基于改进PSO算法的四旋翼飞行器飞控系统PID参数整定

针对四旋翼飞行器飞控系统中存在PID控制器参数难以整定的问题,提出一种改进的粒子群算法,应用于PID参数的整定优化中.为了让粒子群在算法早期拥有较强的全局搜索能力,在算法后期拥有较强的局部开发能力和较快的收敛速度,该改进算法采用了一种可使惯性权重非线性下降的调整策略;同时,算法融合了遗传算子,进一步加快了收敛速度,避免算法陷入局部最优.将该算法应用于PID控制器的参数优化,以实数编码的形式直接生成与PID参数组对应的粒子群,并把控制系统的误差性能指标作为评价粒子群的适应度函数.通过与标准粒子群算法与手动调参的阶跃响应对比分析,发现改进算法其阶跃响应曲线超调量更小,调节时间更短,响应速度更快,动态性能更优.提出的改进算法能对四旋翼飞行器飞控系统中的PID参数进行较好的优化,实现更好的控制效果,使得飞行器在飞行过程中更加平稳.     

一种新型自适应粒子群优化粒子滤波算法及应用

基于粒子群优化的粒子滤波算法精度不高,运算复杂度大,难以在实际工程中应用. 为此,文中提出一种新型邻域自适应调整的动态粒子群优化粒子滤波算法. 该算法考虑了粒子的邻域信息,利用多样性因子、邻域扩展因子和邻域限制因子共同对粒子的邻域粒子数量进行自适应调整,控制粒子对邻域的影响,减轻局部最优现象,达到收敛速度和寻优能力的最佳平衡. 利用UNGM模型、目标跟踪模型以及故障检测模型对算法的性能进行仿真测试,结果表明：该算法与PSO-PF相比提高了精度和运算速度,具有实际工程应用价值.     

PID控制器的粒子群多目标优化设计

提出一种基于粒子群优化算法的PID控制器设计方法,该方法定义一个包含系统超调量、上升时间和稳态误差指标项的适应度函数,根据控制系统的实际要求对各指标项进行适当加权。采用带收缩因子的粒子群算法对PID进行多目标寻优,实现了PID控制器的自动参数整定。应用该方法得到的PID控制器综合性能优于常规方法得到的PID控制器。     

一种基于向量差的粒子群优化模型

针对传统粒子群优化技术存在易陷入局部最优解而导致的收敛速度变慢、多样性差的缺点,对参数设置进行研究,并提出一种基于向量差的粒子群优化模型,将2个随机选择的不同向量差加权到粒子速度更新公式中,能够使粒子摆脱局部最小值而向全局搜索.经对几个典型函数的测试,表明该模型效果较好.     

飞机环控/发动机系统多目标优化

提出一种改进的多目标粒子群优化算法,应用于飞机环控/发动机系统的综合优化. 将不同飞行阶段系统总熵产最小视为不同的目标函数,建立了多目标优化模型. 进而在基本多目标粒子群优化算法基础上,引入跳转操作、族群概念和一种全局最优位置分配方法,提出了一种改进算法,测试结果表明该算法性能良好. 采用该算法对多目标优化模型进行计算,得到收敛且分布均匀的非劣最优解集,为飞机系统综合优化提供一种新思路.     

基于改进型离散粒子群优化的云计算资源分配方案

针对云计算中资源有效分配的问题,提出一种基于改进型离散粒子群优化(IDPSO)算法的云资源分配方案.首先,将传统PSO算法中的运算进行离散化,使其能够应用于资源分配问题.然后,对传统PSO粒子位置更新公式中的惯性权重进行改进,根据当前粒子位置、局部最佳和全局最佳位置的适应度来确定这些权重系数,以此加快粒子的收敛速度.最后,将资源分配方案编码为一个二维粒子,利用IDPSO算法求解最优解.实验结果表明,该方案能够有效降低资源浪费率,具有可行性和有效性.     

基于改进群搜索优化算法的云计算任务调度方案

针对云计算中的任务调度问题,提出一种基于改进群搜索优化(IGSO)算法的任务调度方案.首先,为了解决传统GSO算法的收敛速度较慢,不能很好地应用在云任务实时调度的问题,在搜索者和游荡者的位置更新中融入了粒子群算法中的粒子位置更新策略,提出一种快速收敛的改进GSO算法.然后,将任务调度问题进行编码,以任务执行时间为适应度函数,通过提出的IGSO算法寻找最优调度方案.仿真结果表明,该方案能够快速且合理地调度任务,具有可行性和有效性.     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点,根据混沌运动的随机性、遍历性特点,提出一种基于混沌思想的粒子群优化算法(CPSO).该算法利用种群适应度方差进行早熟收敛判断,实现对进化过程的监视,当发现种群陷入局部最优时,对种群进行混沌初始化,帮助种群摆脱局部最优点.对4种典型测试函数的仿真结果表明,改进算法明显减少了种群陷入局部最优的可能性,其全局寻优能力明显强于标准粒子群优化算法.     

基于粒子群算法优化的T-S型模糊神经网络控制器

粒子群优化(PSO)算法是一种新颖的演化算法,该算法通过粒子间的相互作用在复杂搜索空间中发现最优区域,其优势在于简单而功能强大。提出一种T-S型模糊神经网络控制器,采用PSO算法对模糊神经网络的前件参数和后件参数进行寻优,从而实现了模糊规则的自动调整、修改和完善。通过对非线性和时变被控对象的仿真研究,结果表明采用粒子群优化算法可以实现参数的全局快速寻优,而且优化后的T-S型模糊神经网络控制器能获得良好的控制性能。     

基于改进粒子群算法优化策略的核极限学习机方法研究

本研究通过对核极限学习机的原理进行分析,确定优化参数,分析粒子群算法的基本原理,并对多种改进的粒子群算法进行研究,通过基准测试函数对6种算法的优劣进行分析。笔者选取综合学习粒子群算法为优化核极限学习机的基本框架,并将线性递减惯性权重和综合学习粒子群算法进行结合,用于改进粒子群算法易陷入局部最优的问题,从而实现对核极限学习机的参数优化。     

基于混合互信息和改进粒子群优化算法的医学图像配准

为提高医学图像辅助诊断的配准精度和收敛速度,提出了一种基于混合互信息和改进粒子群优化算法的医学图像配准算法,在每步迭代中,先用基于Renyi熵的互信息结合改进粒子群优化算法对图像进行全局搜索,然后对当前得到的最优解使用基于Shannon熵的Powell算法进行局部寻优。实验结果表明,该算法在收敛速度和精度方面都优越于其他配准算法。     

一种适用于云计算环境的粒子群优化算法

提出了一种能够利用云计算分布式计算特点以提高性能的粒子群优化算法.仿真实验表明,该算法不仅能利用云计算特征,而且算法在3种常见Benchmark函数测试中所找到的最小值平均比同等粒子群规模的标准粒子群算法低71%以上.     

全局混沌杂交的粒子群优化算法及应用

提出一种新的混沌粒子群优化算法(EC-CPSO),该算法在基本混沌粒子群优化算法(CPSO)基础之上,将粒子速度计算公式中的随机数用混沌随机序列来替代,同时应用早熟判断机制,在对最优粒子进行混沌化处理之外,对其余粒子进行杂交处理,提高了算法的寻优能力,有效避免算法陷入局部最优并防止过早收敛.将之用于(N+M)容错系统优化模型证明该算法与CPSO相比具有一定的优势.     

基于粒子群优化支持向量机的边坡稳定性预测

为了提高边坡稳定性预测的精度,保障边坡工程的安全,提出基于粒子群优化算法支持向量机的预测模型。采用粒子群优化算法不断进行搜索迭代获取支持向量机模型的最优参数,避免了支持向量机人为选取参数的盲目性和随意性。通过Matlab编程,应用实例证明:该模型的预测精度较高,预测样本的平均相对误差为3.581 9%,计算速度较快,优于改进的BP算法、GA-BP算法和改进支持向量机算法,在实际的工程应用中有着良好的应用前景。     

多载波DS/CDMA系统中基于SADPSO算法的多用户检测

离散粒子群算法(DPSO)是一种简单有效的随机全局优化技术.它通过粒子间的合作与竞争以实现对多维复杂空间的高效搜索.为改进其收敛速度和克服"早熟收敛"问题,将模拟退火机制引入到基本DPSO算法中,提出了SADPSO算法.并将该算法应用到多载波DS/CDMA系统的多用户检测中.仿真结果表明,该检测器在误码率性能和抗"远近"效应能力方面取得到了比较满意的结果,收敛速度和精度均好于基于DPSO算法的检测器,在相同带宽相同检测算法的条件下多载波DS/CDMA 系统误码率性能优于DS/CDMA系统.     

基于神经网络PID的SMA丝恒输出力控制方法

为了实现形状记忆合金（shape memory alloys, SMA）丝的恒输出力控制,提出了一种基于粒子群优化神经网络比例积分微分（proportion integral differential, PID）的恒输出力控制方法,在研究SMA丝自感知电阻阻值和输出力、SMA丝温度对应关系的基础上,采用SMA丝电阻作为系统反馈,利用粒子群算法和神经网络算法对PID的参数进行优化,实现了SMA丝的恒输出力精确控制,与传统PID控制相比,降低了超调量,提高了响应速度。     

面向数字电路测试生成的智能方法研究

提出一种蚁群算法和粒子群算法相结合的方法(ACA-PSO),将该算法引入数字电路测试生成当中。为了有效提高故障覆盖率和缩小测试生成时间,首先将蚁群算法的信息素更新机制进行改进,使其免于陷入局部最优,提高了故障的覆盖率,其次又对粒子群算法的参数进行了改进,使其具有较好的收敛性,得到较短的测试时间,该算法采用数字电路固定型故障模型来验证。将两种算法结合取长补短,实验结果表明,测试时间和故障覆盖率都得到了提高。     

一种新的改进粒子群算法研究

为克服粒子群优化(PSO)易早熟的缺点,提出了一种改进的粒子群优化(MPSO)算法.该算法使整个粒子群按照变异率产生变异粒子,变异的粒子不再朝群体最优解方向飞行,而是朝反方向运动.MPSO提高了种群的多样性,扩大了搜索的空间,提高了粒子群算法摆脱局部最优解的能力.仿真实验表明,改进的粒子群优化算法显著提高了PSO算法的全局搜索能力,且其性能也明显优于遗传算法.     

基于PSO优化泛模型的非线性系统控制

针对一类非线性离散时间动态系统,提出了基于改进泛模型的非线性控制方法。该方法首先将非线性系统动态线性化为带误差修正的改进泛模型,对其中的时变特征参量建立AR模型进行预报,然后在改进泛模型的基础之上,根据二次型性能指标设计最优控制律,控制律中的未知参数即为AR模型中的参数以及泛模型中的误差修正系数,将其作为粒子向量,采用粒子群优化(PSO)算法进行优化。经过优化后的控制律作用于该非线性对象,可以收到良好的控制效果。该方法的优势在于简单而且易于实现。仿真结果表明了算法的有效性。     

改进粒子群算法在水下盲语音分离中的应用研究

针对粒子群优化(particle swarm optimization,PSO)算法收敛速度慢、易陷入局部最优等缺点,提出了一种基于改进PSO算法优化的独立分量分析(independent component analysis,ICA)算法,用于水下语音和噪声混叠信号的盲分离.采用规范四阶累积量的绝对值作为ICA中的目标函数,通过改变惯性因子ω和压缩因子k来增强粒子的自适应寻优能力.对比实验结果表明,该算法在收敛速度、算法稳定性和分离效果方面的性能更优.