基于改进PSO算法参数优化的模糊支持向量分类机

借助遗传算法中交叉和选择的思想策略,提出一种改进的粒子群算法对模糊支持向量机的参数进行优化选择.结果表明:该方法能够减少模糊支持向量机参数选择的盲目性,增强了模糊支持向量机的泛化能力,同时也提高了其分类精度.     

基于PSO的模糊C均值聚类算法

在分析模糊C均值聚类算法存在不足的基础上,提出了一种新的聚类算法:基于粒子群的模糊C均值聚类算法.该算法利用粒子群强大的全局寻优能力,不仅克服了传统的模糊C均值聚类算法对初始值敏感、噪声数据敏感、易陷人局部最优的问题,而且有较快的收敛速度.试验证明,这种算法是一种很有潜力的模糊聚类算法.     

基于模糊粒子群算法的非线性函数优化

针对非线性函数优化问题,提出一种新型的模糊粒子群算法.该算法基于模糊控制器中输入输出的模糊化处理和粒子群寻优的特点.算法在Matlab 2008环境下编程实现,针对几个典型复杂的非线性函数进行优化测试.实现结果表明:模糊粒子群算法是一种简单有效的算法,具有良好的有效性和鲁棒性.     

基于PSO优化算法的模糊PID励磁控制器设计

针对优化发电机励磁控制器控制问题,研究模糊理论及人工智能控制方法,建立数学模型分析励磁控制器,找到将粒子群算法与模糊PID相整合的励磁控制途径,并设计了适用于低压水轮发电机的励磁控制器.粒子群优化算法优化控制系统的初始参数,模糊PID完成对系统的动态控制.仿真结果表明,改进的控制器算法相比传统PID控制和模糊控制PID,响应速度较快(上升时间少于1s),超调量小(超调量少于5%).能够满足控制器快速、准确和稳定的要求,是一种先进的控制方法.     

基于改进PSO算法的电力系统无功优化

介绍了PSO算法,结合电力系统无功优化问题的实际情况,针对其存在的易陷入局部最优点的缺点,提出了改进的PSO算法。该算法改变了初始化方法和粒子更新方法,在算法后期引入变异因子,并将问题分解成子问题进行处理。在IEEE-14节点系统的仿真计算中,改进PSO算法与其他人工智能算法相比,在较短时间内取得了更好的优化效果。     

基于PSO的图像自适应模糊增强算法

在介绍常规图像自适应模糊增强算法和粒子群优化算法的基本原理的基础上,针对常规图像模糊增强算法中自动获取模糊控制参数耗时较长,执行效率低的问题,提出了一种应用粒子群优化算法结合图像灰度直方图特征进行图像自适应模糊增强的新方法.实际图像增强实验的结果表明方法效率比常规图像自适应模糊增强算法有很大的提高.     

基于改进粒子群优化算法的电机故障诊断研究

针对电机转子故障,利用神经网络方法进行故障诊断研究。将基本粒子群优化(PSO)算法进行改进,并用其训练反向传播(BP)神经网络,对电机转子进行故障诊断。选用电机转子振动频谱分量作为神经网络的训练样本,将故障信息数据作为输入量代入已训练好的神经网络,通过输出结果即可诊断故障类型。仿真结果表明,基于改进PSO算法的BP神经网络可以有效地识别电机常见故障,具有较快的收敛速度和较高的诊断精度。     

基于模糊聚类的粒子群优化算法

粒子群优化算法(PSO)的基础上,提出了基于模糊C-均值聚类(FCM)算法的粒子群优化算法.该算法在每次迭代过程中首先通过FCM算法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和子群中的最优粒子更新自己的速度和位置值.通过典型复杂函数测试表明,基于模糊C-均值(FCM)的粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法.     

基于PSO—SA的二级倒立摆前馈补偿模糊神经网络控制

以模糊神经网络为基础,结合误差前馈补偿完成了二级倒立摆系统的稳定控制,并采用模拟退火粒子群算法对控制参数进行全局寻优。与基于状态变量合成的模糊神经网络控制器相比,该控制方法豢仅解决了多变量系统模糊控制器的“规则爆炸”问题,并且。由于所有状态变量直接参与控制输出,控制精度亦有所提高。仿真结果表明,该控制方案所需规则数目少,响应速度快,有良好的鲁棒性和非线性适应能力。     

基于PSO和模糊理论的蜗杆传动多目标优化设计方法

针对传统设计方法无法获得最佳蜗杆传动方案的问题,建立了蜗杆传动多目标优化设计模型;提出了基于粒子群优化算法(particle swarm optimization,PSO)和模糊理论的多目标优化问题求解策略,并进行了算例验证.算例结果表明:蜗杆传动多目标优化设计模型综合考虑了制造成本、体积、传动效率及润滑性能等因素,更符合工程实际情况;PSO与模糊理论相结合的多目标优化求解算法收敛速度快,可以获得多目标优化问题的全局最优解;基于PSO算法和模糊理论的蜗杆传动多目标优化设计方法比传统设计方法更合理、更高效.     

基于PSO优化的交通信号预测控制

在神经网络车流预测的基础上,利用PSO算法在参数解空间内并行寻找交叉路口信号绿信比的最优解,提出了交通信号预测控制方法。仿真实验结果表明,该控制方法优于传统的定时控制和遗传算法优化控制,具有很好的控制效果。     

随机协同分解PSO优化的Takagi-Sugeno模糊神经网络临床路径变异处理

提出了一种随机协同分解粒子群(RCDPSO)优化的Takagi-Sugeno(T-S)模糊神经网络临床路径变异处理方法.在子种群的协同进化过程中,执行顺序随机确定后,选取表现最优的粒子进行分解,对表现最差的粒子进行交叉和变异,并保持子种群的总数不变,既保证了收敛速率,又增加了种群的全局搜索能力.在此基础上,加入了变异扰动机制,增加了种群的多样性,防止种群陷入局部最优.最后以骨肉瘤术前化疗临床路径变异(肝中毒)为例,进行实例验证.结果表明,在处理临床路径变异方面,RCDPSO优化的T-S模糊神经网络与其他算法优化的T-S模糊神经网络相比,预测能力较强、鲁棒性更佳,大幅度提高了临床路径变异处理的精度和效率.     

一种基于PSO优化带核函数FKM的高炉炉温辨识方法

提出了一种高炉炉温分类辨识的方法PSO-K-FKM,该方法采用基于核函数改进的模糊K均值聚类,利用粒子群对聚类中心寻优.将该方法应用于攀钢3#高炉炉温分类判定,结果表明:该方法基本上能够正确划分高炉炉温状况.与BP方法、GA方法相比, 该方法具有识别率高、识别速度快、不易陷入局部最优等优点.     

基于粒子群优化算法的模糊C-均值聚类

利用粒子群优化（PSO）算法全局寻优、 快速收敛的特点, 结合模糊C 均值（FCM）算法提出一种新的模糊聚类算法. 新算法用PSO算法代替了FCM算法的基于梯度下降的迭代过程, 使算法具有很强的全局搜索能力, 很大程度上避免了FCM算法易陷入局部极小的缺陷; 同时也降低了FCM算法对初始值的敏感度. 实验结果表明, 与FCM相比本文算法聚类更为准确, 效率更高.     

基于优化PSO的LU循环分块方法

循环分块技术可以提高Cache的命中率,而循环分块的规模是该技术的决定性因素。利用粒子群优化算法可以优化循环分块的规模,获取合适规模的分块,提高循环分块的效率。首先研究了LU分解算法,然后讨论了传统粒子群优化算法并针对用于循环分块方面的不足加以改进,最后把优化的粒子群优化算法用于LU分解算法之中,从而提出了一个PSO-LU循环分块算法。仿真实验结果表明,和原始基准测试程序相比,所提循环分块算法比性能有所提升,更充分地提高高速缓存运算效率。     

光伏系统模糊PSO的MPPT控制

在局部阴影条件下,光伏阵列的功率–电压特性曲线呈现多峰状,传统最大功率点跟踪方法出现搜索精度低和收敛速度慢的问题.针对此问题提出一种基于模糊控制的粒子群优化算法,采用模糊控制器对粒子群优化算法的惯性权重ω进行优化,实时调整参数,使光伏阵列在光照强度变化时有较好的动态特性和稳态性能.分别采用常规PSO算法和模糊PSO算法在相同条件下对系统进行仿真,结果表明所提出的算法在局部阴影条件下能快速跟踪外部环境变化,且准确地工作在最大功率点.     

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。     

采用改进PSO的LU循环分块优化算法

首先研究了LU循环分块算法,然后讨论了传统粒子群优化算法并针对用于循环分块方面的不足加以改进,最后把优化的粒子群优化算法用于LU分解算法之中,从而提出了1个PSO-LU循环分块算法.仿真实验结果表明,和原始基准测试程序相比,所提循环分块算法的性能有所提升,其更充分地提高高速缓存运算效率.     

一种改进PSO算法的电力系统无功优化方法

粒子群优化（PSO）算法是一种新兴的群体智能优化技术,其思想来源于人工生命和演化计算理论,PSO通过粒子追随自己找到的最优解和整个群的最优解来完成优化．该算法简单易实现,可调参数少,已得到广泛研究和应用．本文将粒子群优化算法应用到电力系统无功优化问题的研究中,给出了具体的实施流程．为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第3种极值指导粒子搜索方向．对IEEE-6节点系统的仿真计算结果表明了算法的有效性．     

基于改进PSO算法优化SVR的信息安全风险评估研究

为改善信息安全风险评价的精确度,利用改进的粒子群算法,提出了一种新的优化回归型支持向量机的信息安全风险评估方法。首先,通过模糊理论对信息安全风险因素进行量化预处理;其次,经过预处理后的数据输入到回归型支持向量机模型中;再次,利用改进的粒子群算法来优化和训练回归型支持向量机的参数,得到了优化后的信息安全风险评估模型;最后,通过仿真实验对该模型的性能进行验证。实验结果表明,提出的方法能很好地量化评估信息系统风险,提高了信息安全风险评估的精确性,是一种有效的评估方法。