改进PSO算法在污水处理控制器优选中的应用

针对控制性能指标不兼容难以选择控制器,提出了一种改进的PSO控制算法.构造了基于多性能指标参数的目标函数,研究了基于PSO的改进控制算法,剖析了可快速搜索到收敛于全局最优极值所对应各个控制器控制参数机理,以SBR工艺污水处理系统控制器参数选择为例,建立了DO参数控制模型,设计了改进的PID控制器和多模态HSIC控制器.仿真实验显示:改进的PSO算法有更强的鲁棒性和更好的动静态控制品质.研究结果表明该算法用于污水处理系统控制器参数优选的合理性与可用性.     

改进的PSO算法在RFID网络调度中的应用

为在寻优过程中有效地保持算法的种群多样性,提出了一种改进的PSO（Particle Swarm Optimization) 算法--PSOPC（Particle Swarm Optimizer based on Predator-prey Coevolution）。PSOPC算法将生态系统中捕食者和猎物的竞争协同进化机制嵌入到PSO算法中。基于PSOPC进行RFID（Radio Frequency IDentification）读写器网络调度模型的求解,根据读写器冲突关系的变化在线进行读写器的时隙分配求解与控制,在不影响读写器工作效率的同时,有效消除密集读写器环境下的读写器冲突问题,并优化整个读写器网络的工作效率。     

改进PSO算法在氧化动力学模型参数估计中的应用

通过构造一个适当的目标函数,将Hg氧化动力学模型的参数估计问题转化为一个多维数值优化问题;然后提出一种基于算术交叉和多样性变异的改进PSO算法来求解该优化问题。算法随机选择粒子与当前最优粒子进行算术交叉操作,将粒子逐步向极值点引导,提高算法的局部搜索能力。引入多样性变异算子以维持种群粒子的多样性。几个标准测试函数的实验结果表明算法具有较好的寻优性能。将算法应用于Hg氧化动力学模型参数估计中,获得了满意的结果。     

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%。     

一种改进PSO算法在经济调度中的应用研究

粒子群优化算法是一类新的基于群体智能的启发式全局优化技术,群体中的每一个粒子代表待解决问题的一个候选解,算法利用粒子之间的相互作用发现复杂问题解空间的最优候选区域.综述了算法的基本形式及其多种改进形式,通过比较提出了一种用于求解一般形式的非连续、非凸、非线性约束优化问题的改进粒子群算法,用于求解复杂的非凸、非线性电力系统经济负荷分配问题.仿真结果表明,所提出的方法搜索速度快,求解精度高,易于掌握,是解决电力系统经济负荷分配问题的有效手段.     

改进PSO权值算法在流水生产调度中的应用

为了在生产中快速有效且合理地安排生产流程,达到生产最优化,采用改进粒子群权值算法(DPSO)。研究了DPSO算法地参数设置问题,在传统PSO算法基础上加入具有动态自适应调整功能的权重因子,使算法更快地达到全局最优化,迭代次数也大大缩短,将DPSO算法用于流程工业的flow-shop调度中,大大提高了生产效率,仿真实验表明该算法具有良好的全局优化性能。该成果对生产调度具有一定的参考价值和指导意义。     

基于蚁群算法求解物流订单派送问题

针对物流信息平台中的订单派送问题,研究了订单派送的单向性和路径最优特性,构建了路径选择模型,对费用最少和时间最短的双目标优化函数进行了分析,将基本蚁群算法进行了改进。通过对局部信息素进行外界人为的干扰,从而影响整个网络选择,使得路径选择全局最优,解决了基本算法在求解最短路径中计算时间长的问题。模拟结果表明,计算速度提高了30%。     

改进PSO 算法在振荡式注汽速度优化中的应用

针对蒸汽驱恒定式注汽速度驱油效果差的现状,提出了一种基于改进PSO( Particle Swarm Optimization) 算法的蒸汽驱振荡式注汽速度优化方法。该方法建立了蒸汽驱注汽速度数学模型,采用改进粒子群优化算法对此模型进行求解并优化振荡式注汽速度,最后得到蒸汽驱振荡式注汽速度最优方案。改进粒子群优化算法引入混沌优化算子产生初始解,依据各粒子适应值的距离,完成对各个粒子的自适应变异,同时引入极值扰动算子对个体历史最优值和全局最优值实施随机扰动,加快了收敛速度,提高了种群的可进化能力。实验结果表明: 所建立模型准确,优化算法有效。通过此方法可指导蒸汽驱注采方案合理编制,指导蒸汽驱高效运行。     

改进的PSO算法在污水曝气DO参数控制中的应用

针对城市污水处理难于实现高品质控制的问题,探讨了GAPSO算法在污水曝气控制器参数优选中的应用,分析了污水曝气DO参数的控制难点,并采用新提出的改进GAPSO算法,在已有控制策略基础上优化了控制器参数,同时该算法也优化了多模态的智能控制器参数.以二阶滞后过程为控制对象,采用GAPSO算法优化控制参数后进行仿真实验.仿真结果表明:该算法对控制参数的优化实现了较高的控制品质,在控制器参数优化方面效果显著.     

基于改进PSO算法在局部遮阴下光伏系统MPPT中的应用

在局部遮阴条件下,光伏阵列的功率输出曲线存在多个峰,为确保光伏系统能够更好地工作在最大功率点,提出一种改进粒子群(PSO)算法.自适应调整惯性权重和学习因子,并引入差分进化(DE)算法中的变异、交叉等操作来丰富粒子多样性,使算法不仅有更快的收敛速度,而且在遮阴条件下也能精准追踪到最大功率点.在Simulink中搭建系统仿真模型进行仿真试验.结果表明,改进粒子群算法能够明显提高追踪最大功率点的速度和精度.     

WNN中的改进PSO算法及参数初始化

利用粒子群（PSO）算法替代BP算法对小波神经网络（WNN）进行训练,针对局部极小值问题提出了改进的PSO算法,即判断当粒子陷人局部极小时将其重新初始化,并对小波的平移和伸缩参数的初始化进行了研究,避免了网络的盲目搜索,减少了迭代次数．通过非线性函数逼近的仿真结果表明,上述措施有效提高了网络搜索成功率,在一定程度上解决了局部极小值的问题．     

PSO算法在电力系统的应用

粒子群算法(PSO)作为群智能算法的主要方法之一。自提出开始,便引起了众多研究学者的关注。PSO算法属于进化算法的一种,通过追随当前搜索到的最优值来寻找全局最优。在查阅大量文献的基础上,本文首先简单介绍了群智能的概念,简述了粒子群算法的基本原理。然后,详细叙述了PSO算法在电力网络规划,经济调度等电力系统领域中的应用,并回顾了前人及当前的研究成果。最后,指出了PSO算法未来的发展方向和研究重点。     

PSO算法在土壤水分运移参数优化中的应用

把土壤水分运移参数的拟合按照模型参数的辨识和优化问题来考虑,将粒子群优化（PSO）算法应用到土壤水分运移参数的辨识和优化中,通过仿真及与其它参数辨识和优化方法的比较表明,PSO算法得出的模型参数优于自适应免疫遗传算法和最小二乘算法,具有简单、精度高、速度快、与初值无关和全局收敛等优点,是一种土壤水分运移参数辨识和优化的新方法。     

改进PSO算法在水下机器人S面运动控制参数整定中的应用

从模糊逻辑控制方式出发,借鉴PID控制的结构而形成的S面控制器.针对粒子群优化(PSO)算法存在早熟、易陷入局部极小等现象,对基本PSO算法进行了改进,引入变学习因子和惩戒因子,更好地协调全局和局部搜索能力,有利于快速找到全局最优点,提高了PSO算法在水下机器人S面运动控制器参数整定中的优化能力.通过水下机器人的运动控制仿真试验,验证了该方法的可行性和优越性.     

改进PSO算法及其无人机电力巡线规划应用

针对电力巡线任务的具体需求,提出一种改进型自适应粒子群算法。该算法通过引入自适应调节算法中的惯性权重,以平衡不同阶段全局搜索和局部搜索能力;加入具有自调整能力的自学习因子和社会学习因子,着重加强算法在运行后期的收敛速度和寻优能力;并针对偶发的大量粒子聚集于某个局部最优值的现象,适时引入驱散操作,对粒子聚集区域加以疏散,使其被分配到更大的空间范围内,以加强算法跳出局部极小的能力。最后,通过典型智能算法测试函数的测试,检验了改进算法在平均最优值、运行时间和成功次数等方面的优势;通过仿真分析,验证了该算法在电力巡线应用的有效性。     

Apriori算法的改进及其在物流信息挖掘中的应用

在分析当前Apriori算法及其改进算法的基础上,提出了一种将Apriori算法与物流信息挖掘相结合的Apriori改进算法.通过Apriori改进算法与原Apriori算法挖掘结果的比较,说明了Apriori改进算法不仅缩小了剪枝扫描数据库的规模而且减少了生成频繁项目集的候选项目集.     

PSO算法在电力系统中的应用现状和前景探析

粒子群优化（PSO）算法是一种新兴的群体智能优化技术,在简要介绍PSO算法工作原理的基础上,描述了粒子群优化方法在电网规划、检修计划、短期发电计划、机组组合、负荷频率控制、最优潮流、无功优化、谐波分析与电容器配置、参数辨识、状态估计、优化设计等方面的应用,并对今后可能的应用指出了研究方向．     

PSO算法在多元线性回归分析问题中的应用

粒子群优化算法（PSO）是一类实用有效的随机全局优化技术．本文简要地介绍了PSO算法的基本原理,具体地描述了使用PSO算法解决多元线性回归分析问题的步骤和结果．通过计算机仿真测试,表明PSO算法在解决多元线性回归分析问题上是一种简单、高效的算法．     

基于改进PSO算法的混合核SVM算法

提出一种基于改进粒子群优化（PSO）算法的优化混合核支持向量机（SVM）算法（ILPSO）, 解决了一般混合核SVM算法很难评定参数选择的问题. 该算法通过限定粒子的速度、 搜索空间和交叉算子等多种寻优策略加强其收敛特性, 得到了参数的最佳组合. 仿真实验表明, 该算法能更快速、 有效地获得参数的最优值.