一种半潜式支持平台靠泊路径跟踪控制方法

针对PSO算法在应用到路径跟踪时，容易陷入局部最优的缺陷和惯性权重调节机制的局限性，提出基于粒子进化率的改进IM-PSO优化算法。该算法一方面利用粒子的进化率及时调整粒子的惯性权重，提高算法的搜索速度；另一方面利用免疫系统的免疫机制增加粒子的多样性，提高PSO算法摆脱局部最优的能力。选取北海型半潜式支持平台作为工程案例，在北海真实海况下进行靠泊路径跟踪控制的仿真分析，对PID路径跟踪控制器参数进行优化。仿真结果表明，与标准PSO优化方法相比，该方法优化的靠泊路径跟踪控制器的稳定性更高，提高了运算效率，收敛精度更高。     

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。     

基于粒子群算法的起重船扒杆结构优化设计

基于Isight优化软件和通用有限元软件,以扒杆重量为目标函数,采用粒子群算法（PSO）和遗传算法对某起重船扒杆结构进行了优化设计,并讨论了PSO算法的稳定性。通过对两种算法优化结果的比较分析表明,PSO算法优化效果好,收敛速度快,且计算稳定性高,验证了PSO算法在工程船舶结构优化设计中的有效性。     

基于变异田口算法的阵列天线方向图综合

针对智能优化算法在处理天线阵列综合问题时收敛速度慢、计算次数过多的缺点,引入了田口算法（ Taguchi meth-od, TM）,设计了一种基于变异机制的田口算法（ mutation-based Taguchi method, MTM）。变异田口算法利用变异算子产生参数水平值,同时采用自适应内循环机制,既能多样化搜索空间,又能控制算法迭代次数。仿真结果表明：变异田口算法性能可与粒子群优化算法（ particle swarm optimization, PSO）相比拟,并且计算量大大降低。采用变异田口算法对阵列天线方向图进行了综合设计,能够实现低旁瓣和零陷的目标。     

应用基于MPI的混合粒子群算法的三维水翼优化设计

提出一种三维水翼的优化设计方法.方法应用混合粒子群算法(HPSO)与边界元法相结合进行三维水翼的优化和性能计算工作、应用多级罚函数法解决水翼设计这一多约束、多变量的优化问题.基于免疫理论和惯性权值非线性递减策略的混合微粒群算法,能够有效抑制算法早熟收敛,平衡全局和局部搜索能力.优化设计过程中,水翼的剖面形状、攻角及展弦比作为设计变量,给定的压力分布形式、升阻力系数作为设计约束或设计目标.混合粒子群算法通过划分子种群、应用基于MPI通信机制的并行计算来实施,最大限度减小了计算时间.设计算例表明了文中提出的三维水翼优化设计方法收敛速度快、计算时间短、有效可行.     

基于智能单粒子算法的复杂边坡最危险滑动面搜索

如何确定复杂边坡的最小安全系数是边坡稳定性分析中的一个关键问题。文中采用一种新的启发式全局优化算法——智能单粒子算法(ISPO)来搜索复杂边坡的最危险滑动面。通过复杂边坡算例的计算,表明本文提出的优化算法具有计算精度高、稳定性好、收敛速度快的特点,具有较好的全局搜索能力。     

混合粒子群算法及其优化效率评价

为克服粒子群算法后期搜索效率降低的缺陷,利用直接搜索法的局部搜索能力,提出一种求解优化问题的混合算法(SPSO-DS)。用一个具有代表性的测试函数进行了仿真实验,结果表明该方法效果显著,明显提高了优化计算效率。本文将“平均截止代数”和“截止代数分布熵”作为评价指标,对SPSO-DS的优化效率进行定量的评估,通过与其他粒子群算法进行比较,进一步说明了SPSO-DS的优化效率。     

基于差分粒子群算法的都江堰典型灌区水量优化配置

文中首先对差分粒子群（PSO-DV）算法进行了详细介绍,用4个标准测试函数测试其优化性能,并与PSO和DE算法进行比较,结果表明PSO-DV算法是一种求解精度更高的全局优化算法。然后基于灌区整体经济效益函数和供水约束条件,利用PSO-DV算法构建模型,对东风渠灌区的农作物种植面积进行优化配置,并通过作物灌溉定额反推需水量实现了灌区总水量的合理调配。该方案通过模拟运行取得了预期效果,为都江堰灌区水资源优化调度提出了一种新的思路和方法,以供相关部门参考。     

基于粒子群优化支持向量机的水面无人艇故障诊断

通过故障诊断可以对水面无人艇可能要发生的故障进行预报、分析和判断，从而及时调整控制策略以抑制故障的继续发展，为消除故障、维修设备提供准确的技术支持.SVM是基于统计学习理论的一种机器学习方法，常用于故障诊断，在解决小样本、高维度、非线性模式识别问题中有独特优势.SVM分类的准确率由其属性参数直接决定，而最佳的属性参数往往很难直接得到.基于粒子群优化SVM(PSO-SVM)的水面无人艇故障诊断方法，即将粒子群优化算法(PSO)用于SVM属性参数的优化选择中，充分发挥了PSO算法的全局搜索能力和易于实现的优势.水面无人艇故障诊断实例分析结果表明，PSO-SVM的故障诊断精度高于BP-NNs、GS-SVM、GA-SVM。PSO-SVM适用于水面无人艇故障诊断.     

多峰函数优化问题的改进演化算法

针对演化算法求解有界区域上的多峰函数全局优化问题,保持种群多样性和搜索效率的矛盾,提出了一种结合了多样性维持机制和加速算子的改进演化算法。实验结果表明,在低维问题中算法容易收敛于全局最优解,优于普通遗传算法。     

基于粒子群优化的聚类入侵检测算法

为了在入侵检测中有效地克服传统的K均值算法易陷入局部极小值的缺点，使算法具有较好的全局收敛性，将粒子群优化算法应用于入侵检测，给出了基于粒子群优化的K均值聚类算法．通过理论分析及实验，验证了基于粒子群优化K均值聚类算法的有效性．对KDD CUP99数据集仿真，实验结果表明，该算法在入侵检测中能获得理想的检测率和误检率．     

基于粒子群聚类分析与证据理论的船舶机械振动诊断

粒子群算法避免了复杂的遗传操作,是一种有效的全局寻优算法,用于聚类分析可以更快地收敛于最优解;D-S证据理论提出了不同于贝叶斯主义和频率主义的构造性解释,非常适用于存在大量不确定性因素的故障诊断工作.将故障机械的振动信号按时域、频域、小波包域分解为多个参数空间.采用粒子群聚类分析算法对机械故障进行局部诊断,将局部诊断结...     

微粒群优化算法在铺排船建模中的应用

针对铺排船建立锚泊移位系统模型,利用微粒群优化算法对神经网络模型参数进行优化训练,仿真结果显示,采用该算法训练的系统模型性能得到明显改善。     

整数规划PSO算法在备件优化配置中的应用研究

备件优化是提高装备可靠度的有效途径，以一般微粒群（PSO）算法为基础，根据备件优化的特点，提出求解整数规划问题的PSO算法。建立费用约束条件下的备件配置的优化模型，并给出了求解方法。结合算例，验证了方法的有效性及实用性。     

基于粒子群优化卡尔曼滤波的水下机器人信号处理

在卡尔曼滤波的基础上,引入粒子群优化算法,对卡尔曼滤波方法进行改进,提出基于粒子群优化的卡尔曼滤波器模型,从而提高水下机器人测量数据的精度,降低系统噪声和量测噪声所带来的误差。水池仿真试验结果表明改进的滤波方法有效、实用。     

船体零件智能优化排样系统的设计研究

针对船体零件的排样问题,开发了基于智能算法的板材套料优化排样系统。该系统采用粒子群算法,并将免疫记忆和浓度机制引入算法提高了零件的排序优化速度。通过零件图形信息数据库管理模块和排样解码算法,实现图形的输入和编码、定位排放和正交靠接及自动计算生成最优排样结果。排样实例表明了该系统具有良好界面和人机交互功能,且有效提高了排样自动化程度和材料利用率。     

基于粒子群优化算法的船舶粮食库温湿度PID控制

为了保证远洋船舶粮食长期储存的安全,需有效控制粮食库温度和水分。本文应用粒子群优化算法对粮食库温度、湿度PID控制器参数开展了寻优研究,建立了相应的优化目标函数,利用寻优得到的参数构成温湿度PID控制器,对粮食库空气处理的温湿度进行优化控制。并在Matlab环境下开展了基于粒子群PID控制的粮食库温湿度控制仿真实验,验证了利用这种算法获得的良好控制效果。     

基于自适应变异 PSO-BP算法的船舶横摇运动预测

为了准确高效预测船舶在海上的航行状态,以保证人员、货物和船舶的安全,提出一种自适应变异的粒子群优化算法（self-adapting particle swarm optimization algorithm,SAPSO）,将该算法与误差反传（back propaga-tion,BP）神经网络结合。SAPSO-BP预测模型使用SAPSO算法优化BP网络的网络参数。克服传统BP神经网络对初始权值阈值敏感,容易陷入局部极小值的缺点,同时也克服了传统PSO算法早熟收敛、搜索准确度低及迭代效率低等缺点。运用该模型对科研教学船“育鲲”轮在海上航行的横摇情况进行实时预测实验,验证该方法的可行性与有效性具有较高的预测精度。     

一种提高粒子群算法优化性能的方法

针对粒子群优化算法在解决控制领域优化问题时存在的不足,文章在现有粒子群算法的几种改进方法分析的基础上,提出通过控制算法位置和速度的初始化策略,来提高算法的收敛速度、精度和成功率,该方法适用于各种粒子群改进算法。最后,通过两种改进后的粒子群算法,采用初始化策略对典型单峰函数和多峰函数进行实验测试,结果表明,该方法可以有效提高两种改进粒子群算法的搜索成功率、收敛速度和准确性。