基于改进粒子群算法的飞行控制器参数寻优

提出了一种自适应参数策略的混沌粒子群优化算法。该方法将自适应加速度系数调整策略引入到PSO中,以有效地控制全局和局部搜索,并利用混沌运动的遍历性在解空间产生较大规模的初始群体,从中择优选出分布均匀的初始种群以提高粒子的质量,同时根据种群适应度方差对陷入早熟收敛的粒子进行混沌扰动,提高算法收敛的精度。将该方法用于飞行控制器的参数优化设计中。仿真结果表明:使用该方法能够有效地解决飞行控制系统的参数优化设计,极大地提高了飞行控制器参数的设计效率。     

基于种群密度的粒子群优化算法

为提高粒子群优化算法的收敛性能,提出了基于种群密度的多子群粒子群优化算法。该算法把生态学中的协同进化思想引入到粒子群优化算法中,充分考虑了环境和子群间相互竞争的关系,通过多种群的Lotka-Volterra竞争方程,动态调整各粒子群的密度,从而提高了粒子的多样性,加快了算法的进化速度。实验仿真结果表明,与单种群的粒子群优化算法相比,该算法提高了收敛速度和收敛精度。     

基于种群年龄模型的动态粒子数微粒群优化算法

针对微粒群优化算法的早熟停滞缺陷问题,提出了一种基于种群年龄模型的动态粒子数微粒群优化算法. 该算法建立了生物种群年龄模型,将每个粒子划分为不同的年龄段,动态地依据种群环境和个体信息有效地控制种群的粒子数规模;设计了较优粒子的生殖策略和较差粒子的死亡策略,增加群体的多样性和减少冗余计算量,以保证算法获得最优性能. 将此算法与其他改进算法进行比较,仿真测试结果表明,新算法具有较高的全局搜索成功率和效率,计算量显著降低,优化精度显著提高,能够有效地避免算法陷入局部停滞的缺点.     

用于多峰函数优化的免疫粒子群网络算法

针对多峰函数优化问题,借鉴粒子群优化特性和免疫网络理论,提出一种免疫粒子群网络算法。该算法利用粒子群的信息共享和记忆功能,通过加强粒子对自身经历的认知,提高算法的局部搜索能力;采用动态网络抑制策略,保持种群的多样性,自适应地调节粒子群的规模。多峰函数优化的仿真结果表明,该算法能有效地改善种群的多样性,较好地实现全局优化和局部优化的有机结合,具有更强的多峰函数优化能力。     

基于免疫粒子群算法的飞行控制器参数寻优

提出了一种免疫粒子群混合优化算法.该方法将免疫算法中的基于浓度的抗体繁殖策略与粒子群优化算法相结合.对浓度低的粒子进行促进,对浓度高的粒子进行抑制,因而保持了粒子的多样性,克服了PSO算法易于陷入局部最优点的缺点,寻优速度快.将该方法用于飞行控制器的参数优化设计.仿真结果表明：使用该方法进行参数优化设计获得了优良的飞行控制效果,能够较大地提高飞行控制器参数的设计效率.     

基于优化SVM的反渗透脱盐水故障诊断

针对反渗透脱盐水系统中的反渗透膜故障问题,提出了一种基于支持向量机(SVM)的故障诊断方法.为了解决SVM的参数优化问题,采用一种基于改进的混沌粒子群优化算法的支持向量机参数选择方法.将混沌理论引入粒子群优化算法中,提高种群的多样性和粒子搜索的遍历性,有效地提高了粒子群算法的收敛速度和精度,得到了优化的SVM模型.并将此模型应用于反渗透脱盐水系统的故障诊断中.仿真结果表明,改进的SVM分类器能有效地诊断出反渗透膜故障,并且取得了较高的准确率和诊断效率.     

一种基于子群杂交机制的粒子群算法求解旅行商问题

粒子群算法是在借鉴海鸥群落觅食行为基础上发展起来的仿生学优化算法，为求解复杂的组合优化问题提供了一种新的思路。本文提出一种结合粒子群算法结构和求解TSP问题蚁群算法特点的新算法，将多用于连续空间优化的粒子群成功扩展到TSP领域。算法通过杂交粒子选择机制，运用两种不同设计的杂交算子，成功模拟了自然界同物种不同种群间的协作与交流，将多子群策略和子群问杂交操作引入粒子群结构之中，增强算法的寻优能力。实验结果表明，该算法能有效地保证粒子问多样性差异，通过优化信息在子群间顺畅交流，有效地促进整个群落的进化收敛。该算法在解决TSP问题时．无论在收敛性和鲁棒性方面都优于一般的单群体、非杂交算法。是一种优秀的TSP问题解法。最终优化结果均达到TSPLIB中记录的已知最优解。     

解决约束优化问题的一种改进PSO研究

为有效求解约束优化问题,提出一种改进粒子群算法（ICPSO）。该算法在处理约束时不引入惩罚因子,而是根据目标函数值和粒子违背约束奈件程度。并根据种群中介体的可行性,采用三种不同的交叉操作对粒子自身最优位置进行操作,同时对全局最优粒子采取变异操作以产生新的学习样本,引导种群的飞行,提升种群跳曲局部最优解的能力。最后,引入一种混合粒子速度更新策略,提升种群向最优解飞行的概率。标准测试函数的仿真结果表明ICPSO是可行的,有效的。     

基于自适应变异概率二进制PSO的球磨制粉系统控制

研究了一种新型自适应变异概率二进制粒子群算法。提出的自适应变异策略通过以一定的概率进行动态比特转换帮助算法更好地保持种群多样性和搜索新解,从而有效防止算法早熟。最终将提出的自适应变异概率二进制粒子群算法（adaptive mutation based pobability binary PSO,APBPSO）用于球磨制粉系统这一复杂多变量对象的PID控制器优化设计中以验证算法性能。多变量控制器分别采用了三种多目标优化目标函数,仿真结果表明提出APBPSO能有效避免陷入局部最优,其对控制器优化性能优于粒子群优化算法、离散二进制粒子群优化算法及基本的概率二进制粒子群优化算法。     

求解约束优化问题的内外交叉遗传算法

针对很多约束优化问题的最优解位于可行域的边界上或其附近的特点,提出了一种新的遗传算法.算法将种群中的可行解和不可行解分别存贮在两个容器中,新设计的交叉算子(内外交叉法)尽量让可行域内的可行解与可行域外的不可行解交叉,并顺着有利的方向一维搜索到可行域边界,此举既增大了个体接近全局最优解的几率, 又增强了算法的收敛速度;粒子群变异法则吸取粒子群 (PSO)算法的优点,让粒子沿粒子自身历史最优和全局最优的方向变异, 而选择算子则采取了保留固定比例不可行解的方法. 仿真结果证明了算法能够在种群规模小,迭代次数少的情况下迅速接近或找到全局最优解.     

"逆群"协作粒群方法及在函数优化中的应用

为提高不同粒子群之间的协作性能,减小粒子群局部收敛现象,提出了一种"逆群"协作粒子群方法,利用不同动作特性的两个群之间的相互协作,来提高粒群算法的性能.在此方法中,一个粒子群追随较好的位置,另一个群是远离较差的位置,与传统的粒子协作方法不同,在粒子飞翔的过程中,两群不仅交换较好的信息,同时也交换较差的信息,通过充分利用这两种信息,两群共同完成任务的求解.在完成算法设计的基础上,对两个群的运动特性和算法的收敛性进行分析,通过函数的优化实验验证了方法的有效性.     

一种基于多主体仿真的制度有效性分析方法研究

分析了仿真技术在制度有效性分析方面的研究现状。介绍了复杂适应系统理论由来及特性。指出了复杂适应系统及其仿真模型在制度有效性分析方面的优势。提出了基于复杂适应系统模型的制度有效性仿真分析方法。最后展示了一个实际应用。     

汇率调整对外向型企业的影响

采用计算机建模的方法，定量分析汇率调整对外向型企业的影响。分析过程主要是利用基于主体的计算机模拟方法，结合经济学相关理论，通过建立反映外向型企业与汇率关系的模型，并在模型的基础上比较汇率不变，汇率小幅上调，汇率大幅上调这3种情况下的运行结果，对比分析关于汇率改革的3种决策对外向型企业的影响，从而得出保持汇率稳定最有利于我国外向型企业的发展的结论。     

用群体智能原则控制群机器人搜索

用群机器人搜索定位矿难幸存者,可为人工施救提供决策参考.群机器人系统的建模基于个体有限感知和局部交互等群体智能原则,将机器人抽象为封闭2维空间的运动粒子,机器人与控制器综合抽象为一阶惯性环节.给出了机器人的感知函数、邻域结构及初始化区域的定义,以此为基础进行虚拟多agent搜索.针对机器人的最大运动速度和质量惯性等约束,交替施加螺旋控制以发现信号线索;施加扩展微粒群控制进行目标搜索.通过改变通信距离和感知范围进行了仿真实验,结果表明了控制策略的有效性.     

无人机集群任务规划方法研究综述

无人机集群以其高度的灵活性、广泛的适应性、可控的经济性,拥有越来越广泛的应用潜力,受到国内外的高度关注。任务规划是无人机集群应用的顶层规划，是根据任务环境态势、任务需求、自身特性等要求进行的综合调度，从而建立无人机与任务的合理映射关系，维持机间合理协同合作关系。本文从基于逻辑与规则的自上而下式任务规划和基于集群智能涌现的自下而上式任务规划两个方面,对无人机集群任务规划技术现状进行了全面的总结,分析了当前无人机集群任务规划技术研究应当关注的若干发展方向。本文的工作对于全面了解无人机集群任务规划技术现状具有重要参考意义。     

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.     

基于Nelder-Mead单纯形法的改进量子行为粒子群算法

针对PSO算法搜索精度较低,并且在复杂多模态函数优化中,容易陷入局部极值的问题,提出了一种改进的量子行为粒子群优化算法。研究了该算法的基本原理、给出了算法流程并采用正交试验的方式获得了一套通用性较强的算法参数。并以CEC’13的28个测试函数作为测试集,采用Wilcoxon符号秩检验将NM-QPSO算法分别与PSO算法和QPSO算法的误差进行比较试验。试验表明:NM-QPSO算法在统计意义上优于传统的PSO算法和QPSO算法,并且在高维函数优化中,具有显著优势。     

微分进化微粒群算法及其控制

通过对微粒群优化算法的分析,提出了一种用微分方程组描述的微粒群优化算法——微分进化微粒群优化(DEPSO)算法,并利用传递函数对DEPSO算法的收敛性进行分析.在此基础上,通过引入PID控制器以控制DEPSO算法的动态进化行为,以增强微粒产生的多样性,从而改进微粒群优化算法的全局收敛性.仿真结果表明了此方法的有效性.     

全局版人工鱼群算法

人工鱼群算法是一种基于动物行为的群体智能优化算法.针对基本人工鱼群算法运算速度慢的缺陷,提出了一种全局版人工鱼群算法.该算法用整个鱼群的中心位置和全局极值位置代替人工鱼的邻域中心位置和邻域极值位置,从而减少了算法的计算量,提高了运算速度;采用动态调整人工鱼视野和步长的方法,较好地平衡了全局搜索能力和局部搜索能力;在人工鱼的觅食行为中,让人工鱼直接移动到搜索到的较好位置,加快了搜索速度.仿真结果表明,该算法的优化性能优于基本人工鱼群算法.     

改进QDPSO算法在BP网络训练中的应用

QDPSO（Quantum Delta-Potential-Well-based Particle Swarm Optimization）算法是基于量子空间的粒子群算法，对QDPSO算法进行了改进，结合Iris分类问题，应用到BP网络的权值优化中，并和基于标准PSO算法的方法进行了比较。实验结果表明：该算法性能优于所比较的两种算法，并且具有良好的收敛性和稳定性。