粒子群优化算法中粒子更新方法研究

粒子群优化算法是根据鸟或鱼群居社会行为而提出的随机优化算法,但标准粒子群优化算法存在早熟收敛和搜索精度低等问题.因此模拟生物克隆选择中5%的B细胞自然消亡过程,在粒子群优化算法进化过程中分别基于代间差分、混沌理论、变异原理等方法设计了8种粒子更新算法,并按照模拟退火方法进行更新后粒子的选择.通过数值实验得出基于代间差分和混沌变异的粒子更新算法(即算法8)是一种很好的选择,并且当性能较差的20%左右粒子按照这种算法更新时效果较好.这种算法可以有效克服标准粒子群算法的早熟现象,并能够加快收敛速度.     

基于多目标混沌云粒子群算法的泊位-岸桥分配研究

为了提高集装箱港口泊位-岸桥分配效果和优化效率,以集卡运距和船舶在港时间最小为优化目标,建立了多目标离散泊位-岸桥分配模型,利用混沌云粒子群算法对泊位-岸桥分配模型进行求解,开发了粒子可行-整数化处理模块,内嵌于混沌云粒子群算法进化中,制定了粒子编码规则,设计了多目标函数的粒子历史极值和全局极值的计算方法,提出了基于混沌云粒子群优化算法求解多目标离散泊位-岸桥分配模型的新方法,数值算例结果证明了该模型和算法的可行性和实用性。     

一种新型图像匹配方法在视觉导引 AUV 对接中的应用

针对视觉导引AUV对接过程图像的变化特点,提出一种量子粒子群算法与灰度关联分析方法相结合的图像匹配算法。此算法结合量子粒子群并行搜索的快速性与灰色关联分析方法较强的鲁棒性,对旋转、平移、亮度变化等不敏感,符合视觉导引AUV对接过程中对图像匹配算法的要求。详细介绍了基于量子粒子群优化算法的图像匹配算法,算法以图像灰度直方图的灰色绝对关联度作为适应度函数。利用水池实验所得图像进行测试,实验结果显示,所提出的图像匹配算法准确、快速、鲁棒性强,能够很好地应用于视觉导引AUV对接。     

基于OIPSO算法的环境最优动力定位控制器设计

环境最优动力定位控制是一种以能量消耗最少为目标的动力定位控制方法,在不需要任何环境传感器的情况下,使其保持在设定区域且消耗能量最少,节约燃料、减少有害气体的排放。首先,提出一种带有目标性初始化粒子群的改进粒子群优化算法(OIPSO),通过引入混沌算子,利用信息熵进行评估对初始化粒子种群进行调整以提高粒子群算法全局搜索能力和收敛速度,具有大范围全局寻优能力。其次,研究设计环境最优艏向控制器控制律,该控制律能满足欠驱动船舶动力定位的控制需求。最后以Cyber Ship Ⅱ动力定位模型船为对象进行仿真验证。结果表明,所提出的寻优算法和改进控制律达到了设计的目的。     

基于量子行为粒子群算法的可测试性设计方法

将量子行为粒子群算法用于复杂电子设备测试点选取问题中.该算法以最少的测试点、测试代价和最大的故障隔离率、检测率为目标定义粒子适应度函数,保证了算法的全局最优性能.仿真结果表明,与其他算法相比,量子行为粒子群算法提高了测试点选取的效率,能较好的保证其算法全局最优性能,为粒子群算法的改进和多目标优化问题提供了新的思路.     

粒子群优化算法在海底地形导航中的应用

海底导航技术随着深海测量技术的不断进步,得到了迅速的发展,逐渐成为各国研究的热点方向。传统的地形匹配算法由于海底地形的特殊性等因素,普遍存在复杂度高、匹配误差大等问题。本文研究了常规粒子群算法,将平均Hausdorff距离和混沌局部搜索引入粒子群算法中,有效降低算法复杂度,同时提高STAN的定位精度和计算速度,并给出仿真结果。     

改进粒子群-BP物联网络算法的PSC选船模型

港口国监督管理(PSC)在保障船舶安全、保护海洋环境、提高运营效率等方面发挥着越来越重要的作用。如何提高PSC选船效率和质量是行业研究的重点。粒子群算法是一种通过迭代搜索最优解的进化算法。BP神经网络是一种具有自主学习能力的多层前馈网络。本文研究粒子群算法原理,从惯性权重和压缩因子两方面对粒子群算法进行改进,结合BP神经网络算法,提出基于改进粒子群-BP物联网络算法的PSC选船模型,提高了选船效率和质量。     

粒子群算法在单矢量水听器方位估计中的应用

粒子群优化算法是一种新颖的进化算法,它基于群体迭代.群体中的粒子在解空间中追随适应度最优的粒子,调整速度与位置并搜索最优解.根据MUSIC算法的定向原理,建立适应度函数,利用粒子群算法对单矢量水听器方位估计算法进行优化.结果表明,优化后可以提高低信噪比时方位估计的精度,并实现对目标的三维定位,同时还可以避免因成阵所带来的使用限制.     

一种基于自适应进化策略采样的粒子滤波算法

提出了一种自适应进化策略算法(AES),该算法利用适应度值控制变异步长的自适应调整,从而提高了进化策略的搜索效率和精度。将AES算法和粒子滤波(PF)相结合,提出了基于自适应进化策略采样的粒子滤波算法(AESPF)。该算法将AES应用于粒子重采样,以保证粒子的有效性和多样性。通过仿真计算表明,提出的算法可以有效提高滤波性能。     

圆形微带天线谐振频率的混沌粒子群神经网络集成建模

谐振频率是微带天线设计过程中最重要的一个参数，直接决定设计的成败．本文提出二进制粒子群优化算法的选择性神经网络集成方法，通过粒子群优化算法合理选择组成神经网络集成的各个神经网络，使个体间保持较大的差异度．为有效保证粒子群优化算法的粒子多样性，在迭代过程中加入混沌变异．基于该混沌粒子群算法的神经网络集成对圆形微带天线的谐振频率进行建模．仿真试验表明，混沌粒子群优化算法是组合优化权值的有效方法，可以有效提高神经网络集成的泛化能力，基于该算法所建立的圆形微带天线的谐振频率模型好于此问题的已有结论．     

粒子群优化算法在电力控制系统中的应用

粒子群优化算法在电力控制系统中的应用,能够在复杂搜索空间中寻求最佳优化区域,提高整体系统控制反应速率。利用粒子群优化算法控制系统变量参数,优化系统无功函数目标后,在满足系统运行需求条件下,实现调度结构。最后通过计算得到压协调控制最优值,从而完成整体电力控制系统优化。通过仿真实验,对比改进电力控制系统与常用混沌优化电力控制系统的控制反应速率,证明优化有效性。     

基于迭代局部搜索和自适应粒子群优化的SVM短期负荷预测

为了能够进一步的提高船舶电力负荷的预测精度,针对SVM模型在负荷预测中存在的参数选取问题,该研究提出了一种新的参数优化算法:基于迭代局部搜索和自适应粒子群优化的组合算法。自适应粒子群算法提高了传统粒子群算法的收敛速度,引入的迭代局部搜索思想,配合新的极值评价标准能够很好的解决粒子群算法容易陷入局部最优的问题。仿真结果表明,利用新的参数优化算法使得SVM预测模型的精度得到了很大的提高。     

利用混沌粒子群算法进行船舶多模型自适应观测器参数寻优

通过混沌粒子群算法,人们能够对各种复杂的配电网状态进行监控和分析,同时为网络负载的分配提供必要的参数优化,因此在船舶多模型自适应观测器中,采用混沌粒子算法的优化算法具有很大的现实意义。本文首先建立混沌粒子群的观测器模型,然后根据各种船舶故障发生的特点,设计不同状态下的参数优化算法,最后通过对观测器相关参数的仿真,得到船舶模型承受的负载和压力参数仿真结果。     

基于AQPSO算法的圆碟形水下滑翔机路径规划

为解决复杂海洋环境影响下圆碟形水下滑翔机的路径规划问题,采用多黏性Lamb涡叠加方法模拟洋流环境模型。以最小能量消耗为优化目标,结合B-spline方法生成光滑的曲线路径,采用自适应性基于量子行为的粒子群优化算法对圆碟形水下滑翔机的路径选择进行优化求解。将该算法与粒子群优化算法和基于量子行为的粒子群优化算法相对比,仿真结果验证了各算法在求解航行路径问题方面的有效性。此外,基于能耗最优原则分析各算法的适用性。     

海上导航路径中的微分进化算法研究

通过分析传统微分进化算法的优缺点,提出基于邻域变异的微分进化算法,在算法设计时利用全局最优向量和局部最优向量的结合形成最终的变异向量,并且在算法中加入抖动因子来增强其搜索查找能力。将此算法应用到海上导航路径规划中,实验证明本文所设计的算法与传统的DE/best/1和DE/target-to-best/1相较,收敛速度慢,稳定性强。     

绿色能源双体无人艇艇型综合优化分析

为了实现绿色能源双体无人艇的艇型最优设计,本文对艇型设计的多目标策略和智能优化算法进行研究。首先综合考虑太阳能和风帆以及快速性、操纵性、耐波性和抗倾覆性四大性能对艇型设计的影响,建立综合优化数学模型;然后基于遗传算法改编的综合优化设计软件确定总目标函数最优情况下的遗传次数、种群规模、变异概率和交叉概率;最后采用外部分层策略对遗传算法结合粒子群和混沌算法,进行了混合算法的比较分析。结果表明,相比于单一遗传算法,混合算法的优化效果更好,且在不同载波概率情况下,遗传算法+粒子群算法的优化效果均为最佳,外部分层策略可以有效提高寻优效果。     

自适应粒子群优化的船舶动力定位云模型控制器设计

云模型控制理论是智能控制学科的新兴领域,因此如何扩展云模型的应用范围并使其走向工程化实用化成为云模型理论的研究重点。针对船舶运动模型具有不确定性和外部扰动随机性等特点,而云模型具有兼顾模糊性和随机性的特质,尝试将云模型应用于船舶动力定位的控制过程。为解决云模型控制器参数难以整定的问题,提出基于自适应粒子群优化算法的云模型控制器设计方法。仿真试验证明了云模型控制和粒子群优化的可行性和有效性。     

绿色能源双体无人艇艇型综合优化分析

为了实现绿色能源双体无人艇的艇型最优设计,本文对艇型设计的多目标策略和智能优化算法进行研究。首先综合考虑太阳能和风帆以及快速性、操纵性、耐波性和抗倾覆性四大性能对艇型设计的影响,建立综合优化数学模型;然后基于遗传算法改编的综合优化设计软件确定总目标函数最优情况下的遗传次数、种群规模、变异概率和交叉概率;最后采用外部分层策略对遗传算法结合粒子群和混沌算法,进行了混合算法的比较分析。结果表明,相比于单一遗传算法,混合算法的优化效果更好,且在不同载波概率情况下,遗传算法+粒子群算法的优化效果均为最佳,外部分层策略可以有效提高寻优效果。     

基于遗传算子的粒子群算法在战场频率分配中的应用

为了对战场频率进行分配,提出了一种基于遗传算子的粒子群分配算法。首先介绍了基于干扰最小的频率分配数学模型,然后提出了基于遗传算子的粒子群分配算法,仿真实验表明了模型及算法的可行性。     

基于"stretching"技术的粒子群优化算法

粒子群优化算法是一种随机的全局优化搜索方法。本文系统的介绍了粒子群优化算法和"Stretching"技术并提出了基于"stretching"技术的粒子群算法,然后用标准测试函数对新算法进行了实验。实验结果表明新算法在解的收敛性和稳定性等方面优于基本的粒子群优化算法。