基于改进粒子群算法的飞行控制器参数寻优

提出了一种自适应参数策略的混沌粒子群优化算法。该方法将自适应加速度系数调整策略引入到PSO中,以有效地控制全局和局部搜索,并利用混沌运动的遍历性在解空间产生较大规模的初始群体,从中择优选出分布均匀的初始种群以提高粒子的质量,同时根据种群适应度方差对陷入早熟收敛的粒子进行混沌扰动,提高算法收敛的精度。将该方法用于飞行控制器的参数优化设计中。仿真结果表明:使用该方法能够有效地解决飞行控制系统的参数优化设计,极大地提高了飞行控制器参数的设计效率。     

改进的PSO算法及其在软测量建模中的应用

通过大量仿真实验,考察了粒子群算法(PSo)中粒子平均速度和算法收敛性之间的关系,提出了一种基于粒子速度反馈信息的自适应调整权重策略,同时在搜索过程中引入混沌序列.给出的收敛性分析证明,该算法可以以概率1收敛到全局最优解.对经典函数的测试计算表明,改进后的PSO算法较好地解决了基本粒子群算法中易陷入局部最优的缺点,在稳定性和收敛精度上均优于普通的PSO算法.改进的粒子群算法被用于优化神经网络的结构和参数,并将基于改进算法的神经网络用于4cBA软测量建模中.实际应用表明,与基于其它智能算法的神经网络相比,该网络不仅有较高的泛化性能,而且有更快的学习速度和较好的实时性.     

混合粒子群算法在柔性工作车间调度中的应用

混沌是一种新颖的优化技术,具有随机性、遍历性的特点和易跳出局部极值的能力。为了提高粒子群优化算法(PSO)的性能,在PSO中引入混沌,优势互补,提出了一种混合PSO算法,并应用于柔性工作车间调度问题的求解。首先基于混沌对PSO的参数进行自适应优化,实现全局搜索与局部搜索间的有效平衡;然后,在PSO的搜索过程中引入混沌局部搜索策略,来提高解的精度和收敛速度。实验比较结果验证了该算法的全局搜索性能。     

基于生产间歇改进Elman的转炉煤气发生量预测

针对钢铁企业转炉煤气发生量间歇时长波动大,预测精度低的问题,基于生产间歇特征分类,提出基于混沌映射粒子群算法（CPSO）优化Elman神经网络的转炉煤气发生量预测模型（CPSO-Elman）。提取转炉煤气发生量时间序列中生产间歇特征,并根据间歇时长进行分类;引入经混沌扰动改进的PSO算法优化ENN的初始权值和阈值,利用非线性更新的惯性权重以平衡全局搜索与局部搜索能力,并在粒子初始化中添加了混沌映射;构建CPSO-Elman转炉煤气发生量组合预测模型;在预测未来时间内间歇时长基础上,预测转炉煤气发生量。仿真结果表明：所提方法在预测精度上比未经过优化而预测的方法提高了5%左右。     

水库调度PSO优化模型及求解方法

水库优化调度是水资源系统工程的一个典型,其实质是一个非线性的不等式约束优化问题,然而现行的求解方法中针对离散精度和复杂约束处理两个问题一直考虑不足,相关方面的研究也较少。将连续域寻优的粒子群算法引入到水资源系统工程中,建立水库调度的PSO优化模型,避免因离散而引起的寻优瓶颈,并针对传统粒子群算法的趋同性问题和复杂约束问题,提出退火罚函数法和混沌变异因子法,使改进后的粒子群能更有效地解决水库调度问题。通过实例分析,验证该方法的可靠性,为水库调度提供了一种新的求解途径。     

基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

基于优化SVM的反渗透脱盐水故障诊断

针对反渗透脱盐水系统中的反渗透膜故障问题,提出了一种基于支持向量机(SVM)的故障诊断方法.为了解决SVM的参数优化问题,采用一种基于改进的混沌粒子群优化算法的支持向量机参数选择方法.将混沌理论引入粒子群优化算法中,提高种群的多样性和粒子搜索的遍历性,有效地提高了粒子群算法的收敛速度和精度,得到了优化的SVM模型.并将此模型应用于反渗透脱盐水系统的故障诊断中.仿真结果表明,改进的SVM分类器能有效地诊断出反渗透膜故障,并且取得了较高的准确率和诊断效率.     

改进PSO算法及在PID参数整定中应用研究

针对粒子群优化算法(PSO)存在早熟和局部收敛的问题,提出了一种带变异算子的改进粒子群优化算法(IPSOM),该算法在搜索中以一定变异概率对选中的粒子进行变异,同时对飞离搜索区域的粒子用新产生的粒子取代,以克服粒子群优化算法易陷入局部最优解的缺陷。用一典型的Rastigrin复杂函数对新算法进行测试,结果表明改进的算法较之粒子群优化算法(PSO)和常规遗传算法(SGA)不但提高了全局寻优能力,而且有效避免了早熟收敛问题。在此基础上将这种改进算法应用于高阶带时滞对象的PID控制器设计中进行仿真研究,结果表明了所提出算法的有效性和所设计控制器的优越性。     

一种新型自适应混沌粒子群算法在联盟运输调度问题中的研究

提出了一种新的自适应混沌粒子群优化算法.该算法在运行过程中根据群体适应度方差和最优解的大小确定当前最佳粒子引入混沌搜索有效位置的概率,有效结合粒子群全局和混沌局部搜索,避免了基本粒子群优化算法易于陷入局部最优的缺点,提高了进化后期算法的收敛精度.将该算法用于解决联盟运输调度问题,实验结果表明该算法具有较好的性能.     

基于细致化仿生的改进粒子群优化算法

粒子群优化(particle swarm optimization, PSO）算法基本思想是试图通过模拟鸟群觅食中的迁徙和聚集等行为获得连续非线性函数的最佳值,其仿生算法产生于对鸟群寻食过程中飞行方向与飞行速度等的隐喻。近年对粒子群算法经典算法的研究,虽然在速度及精度上有所改进,但由于缺乏细致化仿生（precise bionic metaphor, PBM）,改进效果并不太明显。通过在PSO算法中引入飞鸟寻食细致化行为特征隐喻,即在算法中同时导入满意粒子局地细致化寻优和探索粒子随机寻优过程,进而提出了一种新的基于细致化仿生的改进PSO算法;对改进算法和经典算法进行了性能比较,结果显示所提算法在收敛速度和求解精度方面较经典算法有很大程度的改善。     

基于私有云和改进粒子群算法的约束优化求解

为提高约束优化模型的求解准确度和运算速度,针对粒子群算法及其计算方法进行了改进。引入多样化机制避免算法陷入局部最优的危险:创建多个子群将决策空间划分为多个搜索子空间,多子群独立搜索以保证群间解的多样化;用量子粒子代替普通粒子,为其添加服从球状分布的伴随粒子来提高群内解的多样化。多样化的引入增加了计算量和计算复杂度,利用并行计算提高算法运行速度:分析了改进粒子群算法并行计算的方法,在私有云计算平台上编写了基于MapReduce的并行求解流程。实验结果表明,本文方法具有较高准确度,算法的稳定性也较好,运算速度可成倍提高。     

基于改进粒子群优化算法的虚拟企业伙伴选择

在分析基本粒子群优化算法和建立虚拟企业伙伴选择多目标决策模型的基础上,提出了一种求解供应链联盟伙伴选择的优化问题的改进粒子群算法.在优化过程中,该算法以优良适应值粒子取代部分不良适应值粒子,使算法具有过滤能力,加快了搜索速度,并保证了收敛于全局最优解.实验结果用基本粒子群算法进行了验证和比较,表明该改进粒子群算法具有较好的性能和简单快速准确等特点.     

基于Tent映射的混沌混合粒子群优化算法

为改善基本粒子群优化算法的寻优性能,通过算法混合,在粒子群优化算法中逐步引入优进策略和混沌搜索机制,以加强粒子群的局部寻优效率和全局寻优性能。并将粒子分为两类,分别执行不同的进化机制,实现协同寻优,从而构建为一种新的混沌混合粒子群优化算法。标准测试函数的仿真优化结果表明,该混合算法对较大规模的复杂问题具有较强的求解能力。算法寻优效率高、全局性能好、优化结果稳定,性能明显优于标准粒子群优化算法以及遗传算法等单一的随机搜索方法。     

基于离散PSO的软测量辅助变量选择算法

工业对象的复杂化带来了可测变量的增多,这些变量集合中大量冗余的信息会降低软测量建模的精度。针对这个问题,提出了基于离散PSO的软测量辅助变量选择算法。算法将传统PSO连续的优化过程通过对粒子位置的隶属度计算,将其离散成0或1。0、1分别表示某变量未被选中和被选中,每个粒子就代表一种变量选取情况。将PLS回归用于适应度函数的计算,有利于克服多元回归中多重共线问题。最后,将该算法用在了丙烯精馏塔塔顶丙烯浓度的软测量实验中,实验结果表明该方法有效,并提高了模型的预测精度。     

改进二分粒子群优化算法的阵列方向图综合

针对粒子群优化(particle swarm optimization, PSO)算法收敛速度慢、寻优精度低、计算量大、容易陷入局部最优解等问题,首先提出了一种无需越界检测的归一化粒子群优化(normalized particle swarm optimization, NPSO)算法,NPSO算法具有比PSO算法更佳的有效性和稳定性,其优化速度和收敛精度要远远优于PSO算法,且其计算量要比常规PSO算法采用越界检测调整小。其次,结合狼群算法(wolf pack algorithm, WPA)中的游走行为,在二分粒子群优化(dichotomy particle swarm optimization,DPSO)算法的基础上,通过对二分粒子赋予不同的探索方向,提出了一种WPA-DPSO算法,WPA-DPSO算法具有3层寻优的功能,不仅有效加强了粒子的搜索范围,避免了算法陷入局部最优解,而且有效提高了DPSO算法的收敛速度、优化精度、稳定性和有效性。在NPSO算法和WPA-DPSO算法的基础上,提出了一种混合型PSO算法(WPA-NDPSO),从而有效克服了PSO算法早熟收敛、搜索范围不大、容易收敛到局部极值、计算量大等问题。均匀线阵方向图综合实验表明:WPA-NDPSO算法不仅具有较优的收敛速度和优化精度,而且具有较强的稳定性和较高的有效性。     

基于改进PSO算法的实时故障监测诊断测试集优化

针对基于相关性模型的复杂系统实时故障诊断问题,引入一种改进的多目标离散粒子群优化算法对测试集进行优化选择,以提高诊断系统效率,降低测试成本。基于现有粒子群优化算法,将粒子速度更新和位置更新的意义与测试选择相联系,提出了新的速度和位置更新公式;针对测试集故障检测数、故障隔离数、测试个数及成本等多个指标,分别设计了故障监测测试集和诊断测试集的多目标适应度函数,并给出最优解的多目标更新方法。仿真结果表明：改进算法收敛速度快,计算精度高,可为实时监测诊断系统测试集优化选择提供有效指导。     

搜索能力自适应增强的群智能粒子滤波

针对传统粒子滤波的退化、样本枯竭现象及其导致的状态推理精度差的问题,提出了一种新型粒子滤波算法。利用群智能优化算法中的粒子群优化算法作为优化手段,改进粒子的先验分布。通过自适应地调节粒子的惯性权值增强粒子群的探索和开发能力,减少粒子群优化算法的早熟现象,使得采样后的粒子朝着高似然区域移动,从而有效地提高系统状态推理精度。利用Crame′r Raolowerbound定义了算法有效性的度量。通过仿真实验证明该算法是有效和稳定的。     

基于混合遗传粒子群算法的混沌系统参数估计

针对粒子群算法容易出现"早熟"的缺点,提出了一种改进的混合遗传粒子群(hybrid genetic particle swarm optimization,HGPSO)算法。在粒子群算法的迭代中引入淘汰机制,将满足淘汰条件的粒子与当前适应度最优的粒子进行多后代择优交叉和一定概率的变异操作,以期得到适应度更优的新粒子,代替被淘汰粒子。通过对4个典型函数的测试表明,该算法能够有效地克服"早熟"现象,提高了全局寻优的能力。将改进的算法用于Lorenz混沌系统的参数估计。仿真结果表明,即使在加入测量噪声的情况下,该算法仍能够对系统的未知参数做出有效的估计。