一个与信籁域搜索技术相结合的微粒群算法

微粒群优化算法(PSO)是一种有效的随机全局优化技术.文章针对利用微粒群优化算法进行多极值点的函数优化时,存在陷入局部极小点和搜索效率低的问题,把信籁域搜索技术引入到PSO算法中,提出了基于信籁域搜索的微粒群优化算法(TRPSO).该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度.仿真计算结果表明,该算法的性能优于混沌微粒群优化算法(CPSO)和基本微粒群优化算法(PSO).     

基于信赖域技术的局部收缩的微粒群算法

为了改善标准的微粒群优化算法(SPSO)的性能,给出一个新的速度更新策略——局部收缩策略,且把信赖域技术引入PSO算法中进行惯性权重的动态调整,提出一个新的微粒群优化算法——基于信赖域技术的局部收缩的微粒群算法.新算法(NPSO)保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度.利用10个测试函数测试新算法的性能,并分别与SPSO、与混沌相结合的微粒群算法(PSOC)、具有被动聚集的微粒群算法(PSOPC)、SPSO的全局版本及带有收缩因子的微粒群算法(CPSO)比较,实验结果表明,新算法(NPSO)大大地改善了实例测试函数的表现.       

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法,已在许多领域得到了非常成功的应用。本文以约束优化问题为对象,首先介绍了采用罚函数法将约束优化问题化为无约束优化问题,和将约束优化问题转化为minmax问题,然后对无约束优化问题和minmax问题,采用PSO算法进行进化求解;在此基础上,以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

基于Powell搜索法的简化微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部强搜索能力强等优点,在简化微粒群算法的基础上,结合Powell搜索法,提出一种新型简化微粒群算法—Powell-SPSO算法.改进算法将Powell搜索法融合在简化微粒群算法中,让Powell搜索法与简化微粒群算法进行交替搜索.同时微粒的迭代利用了Powell搜索法的强搜索能力,使得算法改善了简化微粒群算法因每个微粒采用相同迭代公式进行进化而造成的微粒间的弱差异性,避免了易出现早熟、搜索速度慢等缺点.仿真结果表明,与标准微粒群算法(PSO)、简化微粒群算法(SPSO)、文献[10]算法相比较,不论是对高维函数还是低维函数,改进的算法都能够有效地避免早熟问题,并能显著地提高收敛速度和收敛精度.     

基于微粒群算法的复杂曲面轮廓度误差计算

针对复杂曲面轮廓度误差计算的数学模型比较复杂,并且难以用传统数值优化方法求解这一问题,提出了一种基于微粒群算法(PSO)并结合等参数线区域来计算复杂曲面轮廓度误差的方法.根据UNRBS曲面的u和v参数构造等参数线区域,通过微粒群算法在等参数线区域内搜索与测量点距离最近的点,实现了复杂曲面轮廓度误差的计算.实验结果表明,该方法搜索速度快,计算精度高,用于求解曲面轮廓度误差是行之有效的.     

基于微粒群优化算法和支持向量机的软测量建模

在分析基本微粒群优化算法(PSO)和支持向量机(SVM)原理的基础上,采用带有末位淘汰机制的微粒群优化算法优化支持向量机的参数,建立了延迟焦化装置粗汽油干点软测量的微粒群支持向量机模型.该方法利用支持向量机结构风险最小化原则和PSO算法快速全局优化的特点,用于软测量建模.仿真实验表明:所建模型的泛化性能较好,模型具有较高的精度.     

微粒群优化算法研究

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种启发式全局优化技术.通过介绍微粒群优化算法的原理、算法流程、算法参数及其对算法性能的影响,给出了各种改进的微粒群算法形式以及研究现状,归纳了微粒群算法的国内外应用进展及研究方向.     

基于Powell搜索法的混合微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部搜索能力强等优点,本文提出了一种与Powell搜索法相结合的改进微粒群算法实践.改进算法将微粒的搜索过程分为两阶段,第一阶段,将PSO算法的速度公式改进后进行搜索;第二阶段,将第一阶段的最后一代微粒作为Powell搜索法的初始点,让Powell搜索法与PSO算法交替进行.这样既克服了PSO算法易陷入局部最优的缺点,也大大提高了算法的求解精度和收敛速度,同时保持了微粒的多样性.仿真结果表明:同PSO算法相比,Powell-PSO算法具有较高的求解精度和较强的寻优能力,并且不论是对单峰函数还是多峰函数都能取得很好的优化效果.     

Powell搜索法和惯性权重非线性调整局部收缩微粒

提出一种求解无约束最优化问题的新的混合算法Powell搜索法和惯性权重非线性调整局部收缩微粒群算法的混合算法. 该算法不需要计算梯度, 容易应用于实际问题中. 通过对微粒群算法的修正, 使混合算法具有更加精确和快速的收敛性. 首先利用20个基准测试函数进行仿真计算比较, 计算结果表明, 新混合算法在求解质量和收敛速率上都优于其他算法（PSO, GPSO和NM PSO算法）. 其次, 将新混合算法和最新的各种协同PSO算法进行分析比较. 结果表明, 新混合算法在解的搜索质量、 效率和关于初始点的鲁棒性方面都远优于其他算法.     

一种启发式粒子群优化算法(HPSO)及其在结构优化设计中的应用

在介绍了标准的粒子群优化算法(PSO)及被动群集的粒子群优化算法(PSOPC)的基础上,指出了两者使用"回飞技术"(fly-back mechanism)方法处理约束条件的不足之处,在基于"和谐搜索"算法(harmony search)产生新解的思想基础上,提出了一种新的启发式粒子群优化算法(HPSO),该算法可以明显提高离子群算法的收敛速度和稳定性.应用PSO、PSOPC及所提出的HPSO三种算法分别对两个桁架结构进行了截面优化设计,并对算法的收敛性和稳定性进行了分析.结果表明,本文提出的启发式粒子群优化算法(HPSO)可以有效地搜索到最优解,并且比PSO和PSOPC两种算法拥有更高的收敛速度和稳定性,尤其在迭代计算的初期,收敛效果非常明显.     

免疫粒子群优化算法及性能分析

针对基本粒子群算法的容易陷入局部极小值,搜索精度不高等缺点,将免疫算法和粒子群优化算法(Particle Swarm Optimization,PSO算法)相结合,并加以改进,利用免疫算法能够保持个体多样性的特点,可使粒子群优化算法.达到摆脱局部极值点能力,从而提高算法进化过程中的收敛精度和速度.使用四个经典的测试函数...     

智能混合动力汽车经济性自适应巡航控制策略研究

针对智能混合动力汽车自适应巡航过程中的能量控制策略问题,结合模型预测控制在处理多目标、多约束优化问题方面的优势和粒子群算法运算量小、收敛快的特点,将粒子群算法作为模型预测控制的滚动优化方法,构造基于模型预测控制的粒子群算法.仿真结果表明,文中算法能够使绝大部分工况点落在较低燃油消耗率区域,只有少部分工况点落在非经济区域,虽然多消耗了1.06%的燃油,但在运算速度上却获得了60.3%的提升.     

邻域自适应的微分变异约束分数阶粒子群优化

分数阶粒子群算法（FOPSO）是一种具有路径记忆的改进型粒子群优化算法。在多峰约束优化问题中,针对FOPSO易于早熟和依赖于初始参数的问题,文中提出了一种邻域自适应的约束分数阶粒子群优化方法（NAFPSO）。在算法中,依据进化状态来动态调整邻域拓扑从而更新粒子位置和速度,以提高可行解的全局寻优能力和收敛速度;采用带惩罚因子的罚函数约束处理技术,迫使粒子趋向可行区域;设计了微分变异策略以增加种群多样性,增强粒子逃脱局部最优的能力。用9个约束优化基准函数实验验证了NAFPSO的有效性和收敛性能,并应用于2个约束工程设计问题,结果表明,提出的算法寻优能力强、收敛快、精度高、稳定性好,可用于有效地解决复杂的约束工程设计优化问题。     

基于粒子群算法的复杂产品装配序列规划

根据复杂产品装配规划问题的特点和要求,提出了一种求解装配序列规划(assembly sequenceplanning,ASP)问题的粒子群优化算法,将通常用于连续空间优化的粒子群算法成功扩展到ASP领域.算法根据ASP问题决策解的特点,在排序空间定义了微粒的位置和速度以及相关的各种操作.针对基本粒子群算法容易陷入局部最优的缺点,采用新的学习机制,增强了算法的寻优能力.基于干涉矩阵、连接矩阵和支撑矩阵建立了以装配可行性、装配体稳定性和装配方向改变为评价指标的目标函数.最后通过实例分析验证了该算法的有效性.     

基于粒子群优化算法的FIR数字滤波器设计

探讨FIR数字滤波器设计的粒子群优化算法及其实现.它根据预期频率特性的设计要求,建立优化模型,并通过快速粒子群算法求解其优化值.所得的序列使对应FIR滤波器较好地满足了预期频率特性指标,设计方法简单实用,具有很高的灵活性和鲁棒性.并且较遗传算法有更快的收敛速度,数值实验表明了本方法的有效性.     

改进的PSO算法在重油热解模型参数估计中的应用

针对传统的粒子群算法(PSO)在解决复杂的优化问题时易陷入局部最优这一情况,提出了一种改进的粒子群算法(EPSO),该算法在传统的粒子群算法陷入局部最优的情况下引入了单个粒子的"Hooke-Jeeves模式搜索"操作和粒子之间的"启发式交叉"操作。仿真结果表明:EPSO算法的全局搜索性能和收敛速度比传统的PSO算法有明显的提高。采用EPSO算法进行非线性参数估计所得到的重油热解模型,其预报的平均相对误差比传统的PSO算法得到的模型提高了11.98%,比遗传算法(GA)得到的模型提高了38.76%。     

分段式微粒群优化算法

提出一种分段式微粒群优化算法。该算法将所要搜索的区域分成若干段,首先在每一区段内搜索出区段的最优位置,然后将各区段的最优位置组成一微粒群,继续搜索全局最优位置。通过对5个常用标准测试函数进行优化计算,仿真结果表明:分段式微粒群优化算法能有效地搜索到全局最优解,具有比基本微粒群优化算法更快的搜索速度和更好的优化性能。     

全局粒子群优化算法

针对粒子群优化算法在解决大维数的无约束优化问题时具有较差的收敛性和稳定性,提出了一种全局粒子群优化(GPSO)算法.GPSO算法引入了一种新的惯性权重,它被定义为一个指数型函数与一个随机数的乘积,这有利于维持算法的全局搜索和局部搜索.同时,GPSO算法对全局最优解进行了小的扰动,这可以有效地避免算法早熟.使用三种粒子群优化算法来解决6个无约束优化问题.仿真结果说明,与其他两种粒子群优化算法相比,GPSO算法具有更快的收敛速度和更强的逃离局部最优的能力.     

基于模糊推理的粒子群优化算法

针对无约束优化问题,提出了基于模糊推理的粒子群优化算法,该算法针对粒子群优化算法搜索能力的不足,先引入平均粒子,然后引入模糊推理来改进粒子群的速度更新公式,再利用模糊推理动态地改进算法惯性权重和速度更新公式的权重因子,再结合混沌扰动增加算法后期的局部搜索能力.数值试验采用12个测试函数并有5个算法进行对比,数值试验证明,改进算法的搜索能力有较大的提高.