基于改进PSO算法和集成神经网络的裂解炉在线优化

针对传统粒子群算法(PSO)寻优时易陷入局部最优、后期全局搜索能力下降等不足,提出了基于载波的粒子群算(CWPSO).通过粒子基于载波的搜索和载波扩展精确寻优,较好地克服了上述缺点,且寻优时间明显减少.同时,针对工业裂解炉在线优化要求,采用了权值动态集成的集成神经网络(NNE)对双烯收率进行建模预测,并结合CWPSO算法进行了在线滚动优化.仿真结果表明,该方法对裂解炉的优化效果明显,双烯平均收率有了明显提高.     

禁忌粒子群算法

针对基本粒子群算法容易陷入局部最优的缺点,将禁忌搜索算法中的禁忌思想与粒子群算法结合,提出了一种新的粒子群算法——禁忌粒子群算法(TPSO)。该算法将粒子群算法找到的当前最优值禁忌一段时间后再释放,以此避免算法陷入局部最优,即使算法暂时陷入局部最优,该算法跳出局优的能力也很强。实验表明,TPSO在收敛速度以及收敛精度方面都比基本粒子群算法有了很大程度的提高,特别对于多极值问题搜索效果非常好,可以很好的解决算法陷入局部最优的问题。     

基于搜索空间划分和Sharing函数的粒子群优化算法

传统粒子群优化算法PSO（Particle Swarm Optimization）概念简单,适应性强,但存在早熟等问题.本文提出了新的基于搜索空间划分（Search Space Division）和Sharing函数的智能分布粒子群优化算法（SDSIR-PSO）.创新点包括：(1)保优的重布粒子算法;(2)引入Sharing函数阻止重分布的粒子陷入同一局部最优;(3)划分搜索空间,子空间中寻优,再优中选优,作全局最优.通过对典型测试函数的详细测试验证了新算法的有效性,在相同条件下较传统算法的解精度提高了8     

一种改进的动态惯性权重粒子群优化算法

针对粒子群算法在寻优过程中容易陷入局部最优,以及难以平衡求精和求泛的能力,提出一种动态惯性权重粒子群优化算法。该算法同时考虑到粒子的进化速度和集聚程度对算法寻优的影响,当粒子集聚程度较高时,增大惯性权值,提高算法的全局搜索能力。为平衡算法全局和局部寻优能力,当进化速度较快时,提高局部搜索能力,以免错过较好的位置。将此算法用于优化4个经典测试函数,实验表明:此算法不仅可以平衡局部和全局的搜索能力,还能提高算法的搜索效率和精度。     

基于正交试验设计的粒子群优化算法

针对粒子群优化(particle swarmopti mization,PSO)算法在进化初期收敛速度快但容易陷入局部最优、在进化后期收敛速度变慢且精度低的缺陷,为了提高粒子群算法的收敛速度和全局寻优能力,提出了基于正交试验设计的粒子群优化(orthogonal-experi mental-design-based PSO)算法.在基本粒子群算法的基础上,算法OE-PSO对当前搜索到的解进行局部寻优,利用正交试验设计对搜索空间的分布均匀性在可行解的领域选择有代表性的解进行测试.算法OE-PSO用搜索到的更好的解在下一次迭代中引导粒子进行搜索,从而获得更快的收敛速度和更精确的解,同时避免局部最优.实验结果表明,算法OE-PSO不但具有较快的收敛速度,而且能够有效提高解的精确性,增强算法的鲁棒性.     

基于混沌-量子粒子群的分簇路由算法

针对粒子群分簇路由优化算法存在的收敛速度慢、 易陷入局部最优等问题, 提出一种混沌-量子粒子群 的双子粒子群分簇路由算法。 该算法以簇头的能量、 簇头与汇聚节点的距离以及与簇内成员节点的距离构造 最优簇头的代价函数, 主粒子群利用混沌粒子群寻优, 辅粒子群利用量子粒子群寻优, 加入量子波动理论, 使 算法具有较好的全局收敛性。 双子粒子群采用收敛速度快的凹函数递减策略优化权重。 仿真结果验证了该算 法可使无线传感网络节点能量消耗均衡化, 显著延长网络生命周期, 与 LEACH(Low-Energy Adaptive Clustering Hierarchy)协议、 PSO-C(Cluster setup using Particle Swarm Optimization algorithm)协议相比生命周期分别延长了 80. 1%和 41. 4%。     

一种自适应混合纵向多变异粒子群算法

为克服标准粒子群算法搜索后期收敛速度慢、容易陷入局部最优的缺点,通过引进自适应惯性权重因子平衡标准粒子群优化算法的全局搜索和局部改良能力,同时设计了均匀分布变异和高斯分布变异相结合的粒子群混合纵向多变异策略,来提高算法摆脱局部极值和局部寻优的能力.根据提出的改进算法流程,针对公认的Sphere,Rastrigin,Griewank和Salomon四种标准测试函数进行了收敛精度和收敛速度的测试.测试结果表明,在标准粒子群、自适应权重粒子群、自适应变异粒子群和自适应混合多变异粒子群4种算法中,提出的新算法具有最好的全局最优值搜索能力和最稳定的全局收敛特性,且在提高收敛速度的同时,有效地避免了早熟收敛问题.     

融合榜样学习和反向学习的粒子群优化算法

为了提高粒子群优化算法(Particle swarm optimization,PSO)的优化效率,降低其陷入局部最优的概率,提出了一种融合榜样学习和反向学习的PSO算法(PSO based on combing Example learning and Opposition learning,EOPSO).首先,对粒子群中的非最优粒子采用新颖的榜样学习机制更新,以便提高全局搜索能力,避免算法陷入局部最优;其次,对粒子群中最优粒子采用反向学习混合机制更新,提升该粒子的搜索能力,进一步避免算法陷入局部最优;最后,对粒子群中的最优粒子还采用了自身变异机制更新,有利于搜索前期的全局搜索和后期的快速收敛.在15个不同维度的基准函数上进行了仿真实验,实验结果表明,与最先进的PSO改进算法ELPSO、SRPSO、LFPSO、HCLPSO相比,EOPSO优化性能更好.     

一种融合粒子群算法的蝙蝠优化算法

针对基本蝙蝠算法(BA)在寻优后期存在搜索性能差,寻优精度低,处理误差大,易陷入局部最优及早熟等缺陷,提出一种融合粒子群算法进行局部搜索的蝙蝠优化算法。该算法在局部搜索中,嵌入粒子群算法生成备选最优蝙蝠,并与基本蝙蝠算法生成的随机蝙蝠进行再竞争的方式优化种群,丰富了种群的多样性,提高了算法的全局搜索能力和局部搜索能力。Matlab环境下的仿真结果表明,改进后算法(PSOBA)在收敛速度及精度上均有明显提高,处理维度更高,是解决复杂函数优化问题的一种有效方法。     

一种改进粒子群优化算法在入侵检测中的应用

针对现有的粒子群优化(PSO)算法大多存在早熟收敛、容易陷入局部最优值的问题,提出了一种新的协同粒子群优化(CPSO)算法。该算法拥有两个子群,一个用于全局搜索始终保持粒子多样性,另一个用于局部搜索保证搜索精度,通过相互协同合作在全局最优值附近实现精确搜索。最后把该算法应用到动态聚类入侵检测,通过优化聚类半径和聚类阈值,对训练数据进行正、异常类聚类,然后用测试数据进行攻击检测。试验结果表明该算法较粒子群和突变粒子群(MPSO)算法性能明显提高。     

基于天体系统粒子群算法的异步电机参数辨识

针对标准粒子群优化(PSO)算法存在易早熟收敛的缺点,提出了一种基于天体系统模型的粒子群优化算法(CSPSO).在CSPSO算法中,参照天文学中的天体系统模型,将种群划分为多个相对独立的天体系统,每个系统按照自己的运行规则在不同的空间中运行,在算法的后期引入混沌优化,最终确定出优化问题的全局最优解.将CSPSO算法应用于异步电机参数辨识问题中,仿真结果表明CSPSO算法比GA算法和PSO算法具有更精确的参数辨识能力.     

改进型耗散粒子群优化算法

通过对标准粒子群优化算法中惯性权重的分析和对耗散理论的研究,提出了一种惯性权重正弦调整的耗散粒子群优化算法(S-DPSO),并对该算法进行了深入的分析和研究.通过对4个典型函数的仿真测试,试验结果表明S-DPSO在收敛速度和全局收敛性方面都比标准粒子群优化算法、随机惯性权重粒子群优化算法、惯性权重正弦调整粒子群优化算法、耗散粒子群优化算法和随机惯性权重耗散粒子群优化算法有明显改进.理论分析和仿真试验验证了S-DPSO的正确性和有效性.     

基于约束粒子群优化的克里金插值算法

针对常规克里金插值算法中的不足之处,通过改变粒子群算法中粒子多样性,结合地质变量的特征和数据特征,提出了一种改进的插值方法——基于约束粒子群优化的克里金插值算法,在粒子群优化过程中,通过高斯变异、样本点权重系数设定、搜索范围约束等方式提高了插值精度。实验结果表明:基于约束粒子群优化的克里金插值算法可以获得高精度的插值效果,优于常规的克里金插值。     

含速度变异算子的粒子群算法

提出了一种新型的PSO算法——含速度变异算子的粒子群算法（PSOVMO）．该算法在进行变异时的变异对象是搜索速度（ν）,而不是通常情况下的位置（Х）．其方法是,设置一个随迭代的进行按指数级数减小的临界速度．在变异开始到整个搜索循环结束之间的每一次迭代中,只要第i个粒子在d维上的搜索速度的绝对值│νi,d│大于此时的临界速度,就以一定的概率重新初始化νi,d：让νi、d 随机分布在区间[-Vmax,Vmax]上,从而通过位置迭代公式将原本聚集的粒子均匀地“驱赶”到前一位置的周围,达到变异的目的．通过对4个多峰测试函数所做的对比实验,表明PSOVMO优于原始的PSO,也优于按传统方法变异的PSO．     

基于粒子群算法的足球机器人动作选择研究

提出一个基于粒子群算法的足球机器人的动作选择算法。该算法给出了一个足球机器人的动作集合，根据赛场的实际情况为足球机器人分配角色与任务，并利用粒子群算法为足球机器人选择合适的动作。     

基于改进粒子群优化的快速协作式频谱感知算法

为了改进算法的计算效率和感知性能,提出了一种新的线性协作式频谱感知算法.在新算法中,通过动态地改变粒子群优化（PSO）方法在每次迭代过程中的迭代系数,以获取最优的权重向量,从而最大化算法的检测概率.采用时变迭代系数后,基于PSO的协作式频谱感知算法在粒子飞行的初期具有很好的全局探索能力,而随着迭代次数的增加,算法具有很好的局部搜索能力.仿真结果表明,新算法相比基于传统PSO的频谱感知算法具有更快的收敛速度,相比传统的基于修正系数和基于传统PSO的协作式感知算法具有更好的性能.不同场景下的仿真结果验证了新算法的有效性.     

粒子群算法惯性权重的研究

粒子群算法惯性权重ω的设置其极重要,直接影响算法性能.本文利用云发生器对惯性权重进行调整,对其取值范嗣做了进一步的研究,并应用于粒子群算法的改进.以高维函数优化为实例,实验仿真结果表明,新算法的全局搜索能力、收敛速度,精度和稳定性均有了显著提高.     

基于改进粒子群优化算法的结构元形态综合

结构元形态综合是与功能元形态综合类似的多最值组合优化问题,在软件中间件和控制算法功能块设计方面有重要的用途.为了解决问题规模较大时经典算法效率不高的问题,提出了一种改进粒子群优化算法.先采用了自然数循环编码技术对粒子位置和速度进行描述,然后在自然数循环编码技术的基础上采用贪婪策略把组合优化问题转化为单峰函数的优化问题.在搜索技术上,采用了分段惯性权重技术和保收敛算法改进算法的寻优能力,最后采用每轮记录多个全局最好值的方法获得多最值.给出了一个组合方案数为378 000的算例对所提算法的有效性进行了验证.算例表明,从多最值求解的角度来说,所提出的改进粒子优化算法要比生境技术简单,从寻优能力的角度来说,所提算法要优于基本的粒子群算法.     

基于改进粒子群算法的双馈感应发电机参数辨识

基本粒子群算法(PSO)存在早熟问题,且惯性权重对参数辨识结果的影响较大,为此提出将变权重PSO算法和全局最优位置变异PSO算法相结合的改进PSO算法,并将其应用于双馈感应发电机(DFIG)的参数辨识。分析了DFIG中各参数的可辨识性和辨识难易度,给出了基于改进PSO算法的参数辨识步骤。与采用基本PSO算法、变权重PSO算法和全局最优位置变异PSO算法的参数辨识结果相比较,该方法具有收敛速度快、辨识误差小的优点,即使在较大的搜索范围内仍具有较高的辨识精度。