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.      

一种多样性反馈高斯粒子群算法

针对粒子群算法在算法迭代后期因多样性减少而容易陷入局部最优的缺陷,引入种群多样性反馈(群活性反馈)和高斯正态惯性权重变异算子对粒子群算法进行改进,当粒子群的多样性减少时,通过改变粒子的惯性权重调节粒子速度和位置,从而跳出局部最优解.与标准粒子群算法对比仿真结果表明:多样性反馈高斯粒子群算法在全局搜索能力和寻优性能上有很大提高,多样性提高近一倍,迭代时间缩短近3/4.     

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.     

基于遗传-粒子群优化算法的USV路径规划方法

为解决传统粒子群优化算法(particle swarm optimization algorithm, PSO)应用于无人水面舰艇(unmanned surface vessel, USV)路径规划时存在的早熟收敛问题,提出一种结合遗传思想的PSO,在传统的PSO中引入遗传算法(genetic algorithm, GA)中的交叉、变异操作,避免算法进入局部最优解,对惯性权重进行自适应调整,加速算法收敛。采用MATLAB软件对USV巡检水域环境进行建模,应用改进的PSO进行路径规划。仿真结果表明:相对于传统的PSO和GA,该算法有效减少路径交叉点,大幅缩短路径总长和算法收敛时间。     

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.     

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.     

一种改进型粒子群算法求解资源优化配置问题

针对粒子群算法在求解优化问题时难以兼顾收敛精度与收敛速度这一问题,提出对目标的惯性权重进行修正和引入随着惯性权重变化的惯性学习因子的方法,该算法充分利用了上一代速度与位置、自我认知和群体间信息共享3部分内容,来影响算法的优化结果,提高了算法的全局和局部的搜索能力.最后将改进的粒子群算法应用于工程项目中的资源优化配置问题中,证明了该算法的有效性.     

针对群桥水域航路规划问题的PSO算法选比研究

针对群桥水域航路规划问题,分析了群桥水域特征,建立了简化的群桥水域航路代价模型,分别运用标准PSO算法、权重改进PSO和学习因子改进PSO算法对该问题进行求解,并对不同改进方法的收敛速度和最优适应度值进行了对比分析,得出了异步变化学习因子PSO算法在几种改进策略中表现最优的结论,并应用算例进行验证,确定了后期深入研究群桥水域航路规划问题的方法.     

置换流水车间调度粒子群算法与参数设置分析

针对置换流水车间调度问题,在介绍了基于粒子位置次序的粒子群算法二维编码方法之后,采用惯性权重线性递减粒子群算法对置换流水车间调度问题进行了优化.在此基础上,对粒子群算法的相关参数设置问题展开分析,主要针对惯性权重的取值、粒子群种群数量、粒子位置和速度的初始化以及粒子位置和速度的限制范围等几个方面展开实验研究.粒子群算法的参数设置分析将有助于提高求解置换流水车间调度问题的粒子群算法优化效率和优化性能.     

角接触球轴承的罚函数粒子群算法优化设计

为了提高角接触球轴承的性能,以双列角接触球轴承的额定动载荷和额定静载荷最大为优化目标建立了双列角接触球轴承结构的多目标优化模型.针对普通粒子群算法易于陷入局部最优的缺陷和不能有效解决带约束条件的优化问题,基于标准粒子群算法,在目标函数中加入惩罚项,将带约束条件的优化问题转变成无约束优化问题.最后以3210角接触球轴承为算例,通过提出的罚函数粒子群算法对其进行了优化设计,经优化后,轴承动、静载荷额定值各自提高了66.46％和70.60％.结果表明,采用罚函数粒子群算法能较好的提高角接触球轴承的性能.     

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.     

RES脉内特征的差分进化粒子群投影寻踪评价模型

针对雷达辐射源信号脉内特征综合评估存在标准单一、缺乏客观性等问题,提出了基于群体智能的雷达辐射源信号脉内特征综合评估模型.首先,通过投影寻踪算法将雷达辐射源信号脉内特征的综合评估问题转化为有条件限制的多元非线性目标函数的优化问题;其次,通过改进的粒子群优化算法与差分进化算法的结合得到新的智能算法;最后,利用该算法实现多元非线性目标函数的优化求解.仿真结果表明:该群体智能算法对Rosenbrock测试函数的最优适应度值最小,对Rastrigrin函数和Girewank测试函数的最优适应度值为0,说明该算法的计算精度优于其他算法.同时适应度值的方差比标准粒子群算法和差分进化算法小,说明该算法的收敛性和鲁棒性较好.通过与加速遗传算法对评估问题目标函数5次优化结果的比较,本算法的计算结果没有波动,说明基于群体智能的RES脉内特征综合评估模型能够更客观、更有效地实现对RES脉内特征的综合评估.      

一种基于ADPSO优化的循环神经网络模型

针对循环神经网络(Recurrent Neural Network,RNN)采用传统的训练方法造成的收敛速度慢、易陷入局部最优的问题,提出一种自动调整的动态粒子群优化算法(ADPSO),利用ADPSO较强的全局寻优能力来优化RNN的初始权值及阈值,构建基于ADPSO优化的RNN模型(ADPSO-RNN),从而提升RNN的预测性能及泛化性能.在ADPSO中,将动态搜索空间策略引入到粒子群算法中,同时自适应地调整学习因子以平衡算法的全局和局部搜索能力.在实验中,将ADPSO与PSO进行算法优化性能对比,结果表明ADPSO具有更好的寻优性能;然后以某股票的股票价格历史数据为实验数据,将ADPSO-RNN与常规RNN、PSO优化的RNN分别对其进行预测,结果表明ADPSO-RNN模型在股票价格预测中预测指标平均绝对误差和均方误差上相对于另外两种模型均有所降低,具有更好的泛化性能.     

具有粒子群特征的并行蚁群算法在输电网络规划中的应用

输电网络规划是一个复杂的多变量非线性整数规划问题,针对蚁群算法计算时间长、易陷入局部最优解等问题,本文提出一种新的具有粒子群特征的并行蚁群算法,并应用于输电网络规划.实验结果证明了该算法在输电网络规划优化中应用的可行性和有效性.     

基于MHPSO优化GRU神经网络的短时交通流预测

为提高短时交通流量预测精度及预测效率,首先提出一种PSO改进算法(MHPSO),把PSO种群结构设置为多层,将种群中上层粒子作为下层粒子的吸引粒子,将吸引粒子对粒子本身的吸引能力考虑在内,修改粒子速度更新方程以增强种群粒子之间的交互能力,从而有效地避免其陷入局部最优,提升算法的寻优速度及精度;然后利用MHPSO对GRU神经网络的参数进行优化;最后利用基于MHPSO优化的GRU神经网络构建短期交通流预测模型.实验结果表明:基于MHPSO优化的GRU神经网络模型在短时交通流预测中具有更高的预测精度,预测效率得到显著提升.     

局部阴影光伏发电系统中基于改进PSO的MPPT控制

光伏发电系统在局部阴影条件下,传统的最大功率点跟踪算法（maximum power point tracking,MPPT）容易陷入局部寻优,无法跟踪到全局最大功率点. 针对这一问题,本文提出了一种基于自适应学习因子粒子群算法的最大功率跟踪方法. 该方法在普通粒子群算法的基础上不断改变学习因子和权重系数,以提高算法收敛的速度和精度. 将其应用于局部阴影条件下的光伏发电系统最大功率点跟踪中,并在RT-LAB实时仿真平台中以两个接受不同光照强度的光伏阵列为例进行实时仿真验证. 仿真结果表明,两峰情况下本文所提出的自适应学习因子粒子群算法能够在0.298 s左右跟踪到全局最大功率点,普通粒子群算法需要约0.615 s,而扰动观察法陷入了局部最大功率点,本文所提算法能够有效提高系统的收敛速度和精度并且适用于多峰情况. 最后设置仿真算例验证本算法适用于光照突变的情况.      

基于邻域分割的多种群协同进化人工蜂群算法

在人工蜂群算法中,随着优化过程的进行,蜂群的多样性会急剧降低,进而导致算法陷入局部最优.针对这一问题,提出了基于邻域分割的多种群协同进化人工蜂群算法,该算法将待解问题的解空间分割成相互独立的多个领域,在每个领域上和整个解空间上分别使用不同的蜂群来优化,并且定期进行蜜源信息的交换,来提高蜂群的多样性.使用标准函数对改进算法的优化性能进行了测试,测试结果表明改进后的算法具有更好的全局寻优能力.     

基于改进PSO算法的岩石蠕变模型参数辨识

微粒群优化（PSO）算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点．针对岩石蠕变本构模型参数的辨识问题,本文利用FLAC软件自带的fish语言实现了改进PSO算法对本构模型参数的辨识．该方法从岩石本构模型参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,利用改进PSO算法规则实现模型参数的进化,搜索出全局最优的模型参数值,从而实现了岩石蠕变本构模型参数的自适应辨识．利用该方法对页岩蠕变实验进行了仿真研究,实验结果表明：改进的PSO算法用于岩石蠕变模型的参数辨识是有效的．     

基于特征重整及优化训练的遮挡人脸识别算法

以ResNet50网络为基础网络,提出了使用信息熵的权重特征对池化层的信息进行优化,在不增加额外参数的情况下使得网络特征提取更加充分;同时提出了改进型PSO(粒子群)算法对卷积网络误差反向传播阶段进行优化,通过比较GSA(引力搜索)优化前后最优粒子的适应度函数值,以此确保每次迭代中获得全局最优粒子.实验结果表明本文提出...     

一种模糊自适应粒子群优化算法的分数阶PI~λD~μ控制器设计

针对分数阶PI~λD~μ控制器待设计参数多,整定复杂问题,采用模糊自适应粒子群优化算法(Fuzzy Adaptive Particle Swarm Optimization,FAPSO)设计分数阶PI~λD~μ控制器参数.采用模糊规则的方法对惯性权重及位置更新进行了模糊逻辑处理.仿真结果表明,与传统的PSO算法比较,采用FAPSO方法所设计的分数阶PI~λD~μ控制器,具有更好控制品质和更强的鲁棒性.