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．     

粒子群优化算法在非线性模型预测控制中的研究应用

提出了一种基于粒子群优化算法(PSO)的非线性模型预测控制（NMPC）。作为NMPC重要组成的滚动优化部分对控制效果的好坏起着关键的作用,因而寻求一种可靠的优化算法十分必要。PSO算法是一种群集智能方法,通过粒子之间的合作与竞争及进化实现对多维复杂空间的高效搜索,属于一类随机全局优化技术,已成功应用于各科学和工程领域。本文在滚动优化部分应用粒子群优化算法来求解预测控制律,对非线性系统施加优化控制,此外,对常规线性递减加权因子ω策略进行了讨论,提出了非线性递减策略,可进一步缩短优化时间和优化精度。仿真实验效果良好,验证了这种优化算法的正确性和有效性。     

离散粒子群优化算法研究综述

粒子群优化(PSO)算法最初是基于连续空间的优化,然而现实世界中许多问题是离散的,近年来其离散化策略和方法受到广泛的关注.本文简要介绍PSO算法的工作原理和粒子更新机制、算法参数的分析与设置,详细介绍PSO算法的三种常见离散化策略的机理及其粒子更新机制,阐述离散PSO算法的应用成果,最后对其未来的研究方向进行展望.     

基于粒子群统计规律的PSO算法

粒子群优化（particle swarm optimization，PSO）算法是一类基于群体智能的全局优化算法，以其计算迅速和易于实现而得到广泛的应用．但作为一种进化算法，它在很多问题中却容易过早收敛，陷入早熟．这与粒子群采用单一的进化策略有关，因为过于单一的进化策略使粒子群整体上有一种趋同性．针对标准PSO算法的这个问题提出了一种改进方法，改进后的PSO-σ算法实质上是Kennedy讨论过的认知模型、社会模型和完全模型的混合算法．从算法的收敛性、准确性和稳定性等方面对这种改进的算法作了试验和分析，发现均优于标准PSO算法．     

多交界面热传导方程模型的数值解与参数估计

本文研究了多交界面热传导模型的数值解以及参数估计. 首先,本文运用有限差分法对传热方程和交界面条件进行离散化,将其转换为三对角型线性方程组.然后,基于追赶算法所给出的线性方程组数值解,本文建立了方程参数的非线性规划模型,并设计自适应粒子群优化算法（Particle Swarm Optimization,PSO）. 本文提出的自适应PSO算法对惯性因子实施一种自适应的非线性递减调整策略,以避免群体过早陷入局部极值、提升粒子的寻优精度. 最后,本文以仿真实验比较了自适应PSO算法、标准PSO算法及经典的非线性优化算法如AS（Active Set）算法,IP（Interior Point）算法和SQP算法在参数估计时的性能差异.     

基于粒子群算法的井眼轨迹优化研究

为了更优更快地对石油工程中的井眼轨迹进行优化,进行了基于改进粒子群优化(PSO)算法的井眼轨迹优化研究.通过对造斜率归一化,推导出目标函数表达式,将问题归结到对式中参数优化问题上来.引入PSO算法,在保持了PSO算法结构简单可行特点的同时,利用惩罚函数方法和叉乘控制项,对基本PSO算法易限入局部极小点周边区域的局限进行了改进.该井眼轨迹模型和相应算法提高了井眼轨迹优化速度.通过对钻井工程中轨迹参数的优化实践,验证了本算法优于基本的PSO算法,较好地实现了对井眼轨迹的优化.     

离散二进制粒子群算法分析

粒子群算法（Particle Swarm Optimization,PSO）主要用优化计算实值的连续性问题,而离散二进制粒子群算法（Binary Particle Swarm Optimization,BPSO）则用来优化离散空间问题,它扩展了PSO算法的应用,现已广泛应用到各种离散优化问题计算中,但目前对BPSO算法...     

多粒子群协同优化算法

提出一种多粒子群协同优化(PSCO)方法．PSCO是2层结构：底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快算法收敛．这些粒子群含的粒子数以及粒子状态更新策略不要求相同．为改善粒子群容易陷入局部极小的弱点,提出扰动策略,当1个粒子群的当前全局最优解未更新时间大于扰动因子时,重置粒子的速度,迫使粒子群摆脱局部极小．用Rosenbrock函数等3种基准函数做优化实验表明,PSCO性能优于经典PSO,FPSO和HPSO等算法．     

基于ACO及PSO的特征选择算法

在属性约简的进化算法中，算法时间存在复杂度高、搜索空间大等不足．为此文中引入最小冗余度的属性重要性后，提出一种基于蚁群优化（ACO）和粒子群优化（PSO）的进化特征选择算法，利用PSO算法的快速简洁等优点得到ACO的初始路径，以此减少迭代次数，加快算法的收敛速度；同时，利用蚂蚁之间的可并行性；采用分布式技术实现蚂蚁之间的并行搜索，改进了算法的效率．理论分析及实验结果表明，文中的算法是有效可行的。     

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．     

压缩搜索空间与速度范围粒子群优化算法

为了改善粒子群优化(PSO)算法的搜索性能,提出一种改进的粒子群算法CSV PSO算法·该算法在粒子群进化的过程中根据粒子群的最佳适应值动态地压缩粒子群的搜索空间与粒子群飞行速度范围;针对PSO算法可能出现的暂时停滞现象,引入分区重新初始化机制·数值仿真结果表明:随着粒子群进化,适当的压缩粒子群搜索空间与飞行速度范围,有利于加速算法收敛,提高收敛精度;该算法收敛速度更快,精度更高,运行更为稳定·     

基于PSO算法的PID控制参数优化

微粒群算法（PSO）是一种随机全局优化技术,算法通过微粒间的相互作用发现复杂搜索空间中的最优区域.但基本微粒群算法不能保证全局收敛,本文将改进的PSO算法（SPSO）应用于PID控制器的参数优化.经仿真证明PSO算法参数优化的有效性.     

基于改进粒子群算法的优化策略

为提高传统粒子群算法的搜索速度和搜索精度,提出了一种改进的自适应粒子群优化算法.将正则变化函数和慢变函数引入传统位置更新和速度更新公式当中,形成两种新的更新机制:搜索算子和开发算子.在算法运行的初始阶段,种群中大部分个体将按照搜索算子进行更新,搜索算子将有助于种群遍历整个解空间;随着迭代次数的增加,按照搜索算子进行更新的个体将逐渐减少,而按照开发算子进行更新的个体将逐渐增多,开发算子将有效地克服陷入局部最优解的问题.通过典型测试函数的仿真实验,新算法在加快收敛速度同时,提高了算法的全局搜索能力.     

采用多样性引导粒子群算法的干式空心电抗器优化设计

针对粒子群优化(PSO)算法易于早熟收敛的问题,提出了采用多样性引导的吸引-排斥粒子群优化(DGARPSO)算法,并应用于干式空心电抗器的优化设计中.该算法在吸引-排斥粒子群优化(ARPSO)算法中引入变异操作,即当进化群体多样性或个体极值群体多样性小于下限值时,以一定概率对粒子的位置进行变异,从而使得粒子在群体多样性很低时飞离群体的聚集位置,有效减少了PSO算法的早熟收敛现象,同时还比较了均匀变异、高斯变异和柯西变异对优化结果的影响.对50 kV·A干式空心电抗器的仿真结果表明,DGARPSO算法提高了全局搜索能力,比GA算法、PSO算法和ARPSO算法具有更好的寻优性能.     

基于CGWO算法的边坡最小安全系数全局寻优方法

针对基本灰狼算法存在初始种群不均匀、早熟收敛等问题,基于混沌理论从三个方面对灰狼优化(grey wolf optimization, GWO)算法进行改进,提出了混沌灰狼优化(chaotic grey wolf optimization,CGWO)算法用于确定边坡的最小安全系数.首先,采用改进Tent混沌映射提高初始种群多样性;其次,通过混沌扰动策略避免算法陷入局部最优;最后,引入参数混沌非线性调节机制均衡算法的全局开发和局部勘探算力.13个基准测试函数的仿真结果表明,改进后的算法与基本GWO,WOA,PSO以及SCA相比具有更强的综合寻优性能.选取ACADS边坡考核题进行计算分析,CGWO算法表现出较高的计算精度和收敛速度,能够有效地搜索到复杂分层边坡的最小安全系数.对比有限元强度折减法,该方法具有操作简易、搜索区域易于设置等优点.     

混沌粒子群算法及其在桁架结构优化设计中的应用

文章提出一种基于混沌思想的粒子群优化算法，它利用粒子群优化算法收敛速度快和混沌运动遍历性、随机性等特点，对标准粒子群优化算法进行了改进。在算法的初始化阶段，对粒子的位置混沌初始化；在算法运行过程中，对粒子的位置进行混沌更新和粒子群更新相结合的更新方式，使全局收敛与局部收敛达到一定平衡。将该算法应用于桁架结构的优化设计，与标准粒子群算法优化的结果相比较，混沌粒子群算法提高了对多维空间全局搜索能力，可有效避免早熟收敛现象。     

基于粒子群聚类算法的大坝安全监控模型

将粒子群算法与模糊聚类算法相结合,建立了基于粒子群聚类算法的大坝安全监控模型.该算法将分类矩阵作为粒子的编码形式,依据粒子的个体极值和全局极值,充分利用正反馈计算信息,自适应性地确定模糊分类矩阵和聚类中心.工程算例表明:粒子群聚类算法进一步提高了聚类算法的区间预报能力;对于高维优化问题,粒子的搜索过程比较复杂,该算法的收敛速度较慢.     

自适应逃逸动量粒子群算法的数据库多连接查询优化

为了提高数据库多连接查询的优化效率,针对粒子群算法存在的早熟、局部最优等缺陷,提出一种自适应逃逸动量粒子群算法的数据库多连接查询优化方法.该算法首先将遗传算法的交叉机制引入粒子群算法中,以保持粒子群的多样性,避免早熟现象出现;然后,引入动量算法平滑粒子搜索轨迹,加快粒子群的收敛速度;最后,将该算法应用于数据库多连接查询优化求解,以获得最优的数据库多连接查询方案.仿真结果表明,该算法提高了数据库查询效率,缩短了查询响应时间.     

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.     

基于改进微粒群算法的飞机纵向飞行轨迹优化

为提高飞机纵向飞行轨迹优化的精度和收敛速度,提出了用改进的微粒群算法对飞机纵向飞行轨迹进行优化的新方法。基于质点动力学和能量状态方程,建立了飞机质点运动数学模型;利用庞特里亚金最小值原理,给出了飞机纵向飞行过程优化的目标方程;引入自适应惯性因子,采用罚函数法对轨迹寻优问题进行无约束化处理,基于改进的微粒群算法对纵向飞行轨迹进行了优化,并给出了算法优化流程。使用改进的微粒群算法,得到了Boeing 737-800飞机纵向飞行最优轨迹。优化结果与试验结果的比较表明,该算法可使纵向飞行轨迹快速收敛于最优解,算法具有收敛速度快、精度高的优点。