基于自适应种群小生境算法的非线性系统辨识

针对传统神经网络非线性系统辨识算法存在收敛速度慢、易早熟、需人工设置网络结构及初始参数等问题,提出自适应小生境PSO非线性系统辨识方法。改进算法融合分层递阶算法和小生境PSO算法思想,联合优化网络结构及初始化参数,引入自适应灾变因子提高寻优精度。仿真实验表明,改进算法可提高辨识精度和收敛速度,能有效避免早熟现象,并可显著提高大空间、多峰值函数寻优效率。     

基于神经网络的一类非线性系统参数估计

基于Ｈｏｐｆｉｅｌｄ神经网络的神经计算原理，提出了一类非线性系统的参数估计方法：首先将系统参数估计问题转化为以系统模型残差平方和为目标函数的优化计算问题，然后利用连续Ｈｏｐｆｉｅｌｄ神经网络的神经计算估计待辨识参数．数字仿真结果表明，该方法不仅算法简单，而且估计精度高．     

基于聚类分析的改进微粒群算法

聚类分析是依据样本间关联的量度标准将其自动分成几个群组,使同一群组内的样本相似,而属于不同群组的样本相异的一种方法．在微粒群算法中由数量不等的粒子根据规则组合成不同的群体,所有的群体最终将会向着一个全局最优的位置运动．本文将通过改进微粒群算法的局部更新规则来改善算法的性能,根据由聚类半径确定初始聚类中心的方法将粒子群进行分类,然后运用该方法对所有粒子进行分类,初始化得到不同的粒子群体,最后对整个粒子群体进行优化得到全局最优解．     

单纯形微粒群优化算法的改进及其在优化PID参数问题中的应用

实现了对单纯形微粒群优化算法(SPSO)的改进.在利用单纯形法进行局部寻优的过程中,结合一维搜索中的0.618法选取压缩因子和扩张因子,将这一改进的方法应用在PID调节器的参数优化问题中,并进行了仿真实验.实验结果表明:改进后的单纯形微粒群优化算法的寻优过程更为完善,而且收敛速度更快.     

差分演化的微粒群算法

针对基本粒子群算法易陷入局部极小点、搜索精度不高等缺点,在算法改进方面引用差分演化算法的变异操作提出了差分演化的PSO算法,并用matlab仿真证明该算法的可行性。     

微粒群优化算法研究

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种启发式全局优化技术.通过介绍微粒群优化算法的原理、算法流程、算法参数及其对算法性能的影响,给出了各种改进的微粒群算法形式以及研究现状,归纳了微粒群算法的国内外应用进展及研究方向.     

基于自适应粒子群算法的重油热解模型参数估计

通过构造一个合适的目标函数,将化工模型参数估计问题转化为一个多维数值优化问题,然后提出一种参数自适应调整和维变异的改进粒子群优化算法来求解该问题。该算法首先利用佳点集方法初始化种群以保证粒子的多样性。惯性权重和学习因子随进化过程自适应调整,从而协调算法的全局和局部搜索能力。为了避免算法陷入局部最优,对收敛度最小的维进行变异。几个标准测试问题的实验结果表明该算法具有较强的全局寻优能力。最后将改进粒子群算法应用到重油热解模型参数估计中,并与基本遗传算法（SGA）和粒子群优化算法（SPS0）进行比较。研究结果表明：本文得到的平均相对误差为5．62％,比SGA和SPSO分别低1．08％和0．50％。     

基于Powell搜索法的简化微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部强搜索能力强等优点,在简化微粒群算法的基础上,结合Powell搜索法,提出一种新型简化微粒群算法—Powell-SPSO算法.改进算法将Powell搜索法融合在简化微粒群算法中,让Powell搜索法与简化微粒群算法进行交替搜索.同时微粒的迭代利用了Powell搜索法的强搜索能力,使得算法改善了简化微粒群算法因每个微粒采用相同迭代公式进行进化而造成的微粒间的弱差异性,避免了易出现早熟、搜索速度慢等缺点.仿真结果表明,与标准微粒群算法(PSO)、简化微粒群算法(SPSO)、文献[10]算法相比较,不论是对高维函数还是低维函数,改进的算法都能够有效地避免早熟问题,并能显著地提高收敛速度和收敛精度.     

小生境微粒群优化算法

将小生境技术引入到微粒群优化算法之中,设计出一种小生境微粒群优化算法。该算法除了始终赋予微粒生命力,还将位置重叠的差适应值微粒在搜索空间重新启动。通过对4个常用测试函数进行优化计算,仿真结果表明小生境微粒群优化算法比基本微粒群优化算法具有更好的优化性能。     

非线性系统参数估计的迭代Bayes方法

本文给出使用Ｂａｙｅｓ方法估计非线性系统模型参数的方法和计算过程，给出一种迭代使用Ｂａｙｅｓ方法的策略并讨论了非线性自回归模型的参数估计问题。     

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%。     

基于改进粒子群算法的轮胎模型参数两级辨识

为提高PAC89(Pacejka'89 tyre model)轮胎模型的辨识速度和辨识精度,采用加入自适应权重和自然选择性的粒子群算法,并将PAC89轮胎模型参数分为两级,依次进行辨识.以轮胎模型侧偏力曲线的辨识为例,轮胎模型中的刚度因子、形状因子、峰值因子、曲率因子、垂直和水平偏移率为一级参数,通过改进粒子群算法进行...     

基于粒子群优化算法的异步电动机动态模型参数估计方法研究

利用粒子群优化算法实现了对异步电动机动态模型的参数辨识和转矩估计。通过MATLAB建模仿真。结果表明电动机动态模型的辨识易受干扰,对于噪声敏感度较大;但在噪声适度范围内,能够比较有效的搜索到真实值,且搜索范围广,精度较高;通过多次辨识,并进行加权融合避免了某个参数陷于局部极值,增强了辨识结果的稳定性,有效地实现了转矩估计。     

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.     

改进的粒子群算法在求解条件非线性最优扰动的应用

通过对影响粒子群算法性能的两个关键因素进行改进,将一种改进的粒子群算法应用于条件非线性最优扰动(CNOP)的求解中,并与传统的基于梯度下降算法进行比较。比较数值结果显示,在非光滑情形下,传统的基于伴随模式提供梯度信息的SPG2求解出的CNOP绝大部分是局部的,只有少数是全局的。而改进的粒子群算法则在200次数值实验中均能够较好地求解出全局CNOP。     

基于惯性权值非线性递减的改进粒子群算法

针对粒子群优化算法中出现的收敛早熟和不收敛的问题,提出了一种基于自然选择和惯性权值非线性递减的改进粒子群算法,在算法迭代过程中,粒子边界速度采用最大速度非线性递减变化策略来限制,惯性权值非线性递减变化用于平衡种群粒子前期全局搜索与后期局部寻优的能力;为使种群在进化过程中保持多样性,在标准粒子群算法中引用二阶振荡策略使种...     

基于改进粒子群优化算法的Ontology划分方法

为解决规模巨大的Ontology难以使用的问题,提出了一种基于改进粒子群优化算法的Ontology自动划分方法.根据Ontology划分的要求,将概念落入某个子Ontology的概率作为粒子的速度,而将概念落入的子Ontology编号组成的数字串作为粒子,设计了粒子群优化算法的适应度函数,并给出了Ontology划分算法的具体步骤.最后进行了相关对比实验,结果表明,该方法具有比其它方法更好的划分效果.     

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.     

改进的粒子群算法

为了改善基本粒子群算法的搜索性能,针对粒子群算法随机性较强,收敛较慢的问题,提出了基于退火思想的改进的粒子群优化算法,新的算法更有利于粒子发现问题的全局最优解。通过对经典函数的测试计算,验证了方法的正确性和有效性。