基于免疫粒子群算法的飞行控制器参数寻优

提出了一种免疫粒子群混合优化算法.该方法将免疫算法中的基于浓度的抗体繁殖策略与粒子群优化算法相结合.对浓度低的粒子进行促进,对浓度高的粒子进行抑制,因而保持了粒子的多样性,克服了PSO算法易于陷入局部最优点的缺点,寻优速度快.将该方法用于飞行控制器的参数优化设计.仿真结果表明：使用该方法进行参数优化设计获得了优良的飞行控制效果,能够较大地提高飞行控制器参数的设计效率.     

基于粒子群的控制器参数模糊规则自动提取

设计一种移动机器人轨迹跟踪控制器并利用Lyapunov稳定性定理证明了该控制器的全局稳定性。针对人为设定该类控制器参数工作量较大,根据移动机器人跟踪控制过程的非线性本质,提出了一种采用模糊非线性参数的跟踪控制方法。在无先验知识的前提下,利用粒子群算法自动提取控制器参数的模糊规则基。设计一种动态群体的粒子群方法,使得种群的多样性得到保证,减少局部收敛的可能,同时又不会对已有种群的模式造成巨大破坏。对比实验验证了该方法的有效性。     

基于改进粒子群算法的卫星数传任务调度

建立了卫星数传任务调度模型,讨论了约束条件和调度目标.设计了一种自适应规模粒子群算法,该算法采用基于星地可视时间窗的十进制编码,各粒子编码表示不同可视时间窗内可分配数传作业的概率.在迭代过程中根据粒子群整体差异度动态调整种群规模,删除部分差异度小的粒子,同时增加新粒子以保证种群多样性.通过实例仿真表明,自适应规模粒子群算法在解决卫星数传任务调度问题中具有调度结果优、收敛速度快等优点,并对算法的控制参数取值进行了分析.     

改进的粒子群算法求解Van Genuchten方程参数

Van Genuchten模型是研究土壤水力学性质应用最广泛的模型.运用该模型的关键是4个参数的求解.为了精确地求解这些参数,提出一种基于动态邻居和局部搜索的粒子群算法(DNLPSO).该算法具有如下特征: 根据粒子的运行, 为每个粒子动态的构建邻居;每个粒子的速度不是由它的邻居中最好运行的粒子来调整,而是由它的所有邻居共同调整; 引入拟牛顿(Quasi-Newton)算法来提升局部搜索能力, 以加快收敛速度.实验结果表明DNLPSO求解Van Genuchten模型参数的精度高于其他方法.     

基于最优评价的改进自适应粒子群算法

在求解高维空间中复杂多峰函数的优化问题时,传统的粒子群算法在收敛速度和局部搜索能力等方面表现出严重不足。针对这些问题,提出了一种基于最优评价的改进自适应粒子群算法(IAPSO),引入了改进的速度迭代公式,利用对每次迭代后种群的一系列最优值的评价来控制惯性权重的增幅,并设置对速度和位置的变异机制来防止搜索陷入局部最优。相关实验表明,在对高维空间中的复杂多峰函数进行优化求解时,改进粒子群算法IAPSO的表现比常规粒子群算法更加优越。     

基于改进粒子群优化极限学习机的弹丸参数辨识

针对随机产生输入权重和隐含层神经元阈值导致利用极限学习机辨识弹丸气动参数时会出现辨识结果发散问题,本文将粒子群算法与极限学习机结合,并且引入自适应更新策略以及粒子变异策略,提出了一种自适应变异粒子群优化极限学习机算法。该算法利用自适应变异粒子群算法寻优产生极限学习机的输入权重和隐含层阈值,有效改善算法性能。仿真实验表明,利用自适应变异粒子群优化极限学习机算法辨识弹丸气动参数,精度高、收敛速度快,能够充分满足实际工程需要。     

粒子群算法稳定性的参数选择策略分析

在对标准粒子群算法位置期望及位置方差进行稳定性分析的基础上,研究加速因子的取值对位置期望及位置方差的影响.从提高系统稳定性的角度考虑,建议个体认知加速因子为1.85,社会认知加速因子为2,通过五个经典测试函数与Kennedy提出的设定两个加速因子均为2的建议做比较.大量实验统计结果表明对于同一种算法本文建议的参数设置在寻优速度和方差上均优于Kennedy提出的参数设置,更有利于工程应用.     

基于混沌PID参数寻优的伺服系统控制方法研究

利用混沌运动遍历性和随机性的特点,对PID控制器进行参数寻优。在满足系统稳定前提条件下,通过利用混沌运动的粗寻优和细寻优,最终可以找到性能指标最小的一组参数。把这组参数就作为PID控制器的主要参数。仿真结果证明此方法可以快速稳定地实现PID参数寻优整定,而且所得参数的控制效果与传统参数整定方法相比在响应时间、超调量等方面效果更好。     

基于粒子群优化算法的自抗扰控制器设计

针对自抗扰控制器参数难以整定的问题,提出了基于粒子群优化算法的自抗扰控制器优化设计方法。该设计方法的实质就是选择合适的适应度函数,利用粒子群优化方法对自抗扰控制器的可调参数进行优化。设计方法运算简单,易于实现。对某炮控伺服系统的仿真研究表明,这种方法是可行的。     

动态环境下分布式自适应粒子群优化算法

针对现有粒子群算法的不足,提出一种基于微粒自身信息的环境变化检测方法,同时采用分布式处理模式,通过激活粒子群中的停滞粒子适应环境变化,不仅降低了的算法复杂度,而且提高了算法对复杂环境的自适应能力.对于有界连续函数,证明新算法能依概率收敛于全局极小点.应用抛物线函数和Rastrigin函数构造的复杂动态环境对该算法进行验证,并同APSO、D-PSO算法进行了对比.实验结果表明,在复杂的动态环境中,DAPSO算法具有更好的适应性.     

基于PSO的SVR参数优化选择方法研究

支持向量回归机(SVR)模型的拟合精度和泛化能力取决于其相关参数的选取,因此提出了基于粒子群(PSO)算法的SVR参数优化选择方法;并以不同噪声影响下的sinc函数和实际发酵过程产物浓度的SVR模型为对象,将提出的PSO优化参数方法与现有的交叉验证法、留一法进行比较。仿真结果表明:该PSO优化SVR参数方法可行、有效,由此得到的SVR模型具有更好的学习精度和推广能力。     

基于PSO在线优化的多模型自适应动态矩阵控制

针对常规的自适应动态矩阵控制算法,在实际被控对象的模型参数发生突变时,系统的瞬态响应较差,提出了基于PSO在线优化的多模型自适应动态矩阵控制方法。对一类含跳变参数的单输入单输出离散时间被控对象,在模型参数范围未知情况下,以自适应模型参数为依据,经规则判断后通过所提出的基于双群体深度搜索的粒子群优化（PSO）算法在线优化自适应模型参数,并通过所定义的模型相似度自动建立多个固定模型。通过指标切换函数找到当前最优控制器。仿真结果表明,该方法明显优于常规的自适应动态矩阵控制算法,说明了该方法的有效性和可行性。     

求解动态优化问题的分叉PSO算法

近些年来,求解动态环境中的优化问题已经逐渐成为进化计算领域的一个新的研究热点。为了改善一般PSO算法求解这种动态优化问题的能力,现提出了一种采用分叉策略的多粒子群PSO算法。该算法能够利用一个较大的主粒子群不断搜索问题适值曲线上新的峰,而利用从主粒子群中分离出来的若干个较小的子粒子群去跟踪已经发现的峰的变化。通过对一组标准动态测试函数的实验,能够证明所提出的算法在动态环境中具有较强的鲁棒性和适应性。

Abstract：

Recently,there has been increased interest in evolutionary computation algorithms applied into dynamic environments since many real-world optimization problems are time-varying.Inspired by a forking mechanism,a new multi-swarm optimization algorithm （Forking PSO,FPSO） was proposed to enhance simple PSO’s search in dynamic landscape.In FPSO,a larger main swarm is continuously searching for new peaks and a number of smaller child swarm,divided from main swarm,are used for tracking the achieved peaks over time.Experimental study over a benchmark dynamic problem suggests that the proposed algorithm has much stronger robustness and adaptability in dynamic environments.     

基于混沌粒子群优化算法的翼伞系统轨迹规划

研究灾难环境下翼伞空投机器人系统轨迹规划问题,基于简化的翼伞系统质点模型,采用混沌粒子群优化算法对翼伞系统归航轨迹进行寻优。该方法采用非均匀B样条技术实现最优控制规律的参数化,将翼伞系统轨迹规划的最优控制问题转换成参数优化问题,进而运用混沌粒子群优化算法进行寻优计算。轨迹规划的控制曲线是光滑的,利于电机对翼伞系统的操纵伞绳实施控制。仿真结果表明,该方法对翼伞系统的轨迹规划控制是有效的。     

基于改进PSO算法的连铸二冷过程优化仿真

连铸小方坯二冷过程优化是在实现二维传热建模和数值求解的基础完成的。冶金准则的多目标性,模型数值离散化大的计算量以及凝固相变存在引起模型求解的非线性,导致传统优化方法搜索效率低下。采用粒子群算法优化连铸二冷过程。为加强局部搜索能力,引入混沌序列对陷入局部极小点的惰性粒子重新初始化,在迭代中产生局部最优解的邻域点,帮助惰性粒子逃离束缚并且快速搜寻到最优解。仿真结果表明,改进的PSO算法有更好的搜索效率,取得了较好的效果。     

面向仿真优化的粒子群算法计算模型

粒子群优化算法（Particle Swarm Optimization,PSO）是群集智能的典型代表,其参数较少且操作简单,故一直是智能优化算法研究应用的热点。然而PSO有易早熟和搜索精度不高的缺陷,针对此弊病,在基于仿真的优化（Simulation Based Optimization,SBO）思恕体系下,融合人工生命、基于Agent的升算和计算智能,提曲面向SBO的PSO计算模型,茅籽PSO的系统研宄和算法改庭抽象力一含大规模纽合优化问题的求解。最后利用一系列benchmark函数进行了仿真优化实验,取得了较好的结果,从而论证了本思想方法的可行性与可信性。     

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.