改进粒子群算法在电源规划中的应用

针对电源规划求解难的问题,提出了一种新的求解方法--改进粒子群算法,使用上述方法可大大减少电源规划的计算量,提高计算效率.最后的实例表明,该算法可以较好地解决电源规划问题,有着广阔的应用前景.     

基于自适应搜索的免疫粒子群算法

经典粒子群算法由于多样性差而陷入局部最优,从而造成早熟停滞现象.为克服上述缺点,本文结合人工免疫算法,提出一种基于自适应搜索的免疫粒子群算法.首先,该算法改善了浓度机制;然后由粒子最大浓度值来控制子种群数目以充分利用粒子种群资源;最后对劣质子种群进行疫苗接种,利用粒子最大浓度值调节接种疫苗的搜索范围,不仅避免了种群退化现象,而且提高了算法的收敛精度和全局搜索能力.仿真结果表明该算法求解复杂函数优化问题的有效性和优越性.     

简化的自适应粒子群优化算法

胡旺等人在2007年提出了一种简化粒子群优化算法,基于他的思想,我们给出一个简化自适应粒子群优化算法,在该算法中权重采用标准粒子群算法的自适应权重公式,但是权重的最大值根据解的进化情况不断更新,解改进的成功率的越大权重最大值增大,反之,解改进的成功率的越小权重最大值减小.最后,通过几个典型例子对给出的算法进行检验并与其...     

自适应粒子群算法求解排课问题

针对传统排课效率低、漏排课、冲突率高等问题,利用自适应粒子群算法（SAPSO）进行排课仿真研究.首先,将粒子群算法中的固定惯性因子改进为随着迭代次数变化而不同的自适应权重,以加快寻优速度;然后,为了防止种群陷入局部最优,定义了种群相似度函数;最后,在种群中加入最差个体位置信息以增加种群混乱度,从而提高算法的全局寻优能力.仿真结果表明,SAPSO在收敛速度较快的情况下,寻优精度优于蒙特洛卡算法和改进遗传算法.     

基于粒子群的交叉规划问题的求解算法

提出了基于单纯形法和内部映射牛顿法的子空间置信域法的粒子群算法,分别用于求解线性交叉规划和非线性交叉规划,并结合实例说明了这两种混合粒子群算法求解交叉规划的可行性和有效性.     

基于粒子群算法的自适应滤波器研究及应用

针对神经网络自适应滤波器易于陷入局部极小的缺陷,采用抑制局部最优的粒子群算法优化神经网络的权系数,设计了基于改进粒子群算法训练的三层神经网络的自适应滤波器,并将其应用于自适应噪声抵消器.仿真表明,该系统与传统自适应噪声抵消系统相比具有很好的噪声抵消能力,信噪比大大提高.     

基于粒子群算法的整数规划问题的求解算法

整数规划是运筹学的一个分支,一直以来没有很好的求解算法.目前有研究人员尝试用粒子群算法求解整数规划,但都只能解决无约束整数规划问题.提出了一种求解约束整数规划的粒子群算法,能够解决有约束线性和非线性整数规划问题.     

基于自适应变异粒子群算法的铁路空车调配

提出一种用于求解铁路空车调配的自适应变异粒子群算法.该算法在迭代过程中加入了变异操作,根据群体适应度方差调整变异概率的大小,并通过调整惯性权重因子来增强算法跳出局部最优的能力.将自适应变异粒子群算法用于铁路空车调配,建立以空车总走行距离最小为目标的数学模型,并在此基础上设计相应的算法.算例结果表明,应用自适应变异粒子群...     

基于自适应粒子群优化算法的神经网络的优化研究

针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的自适应粒子群优化算法用于神经网络的训练.该算法通过改进自适应搜索策略以提高网络泛化性能,并结合Ionosphere雷达信号分类数据集进行仿真测试.研究结果表明:基于自适应粒子群优化算法训练的神经网络在分类准确率和分类误差上明显优于传统的BP算法,且很好地提高了网络泛化能力和优化效果.     

含分布式电源配电网重构的改进混合型粒子群算法

建立了含分布式电源的配电网重构问题数学模型,重点研究了求解该问题的混合型粒子群算法.针对该算法稳定性差以及收敛速度慢等缺点,提出了改进算法的3个解环启发式原则.并利用一个实际算例对算法的改进效果做了检验.结果表明:针对该问题,改进后的混合型粒子群算法的稳定性和计算效率均有明显提高.     

基于改进粒子群算法的移动机器人全局路径规划

提出了一种新的移动机器人全局路径规划算法．该算法首先建立机器人工作空间障碍物顶点模型,根据障碍物顶点信息构造一个移动机器人从始点到终点的无碰距离函数,然后用改进的粒子群算法对此路径进行优化, 得到全局最优路径．     

简化的自适应粒子群优化算法

对基本粒子群优化算法作了一些改进:通过去掉速度因子简化算法结构,引入指数下降形式的惯性权重,对全局极值进行自适应的变异操作,进而提出一种简化的带变异算子的自适应粒子群优化算法。通过与其他改进的粒子群算法的数值实验对比分析,表明提出的新算法能够有效地避免早熟收敛问题,并能较大幅度地提高收敛速度和收敛精度。     

梯级水电站优化调度的模糊自适应粒子群算法

针对粒子群算法容易早熟和易于陷入局部极值的缺点,提出一种梯级水电站优化调度的模糊自适应粒子群算法.在该算法中将惯性权值表示为粒子群进化速度因子和群体适应度方差的模糊函数,在每次迭代过程中动态改变惯性权值,以适应非线性优化搜索过程.针对违反约束的粒子,设计了一种动态空间调整策略来修复约束要求.为了验证算法的性能,用2个测试函数和拥有4个水电站的系统进行了测试,在求解精度和速度上与标准粒子群算法和改进惯性权值线性递减粒子群算法进行了对比,结果表明模糊自适应粒子群算法收敛速度快、精度高.     

基于改进粒子群算法的造林规划

一直以来造林规划的工作者主要是靠手工进行规划或者运用一些通用的计算机软件来辅助规划,表现出工作繁琐、效率低、设计粗糙、计算不科学.首先给出一种改进的粒子群算法,即使用最简单的罚函数法将约束优化问题转化为无约束优化问题,然后将不同阶段搜索进度应用到粒子群算法中.该算法在优化目标函数的分析性质上没有特殊要求,并具有较强的全局寻优能力.用该改进粒子群算法来确定在资金、计划、苗木品种和数量等约束条件下小班造林规划最优方案,结果表明该算法在约束条件下造林规划效果很理想.     

基于自适应惯性权重的混沌粒子群算法

针对粒子群优化(particle swarm optimization,PSO)算法易陷入早熟的缺陷,提出了一种基于自适应惯性权重的混沌粒子群算法。首先利用立方映射产生的混沌序列对粒子位置进行初始化,为全局搜索的多样性奠定基础;然后采用自适应惯性权重优化策略,提高收敛速度;最后如果判断算法陷入早熟,则对算法进行混沌扰动,使其跳出局部最优。仿真实验结果表明,改进算法的收敛速度及收敛精度都有明显提高,能有效地避免早熟。     

粒子群优化算法在电网规划中的应用

粒子群算法适合求解连续变量优化问题,本文提出了粒子群算法的新离散化方法。常规粒子群算法在电力系统优化问题中取得了成功,但有“趋同性”。本文提出了改进多粒子群优化算法（IPPSO）,IPPSO是两层结构：底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快收敛。粒子群以及粒子状态更新策略不要求相同。     

基于马尔科夫生存模型与粒子群算法 的动态航路规划

针对未知情况下航路规划问题,采用动态规划策略保证飞机可以实时规划未来路径,并引入基于马尔科夫的生存模型来获取飞机的生存状态概率,从而评估生存代价,再综合任务、油耗、飞机机动性等作为粒子群算法的目标函数与约束条件,同时为了缓解生存与任务之间的矛盾,引入目标函数权重自适应策略.仿真实验证明,提出的动态航路规划策略是可行的,自适应权重也在一定程度上缓解了生存与任务之间的矛盾,同时将基于马尔科夫的生存模型应用于动态航路搜索中,能够更加直观地掌握每一时刻飞机的生存代价以及各状态的概率.     

自适应变异的离散粒子群算法研究

针对算法易早熟和收敛慢的缺点,提出了一种新的自适应变异离散粒子群算法。算法中的变异思想是一种确定性交异操作,能使算法中陷入局部极小区域的粒子通过变异行为进行全局寻优,从而克服算法易早熟的缺陷。     

基于靠近目标粒子群算法的AGV路径规划

进行移动机器人(automated guided vehicle,AGV)路径规划时,针对传统粒子群算法易陷入局部最优解、搜索效率低等问题,文章提出靠近目标的粒子群算法,更好地解决AGV路径规划问题.在AGV运行环境建模时,将障碍物转化为多边形并进行膨胀处理,利用障碍物顶点划分坐标系;引入Metropolis准则,使算...