基于微粒群本质特征的混沌微粒群优化算法

在总结对微粒群优化(PSO)算法本质的主要研究成果的基础上,提出了基于微粒群本质特征的混沌微粒群优化(CPSO)算法.该算法用混沌搜索方法代替随机数产生器在较好的区域搜索最优解.为了提高粒子群的多样性,用由粒子邻域内若干个个体最优位置依其适应值加权平均得到的中心位置代替标准PSO算法的全局历史最优位置.然后,根据粒子个体最优位置与上述中心位置间的距离自适应地调整混沌搜索区域半径.用几个经典测试函数的仿真结果及与其它几种PSO算法的比较结果验证了新算法的有效性.     

基于混沌变异粒子群优化算法的图像稀疏分解

提出了基于改进的粒子群优化（PSO）算法的匹配追踪算法,用于快速图像稀疏分解．改进的PSO算法利用尺度收缩混沌变异的精细局部搜索性能,使稀疏分解的匹配追踪算法具有良好的全局寻优能力,提高了稀疏分解在冗余字典中原子匹配的速度和准确度．用二维墨西哥草帽函数作为冗余字典的生成函数,以增强对图像边缘和轮廓的表达能力．仿真结果表明,用提出的算法实现图像稀疏分解比用遗传算法和PSO更快更有效,重建图像的视觉效果好．     

融入偏好信息的列车运行过程多目标优化算法

列车运行过程优化是一个多目标、大滞后、非线性的极其复杂的优化问题.为了更好地解决上述问题,以列车能耗、舒适性、停靠准确性和运行时间为控制目标,以列车运动动力学方程为约束,建立了列车运行过程的多目标优化模型,提出了一种融入偏好信息的列车运行过程多目标遗传粒子群算法.提出的改进策略具有以下优点,在融入偏好信息的基础上通过控制粒子群中个体在解空间的分布能够更好地保持粒子群多样性,从而在进化过程中具有更明显的全局收敛的指向作用.仿真得到的速度距离曲线表明,在列车及其运行线路相同的情况下,本文所提出的算法性能较佳、寻优结果较好.     

基于改进PSO算法的两阶段损伤识别方法

为解决结构多损伤情况下的位置识别和损伤程度判定问题,提出了一种基于改进粒子群优化算法和贝叶斯理论的两阶段损伤识别方法,该方法采用频率和模态应变能作为损伤定位源数据,分别用基于频率改变和基于应变能耗散率的识别方法进行损伤信息的初步提取,再利用贝叶斯融合理论对损伤位置进行较为精确的判定.然后,利用粒子群优化(PSO)算法对损伤位置和程度进行更为精确的二次识别.考虑到简单PSO算法易陷入局部最优解,提出了3种改进措施,即粒子位置突变、最优记忆粒子微搜索和双收敛措施.数值仿真结果表明:采用贝叶斯融合理论可以有效地识别出可能的损伤单元,在此基础上用改进的PSO算法可以更精确地识别损伤的位置和程度,同时采用3种改进措施的PSO算法的识别精度明显优于其他PSO算法和遗传算法.     

一种改进惯性权重的混沌粒子群优化算法

为解决粒子群算法(particle swarm optimization, PSO)在求解多维复杂问题时易陷入局部最优的问题,提出了一种改进惯性权重的混沌粒子群优化算法,算法中利用Sigmoid函数构造惯性权重的进化曲线,进化过程中利用Logistic混沌变换和群体适应度方差来实时调整惯性权重的值,防止陷入局部最优.最后选用6个基准测试函数对该算法进行性能测试,仿真结果表明该算法能够有效避免PSO算法的早熟收敛问题,得到较高精度的解.     

细菌觅食机制粒子群优化算法

针对基本粒子群优化算法易陷入局部极值的缺陷,提出了一种细菌觅食机制粒子群优化算法.其基本思想是在粒子群优化算法中引入细菌觅食行为机制,提高PSO算法跳出局部极值的能力,借以改善PSO算法的寻优性能.采用标准测试函数的实验结果表明,该算法在收敛速度和求解精度方面均有显著改进.     

基于改进PSO算法的磁浮列车PID控制器参数优化

为减小磁浮列车气隙控制中非线性的影响,将粒子群优化(PSO)算法用于磁浮列车控制器参数优化,并在线性递减权重粒子群算法的基础上,提出了一种改进的粒子群优化算法.算法采用了邻域结构、停滞检测以及对全局最佳粒子的微扰,以改善算法的优化速度和收敛性.仿真和实验结果表明,将改进算法获得的优化参数用于磁浮列车的比例积分微分(PID)控制器,比原有PID控制器的输出超调减小45%.     

基于个体最优位置的自适应变异扰动粒子群算法

针对粒子群算法在寻优时容易陷入局部最优的不足,提出了一种基于个体最优位置的自适应变异扰动粒子群算法AMDPSO (adaptive mutation disturbance particle swarm optimization).该算法以粒子群算法为基础,加入扰动,当满足自适应条件时,粒子以个体最优位置为依据进行变异操作.将该算法运用于6个测试函数,并与惯性权重粒子群算法、收缩因子粒子群算法以及差分进化算法进行了比较,结果表明:AMDPSO能在寻优过程中让粒子跳出局部最优,保持种群多样性,具有更好的收敛速度和优化性能.      

一种新的双种群PSO-DE混合算法

给出一种新的粒子群算法和差分进化算法相结合的混合算法.该算法基于一种双种群进化策略,其中一个种群由粒子群算法进化,另一种群由差分进化算法进化.此外,采用一种信息分享机制,在算法的进化过程中2个种群中的个体可以实现协同进化.为了进一步提高混合算法的性能,在差分进化算法中融入一种线性递减加权策略的变异操作和指数递增交叉概率算子.通过4个标准测试函数的测试结果表明文中提出的混合算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法.     

具有动态调节机制的多粒子群改进算法及应用

针对标准粒子群算法(standard particle swarm optimization,SPSO)的稳定性较差及易陷入局部收敛等缺陷,将粒子群体划分为多组粒子群,提出了一种子群粒子和其产生的精英粒子分两步协同进化的方案,采用混沌、高斯动态扰动粒子位置及云正态模型自适应动态调整惯性权重等动态调节机制优化粒子飞行轨迹,促进粒子又快又好的向群体最优目标飞行,以改善SPSO算法的全局寻优性能并提高多目标优化问题的多样性.采用新颖的误差适应度函数设计了FIR高通数字滤波器,并与基于RGA、PSO、CRPSO及典型Parks-McClellan算法的滤波器进行了对比与分析.仿真实验表明:基于具有动态调节机制的多粒子群改进算法及目标函数设计的滤波器,具有通带波动小,阻带衰减大的优势.