上,引入佳点集初始化量子的初始角位置,提高初始种群的遍历性;在粒子角速度位置更新中,采用混沌时间序列数,促使粒子跳出局部极值点;为避免粒子陷入早熟收敛,在算法中加入变异处理.仿真实验结果表明:与标准粒子群优化(SPSO)算法和量子粒子群优化(QPSO)算法比较,提出的算法具有快速的收敛能力、良好的稳定性,其优化性能有较明显的提高.     

基于Kriging代理模型的注塑产品翘曲优化

针对传统的基于CAE的注塑产品工艺优化方法精度不高、效率低,提出了Kriging模型与自适应粒子群算法相结合的集成优化策略.Kriging模型代替CAE分析作为粒子群算法迭代过程中的适应函数,大大减少了优化算法的计算量;同时,通过在粒子群算法中引入自适应惯性权系数,加快了粒子群算法的收敛速度.算例表明,基于Kriging模型与自适应粒子群算法的优化策略可以在小样本情况下获取较高的求解精度,并通过与标准遗传算法做比较,表明该优化策略同时具有较高的计算效率.     

基于粒子群算法的指数平滑系数优化方法

主要研究指数平滑法中平滑系数的优化方法,使用改进的粒子群算法,并采用预测误差平方和(SSE)作为精度评价指标求解平滑系数,使求解值逼进平滑系数的最优解。通过在实际数据集上的与其他平滑系数优化方法的对比分析,文中所提出的基于改进粒子群的指数平滑系数优化算法,能更加准确地求解出平滑系数,并且提高了算法能力,解决了其他算法在多极值的情况下不一定能求出最好平滑系数的问题。     

基于改进粒子群的柔性作业车间调度问题优化研究

主要针对柔性作业车间调度问题进行求解,利用改进粒子群算法作为求解方法,以最小化最大完工时间(C_max)作为该问题的求解目标.在算例的选取上,选用作业车间调度问题的8*8经典算例和柔性作业车间调度问题的Brandimarte算例对提出的算法进行验证.改进粒子群算法由遗传算法和粒子群算法构成,遗传算法具有较好的全局搜索能力,但搜索过程中收敛的精度不高,粒子群算法由于其寻优特性,在搜索过程中速度较快,但容易陷入局部最优,综合考虑两者的优缺点,将遗传算子引入粒子群算法中,采用交叉搜索的方式,调整惯性权重以及变异的方式使粒子进化,当粒子群进化到一定程度后,对部分粒子进行变异处理从而避免算法陷入局部最优解,同时可以提高粒子群算法的收敛精度.依据柔性作业车间调度问题的特点,在经过多次变换种群规模以及迭代次数后,求解出最适合柔性作业车间调度问题的最优解.     

基于改进果蝇算法的旅行商问题

通过将原果蝇算法用于求解几个简单函数极值问题上,发现原果蝇算法存在易陷入局部收敛和收敛精度低等不足.为了改进这些不足,使其可以用于解决旅行商问题,结合粒子群算法和遗传算法特点,将粒子群算法的全局极值更新法和遗传算法变异操作引入到原果蝇算法中,提出新的改进果蝇算法.通过引入这些操作,可以扩大解的搜索空间,防止过早收敛和早熟.然后再借助MATLAB软件对TSPLIB库中几个典型的旅行商问题进行求解,并对改进果蝇算法与粒子群算法结果进行比较分析,证明了改进果蝇算法在求解旅行商问题上具有较好特性,具有更好收敛性和更高收敛精度.