基于改进粒子群优化算法的PID控制器参数优化

PID参数优化是控制领域的热点,其控制效果与比例、积分、微分参数有直接关系.为了改善系统性能,提出用一种改进的粒子群优化算法对PID控制器参数进行优化.该算法引入进化速度因子和聚集度因子对权值进行改进,进而改进了速度更新公式,并引入飞行时间因子以改进位置更新公式.通过3种典型函数证明了该算法的优越性,加快了收敛速度,提高了寻优效率.以典型二阶被控模型为研究对象,将上述算法与其他粒子群算法进行对比,表明改进的粒子群算法得到的PID参数具有更好的控制性能.     

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。     

基于量子粒子群优化支持向量 回归算法计算煤层气体含量的预测

煤层气是近一二十年在国际上崛起的洁净、优质能源和化石能源的新矿种,其地质研究对能源的补充意义重大.该文对煤层气的含量提出基于量子粒子群优化的支持向量回归算法进行预测.支持向量回归算法是一种非线性的基于内核的回归方法,它可以采用良好的函数逼近,并具有泛化能力.由于支持向量回归算法的参数对预测性能影响很大,量子粒子群优化在本研究中可用于选择支持向量回归算法参数.本文选用基岩深度,煤层的厚度,断层间的水平距离,煤的挥发分作为煤层气含量的预测模型的输入向量,经过比较量子粒子群优化的支持向量回归算法和支持向量回归算法之间的煤层气体含量的预测误差表明,量子粒子群优化得到的煤层气体含量的预测精度均高于支持向量回归算法的精度.     

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.     

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。     

基于粒子群算法的直觉模糊多目标规划

提出了一种基于粒子群算法的直觉模糊多目标规划.首先利用直觉模糊集与区间模糊集同构的性质分别对目标函数和约束函数的直觉模糊集进行转化,然后利用线性加权的方法处理目标函数和约束函数的优越集,得到一个含有参数的求解模型,并用粒子群算法求解,最后,通过一个算例表明该文的算法的可行性和优越性.     

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GPS浮动车的路径优化方法研究

由于城市路径具有大规模路网等特点,传统的路径优化算法难以解决具有实际情况的城市交通路网问题.考虑城市实际道路路网信息,结合动态GPS浮动车数据,将实际道路长度和道路拟合成虚拟路径,提出了一种基于粒子群蚁群算法的混合算法.研究表明,混合算法在时间和精度上优于蚁群算法和粒子群算法,在提高高效性和准确性上具有较好的效果,为城市道路优化和城市出行提供可靠依据.     

基于量子粒子群的信赖域算法

通过量子行为能增强粒子的全局寻优能力,引进了量子粒子群算法(QPSO),用于求解信赖域(TR)算法的子问题,并将这2种算法有效结合.数值实验表明,新算法具有良好的全局寻优能力,并有效提高收敛速度和避免早熟.     

基于改进二阶振荡粒子群优化的 置信规则库推理方法

现有基于置信规则库(belief rule base, BRB)的推理方法的精度和效率受到系统参数设置以及规则库结构复杂度的影响为了寻找到最佳的参数值和最优的规则库结构,本文基于粒子群(particle swarm optimization, PSO)算法进行改进拓展,进而提出一种新的置信规则推理方法针对粒子群算法易早熟收敛和陷入局部最优解等问题,引入二阶振荡环节和自适应随机惯性权重来改进算法,并采用互不相同的参数取值来调节粒子群算法的全局和局部搜索能力在实验分析中,将该文方法应用于多极值函数拟合和输油管道检漏问题仿真实验,以收敛误差、收敛时间作为衡量指标,与其他传统方法进行了对比.实验结果表明,该文方法具有更好的推理效率和精度     

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。     

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.     

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.     

改进的粒子群算法对无源滤波器参数的优化

针对混合有源滤波器中无源滤波器设计过分依赖经验与无源滤波器优化能力不强的问题,提出改进粒子群优化算法PSO(Particle Swarm Optimization,PSO)进行无源滤波器的多目标参数优化设计.对无源滤波器的成本,无功补偿容量及补偿后滤波效果3个目标全局优化.利用改进的粒子群对其参数进行了优化设计,使种群...     

数控机床力-几何误差的PSO-SVM建模

为了提高数控机床几何误差建模精度,改进补偿效果,先用测力环等仪器模拟施加并测量机床主切削力,再用激光干涉仪同步测量机床俯仰角和偏摆角误差. 根据粒子群优化算法(particle swarm optimization,PSO)优化支持向量机(support vector machine, SVM)的相应参数,并以实际测量数据进行训练,从而建立
了PSO-SVM力-几何误差预测模型. 实际试验表明,PSO-SVM误差预测模型输出的偏摆角误差预测值与实测数据的最大差值仅为0.6 μrad,俯仰角误差预测值与实测数据的最大差值仅为0.21 μrad,远小于利用BP神经网络以及常规方法优化的SVM所建立的力-几何误差预测模型的误差,因此该模型可用于数控机床几何误差的高精度实时补偿.     

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.     

粒子群优化的深海图像暗边缘检测优化算法

为解决深海资源探测图像识别难题,提出一种基于粒子群优化的图像暗边缘检测优化算法。该算法通过指数型线性单元和高斯误差线性单元改进激活函数,根据Marr-Hildreth算子检测结果并结合改进激活函数构建暗边缘检测算法,利用粒子群对改进暗边缘检测算法进行训练和优化。最后,采用不同算法对水下11个数据集进行比较的结果表明：改进算法的峰值信噪比、结构相似度和边缘保持指数最高,分别达到18.769 6 dB、0.660 7和0.834 5;图像均方误差最低,为3 750.225 3;平均检测时间为0.667 4 s,比其他对比实验中性能最好的算法缩短了14%。     

粒子群神经网络在煤与瓦斯突出预测中的应用

煤与瓦斯突出是危害煤矿安全生产的主要因素,因此做好突出强度的预测具有重要的意义。将煤与瓦斯突出的综合影响因素作为特征向量,构建了基于粒子群优化的BP神经网络煤与瓦斯突出强度预测模型。实验结果表明,煤与瓦斯突出强度的预测值与实际值吻合度较好,该方法可有效地提高预测准确度,对实际生产具有一定的指导作用。