基于增量式PID的改进粒子群算法

基于粒子群优化(PSO)算法的简单模型和增量式PID控制原理,引入PID增量算子和4个新随机因子,对标准粒子群优化(SPSO)算法进行了扩展.扩展粒子群算法(EPSO)提升了粒子自身认知能力和社会认知能力,增加了粒子共享的信息量,粒子在运动过程中更加智能化.4个新随机因子的引入,提高了种群的多样性,一定程度上克服了PSO容易陷入局部最优的缺陷,提高了PSO算法全局搜索能力.对6个常用目标函数进行优化仿真,结果表明EPSO算法较SPSO算法收敛速度显著加快,且不易陷入局部极值点.SPSO算法是EPSO算法的一种特殊情形;EPSO算法作为SPSO的扩展,可应用于所有SPSO求解的优化问题.     

粒子群算法改进策略研究

粒子群算法是在鸟群、鱼群和人类社会的行为规律的启发下提出的一种新兴的基于群智能的演化计算技术,是一种启发式全局搜索算法,通过群体中个体之间的协作和信息共享,通过迭代寻找最优解。由于粒子群算法中粒子向自身历史最佳位置和领域群体历史最佳位置聚集,形成种群的快速趋同效应,容易出现陷入局部极值、早熟收敛或停滞现象。基于此,对粒子群的改进进行了全面的分析和研究。     

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。     

共享历史最优信息搜索的粒子群算法

传统粒子群算法运行机理是通过粒子群全局最优和自身经验最优来搜索最优位置,不断迭代进化,以此趋近最优解,但该算法共享信息的局限性使其容易陷入局部最优.针对传统粒子群算法的不足,提出了共享历史最优搜索信息的粒子群算法.该粒子群体在搜索过程中,共享算法本次运行的种群个体历史最优信息、当前全局最优信息,及前几次运行过程中的种群个体历史最佳信息.通过5个经典函数的仿真实验测试,验证了该算法具有较强的全局搜索能力和收敛性.     

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。     

粒子群算法的改进与比较研究

针对粒子群算法(particle swarm optimization,PSO)"早熟收敛"和后期收敛速度慢的特点,文章提出了一种改进的PSO算法。该算法摒弃了近年来许多在改进过程中引入过量繁琐公式、各种变换因子而导致算法过程冗杂的粒子群改进方法,而是在简化PSO算法的基础上引入自适应局部搜索因子,在种群不变的情况下拓宽了搜索范围并提高了搜索精度,且在某些测试函数下寻优效果明显优于其他复杂的PSO优化算法。最后的测试实验表明,该文算法能避免早熟问题,有效地提高了算法的精确寻优能力。     

改进的自适应多目标粒子群算法

边界处理和全局最优引导者选择操作对多目标粒子群算法的性能有重要影响,在考虑不同操作方法特征的基础上,提出了改进的自适应多目标粒子群(multiobjective particle swarm optimization,MOPSO)算法.当算法陷入局部最优时,启用交叉变异操作;当算法收敛性停滞时,轮换修剪边界处理和指数分布边界处理操作;当算法多样性停滞时,轮换反比于拥挤距离和反比于控制粒子数目的全局最优引导者概率选择操作.标准测试函数以及柔性交流输电系统(flexible AC transmission system,FACTS)装置优化配置问题的仿真结果验证了所提算法的有效性.     

改进粒子群算法优化的非线性模型预测控制

针对带有有界随机扰动和概率约束的非线性模型预测控制的优化控律求解问题.采用引入粒子滤波重采样步骤改进的粒子群算法,并与粒子的变异操作相结合来求解非线性模型预测控制优化控制律的方法,提高了算法的收敛速度和控制效果.对概率约束的处理,采用对不满足约束的粒子进行有效替代的方法,进而得到满足概率约束条件的优化控制律.仿真结果表明了提出的改进粒子群算法用于优化求解非线性模型预测控制的优化控制律的可行性和有效性.     

多目标粒子群算法在智能组卷中的应用研究

针对现有组卷算法存在效率低、非全局最优等问题,提出一种改进的多目标粒子群算法.算法基于密度熵提出了最优解的保留策略及全局最优粒子的选取策略,选用大部分多目标进化算法常用的测试函数ZDT1、ZDT2和ZDT3验证了算法的收敛性和多样性.最后将算法应用于智能组卷中,实验结果表明,在试题库实体数量适中、分布合理的情况下,该算法的组卷质量和收敛速度都得到了明显的提高,所产生的试卷能够很好地满足各种组卷指标.     

求解背包问题的一种改进粒子群优化算法

针对0—1背包问题,提出了一种改进的粒子群优化算法。在物品规模增大时,该算法能够有效寻找全局最优解,提高背包的空间利用率,降低背包的空置率。通过仿真实验表明,改进的粒子群优化算法在背包问题求解中具有更好的收敛性和稳定性。     

基于公司效率的我国上市公司信用风险评估

在用随机边界法计算公司效率指标的基础上,利用logit回归分析法构建了信息技术业和医药生物制品两行业的信用风险评估模型。研究结果表明：公司效率对信用风险有较强的长期预测能力,说明企业在进行信用风险评估时要同时考虑财务指标和公司效率等非财务指标,增强财务预警机制的有效性。     

基于量子粒子群算法的无人水面艇路径规划

为了获得无人水面艇航行的最优路径,提高航行的安全性和航行路径的平滑度,提出一种基于量子粒子群优化的无人水面艇路径规划算法。首先,通过引入动态控制参数来提高该算法的寻优能力和搜索精度,并由测试函数验证其可行性;然后,在航行安全的前提下,以路径长度和路径平滑度为规划目标,在不同环境下对无人水面艇进行路径规划仿真实验。仿真结果表明,该算法在路径长度、路径平滑度及路径安全性方面表现较好,能找到全局最优路径。     

基于带扰动项粒子群算法的软测量建模

针对粒子群算法用于高维数、多局部极值点的复杂函数寻优时易陷入局部最优解现象,提出一种改进的带扰动项粒子群算法并进行收敛性分析。算法中引入进化速度因子,当粒子进化速度低于一定值时在粒子速度更新方程中添加扰动项使粒子逃离局部最优区而继续搜索。对几个复杂函数的寻优测试表明:改进算法的收敛速度、收敛精度和全局搜索性能均有显著提高。将本方法用于建立丙烯腈收率神经网络软测量建模,研究结果表明模型精度较高、泛化性能好,满足现场测量要求。     

基于多元统计的上市公司财务预警研究

伴随我国市场经济体制改革的深化和资本市场的快速发展,企业发生财务危机甚至破产的情形越来越多,因此及时准确地对财务危机进行检测及预报已成为上市公司重点关注的问题之一。运用因子分析、聚类分析和判别分析等多元统计分析方法,构建三种上市公司的财务预警模型,选取我国证券市场的30家样本公司,进行实证研究,结果表明判别分析模型具有最优的预警效果。     

我国中小企业板上市公司财务风险预警的探讨

分析了中小企业板上市公司的特点和风险,介绍了上市公司常用的财务风险预警方法,利用经济增加值(EVA)指标对中小企业板上市公司的财务风险进行了预警研究。     

对我国上市公司掏空的探析

分析了我国上市公司被大股东掏空的原因及掏空手段,阐述了上市公司被掏空的危害,提出了控制上市公司掏空的具体对策。     

上市公司财务状况分析的研究

投资者在进行财务分析时往往面临着众多的财务指标选择，增加了分析的难度。由此，需要对财务指标加以分类汇总。本文从实证角度，利用主成份分析法对上市公司财务状况进行分析研究。     

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.