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．     

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。     

基于对立学习的PSO算法研究

为进一步提高PSO算法的优化效率,加速寻优过程,提出基于随机对立策略的PSO算法,包括QOP-SO和QRPSO。这两种算法在种群初始化阶段采用随机对立学习方法,并在进化过程中用随机对立学习进行种群动态跳跃,以提高产生解的质量。利用6个测试函数对算法的效率进行检验,将其与标准PSO和OPSO算法进行对比,结果表明,新算法具有更快的收敛速度和更高的求解精度。     

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。     

混凝土不同深度裂纹对声发射波传播特性影响

为探究混凝土中不同深度裂纹对声发射波传播特性的影响,开展了不同深度裂纹的混凝土试件声发射试验,研究了不同深度裂纹对声发射波传播特性的影响,并进一步分析了不同深度裂纹存在对损伤信号的定位修正问题.结果表明：随着裂纹深度的增加,声发射信号的损伤变大,声发射波速降低.声发射低频段信号0～62.5 kHz能有效识别不同深度裂纹对声发射信号传播的损伤.基于不同深度裂纹对声发射信号的损伤变化规律,建立了考虑不同深度裂纹影响的修正波速关系模型,与传统时差定位方法相比,该方法对声发射源的定位更精确.     

混合PSO的快速细菌觅食算法

为了提高细菌觅食算法在高维问题的收敛速度以及精度,提出了一种混合PSO的快速细菌觅食算法(FBFA-PSO).该算法用粒子的移动代替了细菌的趋化操作,省略了细菌前进操作,保留了细菌的繁殖和驱散操作.基于6个高维Benchmark函数的试验结果显示,该算法收敛速度和精度都优于其它三种细菌觅食算法.     

飞行机组排班的赋值算法

目前各大航空公司发展迅猛,航班量大量增加,飞行人员紧缺。合理、科学地机组排班越来越引起重视,它不仅有效地缓解了飞行员紧缺的问题,并且提高了航班运行的安全性和准时性。本文介绍了国内航空公司普遍采用的机组排班的基本程序,重点阐述了机组排班问题的赋值选择算法,引入＂航班节＂概念,将一个具体的机组排班计划归结为搭配赋值、优化选择的模式,该优化结果不仅符合有关规定,且充分考虑了机组排班过程中的各种因素的影响,极大地提高了机组的工作效率。     

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。     

粒子群优化算法在TDOA定位中的应用

提出了接收端在空间随机分布时,利用粒子群优化算法解决TDOA定位估计中遇到的非线性最优化问题.针对TDOA定位方式,该算法首先初始化一个随机粒子群,然后根据适应度值更新粒子速度和位置,通过迭代搜索最佳坐标.仿真结果表明,在参数设定合理的情况下,该算法性能稳定,能找到逼近全局最优点的解,相对于其他算法精度更高.     

基于改进PSO算法的混合核SVM算法

提出一种基于改进粒子群优化（PSO）算法的优化混合核支持向量机（SVM）算法（ILPSO）, 解决了一般混合核SVM算法很难评定参数选择的问题. 该算法通过限定粒子的速度、 搜索空间和交叉算子等多种寻优策略加强其收敛特性, 得到了参数的最佳组合. 仿真实验表明, 该算法能更快速、 有效地获得参数的最优值.     

影响微震震源定位精度的主要因素分析

 微震震源坐标是微震监测最基本和最重要的参数之一,定位精度的高低直接影响着微震分析的结果。研究分析了微震震源定位精度的影响因素,台站误差,速度误差及由优化算法带来的误差。采用优化算法确定震源的坐标及震源事件的发生时间时,不同算法求解的源坐标值相差很大,为此,如何选取合理的优化算法意义重大。将麦夸特法(LM)、简面体爬山法(SM)、准牛顿法(QN)、最大继承法(MIO)、自组织群移法(SOMA)、麦夸特法与全局优化算法(LM-GO)、简面体爬山法与全局优化算法(SM-GO)、准牛顿法与全局优化算法(QN-GO)、最大继承法与全局优化算法(MIO-GO)应用到震源定位中,分析不同算法对震源定位精度的影响。研究发现单纯使用MIO、QN、LM很容易陷入局部最优值,选用时应慎重,联合使用全局最优算法可以显著提高定位精度。SOMA、SM-GO、MIO-GO、LM-GO计算结果较为稳定,定位精度高,建议在声发射源与震源定位时优先选用。     

惯性权值和学习因子对标准PSO算法性能的影响

基于标准PSO算法,通过分析惯性权值和学习因子2类参数不同的取值策略对常用测试函数优化结果的影响,来探究2类参数对算法性能的影响.实验结果表明,2类参数恰当的动态改变不仅能明显提高单峰函数的寻优精度和收敛速度,而且能提高双峰和多峰函数的寻优概率;惯性权值主要影响算法的收敛速度,随着惯性权值的递增,算法收敛速度逐渐加快;学习因子主要影响算法的寻优精度,当反映粒子的自我学习能力和向群体最优粒子学习的能力的学习因子同增同减变化时,寻优精度提高;惯性权值递增结合2种学习因子的同增同减变化,或惯性权值递减结合2种学习因子的一增一减变化,均可使标准PSO算法性能得到显著提高.     

基于OpenMP求解无容量设施选址问题的并行PSO算法

讨论无容量设施选址(UFL)问题,提出了一个基于OpenMP技术的并行多粒子群优化(PSO)算法.将整个种群分为若干子种群,同时利用局部信息来更新粒子速度,使得并行算法异步进行.算法运行一定代数后,每个子种群都会与其相邻种群交换最优粒子.通过将并行多粒子群算法对OR-library中的标准测试问题进行测试,并将计算结果与串行多粒子群算法的计算结果进行比较.相比之下,并行多粒子群算法执行时间短,特别对于大规模的计算问题,所得结果有更好的鲁棒性.     

拉索应力波传播速度与能量衰减特性试验研究

通过在单根钢丝、无张力索及张拉索上进行不同声源的声发射试验,分别获得了应力波在不同传播介质中的首波波速、能量衰减规律及频谱变化情况.结果表明:单根钢丝上的首波波速接近圆杆一阶纵波理论值,拉索中的首波波速则略小于钢丝;索中能量衰减,受张拉力影响,张紧的拉索能量衰减要远小于无张力索,实桥拉索可采用0.447这一实测能量衰减因子进行断丝源的能量反演.     

基于离散粒子群算法的城市物流节点选址模型

在考虑城市物流系统运行费用最小的基础上构建了城市物流节点的选址模型,使用离散粒子群优化算法对该模型进行求解,算例分析表明该算法计算效率较高且易于实现,在求解城市物流节点选址问题时可以快速搜索到问题的最优解,具有较高的达优率．     

加载速率对岩石声发射活动的影响

岩石声发射活动主要是由岩石内部裂纹的产生、扩展及断裂产生的。采用二维裂纹构形,动用断裂力学理论,导出了加载速率与裂纹扩展的关系。理论推导表明：对于岩石裂纹扩展产生的声发射活动,试验加载速率越大,裂纹越容易实现失稳扩展,声发射活动越强烈。试验证实了理论推导结果。     

基于PSO的气动人工肌肉驱动关节优化的研究

提出在气动人工肌肉驱动的关节系统中,存在一个最优关节设计,包括关节半径、肌肉附着点最优位置等,使得对同一系统输出转矩达到最优.通过分析气动人工肌肉静态特性模型,推导出关节静特性模型.改变气动人工肌肉的状态参数进行仿真,得到关节半径变化、肌肉附着点变化与关节输出转矩、收缩量之间的关系,并利用PSO计算出最优关节半径与肌肉附着点最优位置.此分析方法与结果对气动肌肉驱动的仿生手臂的结构设计起到有效的指导作用.     

基于PSO-ELM的建筑物爆破震动速度预测

 针对影响爆破震动速度因素之间复杂的非线性关系,利用粒子群算法（PSO）的全局搜索最优解原理和极限学习机（ELM）处理非线性关系能力,建立了爆破震动速度预测的PSO-ELM 模型。以某地区爆破震动实测数据为例,选取总药量、最大段药量、爆破点与监测点距离、建筑物所在地面震动速度和测点到地面的高度等5 个因素为输入变量,以建筑物震动速度为输出变量。结果表明,PSO-ELM 模型训练值与预测值,测试值与预测值的均方误差分别为0.18 和2.56,平均相对误差控制在6%以内,显示出该模型具有良好的训练精度和泛化能力。对比传统ELM 模型,PSO-ELM 模型不但提高了精度和泛化能力,而且降低了训练样本数和隐含层节点数变化对训练结果的影响,提高了模型的拟合能力,在类似预测工程中有一定的推广价值。     

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。     

基于混合粒子群算法的沥青转运车螺旋搅料器模型及仿真

 为解决沥青转运车螺旋搅料器搅拌特性建模困难的问题,运用人工智能理论建立了以螺距、叶片半径为输入,沥青混合料的离析率为输出的神经网络模型。为克服BP算法与粒子群算法（PSO）的缺陷,将L-M算法与PSO算法相融合的混合粒子群算法PSOLM应用于该神经网络模型的学习算法中。为避免PSOLM算法在全局最优值附近的搜索过程变慢,采用一种从PSO搜索到L-M搜索的启发式算法。仿真试验结果表明,与BP算法、PSOBP算法相比,该算法不仅对螺旋搅料器模型的精度和建模的效率有显著的提高,而且改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度,避免了PSO算法早熟现象的出现,为螺旋搅料器搅拌特性的建模提供一条新的有效解决途径。