基于改进粒子群优化算法的预测控制

在实际工业过程中预测控制算法应用广泛,但是对于多变量预测控制算法其参数较多,且各个参数之间相互耦合,故整定其参数比较复杂,鉴于此提出一种基于改进粒子群算法的预测控制参数优化算法。该算法的基本思想是将生物寄生行为机制引入到粒子群优化算法中,形成双种群粒子群优化算法,使用该改进粒子群算法对多变量预测控制算法的参数进行离线优化,从而确定预测控制算法参数的最优取值。最后,将本文算法用于冷热水系统液位和温度的控制,并通过仿真将该算法与标准粒子群优化算法相比较,仿真结果表明使用该算法对多变量预测控制的参数进行优化整定时,系统的阶跃响应具有抗干扰性能好、超调量小、调节时间短等优点。     

一个约束离散优化问题的粒子群算法研究

针对一个离散变量齿轮系优化设计问题搜索空间大、可行域狭小的特点,基于粒子群算法提出了新的约束与离散变量处理策略。另外,修改粒子群算法的速度更新公式以减少算法参数数目。与有关文献相比,所采用的算法应用于该优化问题时,不但发现可行解的成功率高,而且获得了更好的“最优”可行解和平均结果。与此同时,该算法不要求对该问题进行任何转化,也不依赖于人机交互。结果表明,该算法简单、易行、有效,对于类似优化设计问题的求解很有参考价值。     

改进的粒子群算法在化工过程优化中的应用

在现有自适应粒子群优化算法的研究基础上本文引入1种反弹机制(Rebound Mechanism),提出了1种改进的粒子群算法——反弹自适应粒子群优化算法。RAPSO能在搜索过程中充分利用粒子的飞行速度和方向等信息(下文称为动量信息),维持粒子的多样性以提升算法的搜索性能。通过比较,本文提出的RAPSO在一定程度上改进了现有的自适应粒子群算法的优化性能。运用RAPSO对催化裂化装置进行优化试验,其结果表明无论在单变量优化还是在多变量优化中,该装置的转化率都得到了一定程度的提高。     

常减压蒸馏过程换热网络的粒子群优化设计方法

提出了1种换热网络的粒子群优化设计方法,提高大规模无分流换热网络的设计速度和效果。采用超结构建立换热网络模型,以各个换热器和换热量为演化个体,以投资和运行费用最小化为优化目标,发挥粒子群的群智特点寻优计算。避免传统设计的计算复杂、不能同时优化投资和运行费用等问题,解决了换热器的换热量受换热条件约束、相互制约而影响设计的难题,保证演化过程中解的可行性,实现设计过程的智能化。以某炼油厂的常减压蒸馏过程的换热网络为实验对象,仿真研究,证明了算法有效和优越。     

基于权重QPSO算法的PID控制器参数优化

传统的PID控制器参数优化方法容易产生振荡和较大的超调量,因此智能算法如遗传算法（SGA）和粒子群算法（PSO）被用于参数优化,弥补传统算法的不足,但是遗传算法在进化过程中收敛速度慢,粒子群算法存在易于早熟的缺点。在分析量子粒子群算法（QPSO）的基础上,在算法中引入了权重系数,提出使用改进的量子粒子群算法（WQPSO）优化PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过三个传递函数实例,分别使用Z-N、GA、PSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。     

基于混合粒子群算法的供热管网优化设计

供热管网优化设计一直是多年来城市地下管网工程中的研究热点。通过分析供热管网的优化模型,建立关于供热管网的目标函数即供热管网投资费用,根据供热管网的目标函数及约束条件建立适应度函数。利用粒子群优化算法对该非线性模型进行求解,借鉴遗传算法中变异操作的思想,设计基于遗传算法的混合粒子群算法,寻求在水力约束条件下目标函数的最小值。实例结果表明,将粒子群优化算法应用于供热管网优化设计可以取得较好的优化结果,并且充分的体现出粒子群算法的寻优能力。     

PSO算法在多约束染色工艺优化模型中的应用

针对染色工艺优化设计,存在周期长、成本高、无法精确定量的问题,以生产成本最小化为优化目标,构造染色工艺优化设计的数学模型。从模型可知,染色工艺优化问题是一个具有大量局部极小值、不连续、多变量、多约束的复杂优化问题。粒子群(PSO)算法是一种基于群体智能的启发式算法。它具有简单易行、收敛速度快、优化效率高、对种群规模不十分敏感、鲁棒性好等特点,能方便地被用于求解带离散变量、不连续、多变量、多约束、非线性的复杂优化问题中。因而,提出粒子群算法来求解染色工艺优化模型。考虑到粒子群算法(PSO)易陷入局部最优解的局限性,提出一种基于改进惯性权重粒子群算法。该方法通过引进指数因子改进标准粒子群算法的惯性权重,平衡了其全局和局部搜索能力,在速度和精度上满足了计算要求。仿真结果表明,在满足实际生产要求的条件下,该方法优化后的生产成本节约了25%。证明该优化模型及算法是一种可行而有效的方法,对生产成本的预测以及染色工艺参数的制定具有指导意义。     

基于PRS元模型的粒子群优化算法及其应用*

针对传统粒子群算法优化黑箱模型过程中存在巨大计算开销的问题,提出一种基于PRS元模型的改进粒子群优化算法—PPSO算法。在该算法迭代过程中,构建PRS元模型,利用其最优值点辅助粒子种群的更新,此外仅选择元模型预估集中优值集的粒子进行目标函数的计算仿真。将PPSO算法与基本粒子群算法、混沌粒子群算法进行数值测试对比,并应用于模糊控制器的优化设计,仿真结果表明该算法可减少真实估值次数,提高优化搜索能力。     

板式吸收塔优化设计研究与软件开发

以板式吸收塔系统的年总费用为目标函数，建立了优化设计数学模型，以吸收塔的液气比为决策变量，用单变量优化算法(菲波拿契法)求得最优解。用Visual Basic6．0开发出板式吸收塔优化设计软件。软件运行于Windows 9x系统，界面友好，操作方便。算列表明优化设计比常规设计节省生产成本。     

基于双粒子群算法的矿井搜救机器人路径规划

针对在复杂地形中标准的粒子群算法用于矿井搜救机器人路径规划存在迭代速度慢和求解精度低的问题,提出了一种基于双粒子群算法的矿井搜救机器人路径规划方法。首先将障碍物膨胀化处理为规则化多边形,以此建立环境模型,再以改进双粒子群算法作为路径寻优算法,当传感器检测到搜救机器人正前方一定距离内有障碍物时,开始运行双改进粒子群算法:改进学习因子的粒子群算法(CPSO)粒子步长大,适用于相对开阔地带寻找路径,而添加动态速度权重的粒子群算法(PPSO)粒子步长小,擅长在障碍物形状复杂多变地带寻找路径;然后评估2种粒子群算法得到的路径是否符合避障条件,若均符合避障条件,则选取最短路径作为最终路径;最后得到矿井搜救机器人在整个路况模型中的最优行驶路径。仿真结果表明,通过改进学习因子和添加动态速度权重提高了粒子群算法的收敛速度,降低了最优解波动幅度,改进的双粒子群算法能够与路径规划模型有效结合,在复杂路段能够寻找到最优路径,提高了路径规划成功率,缩短了路径长度。     

基于均匀设计的粒子群算法及其在飞控系统中的应用

将粒子群算法应用于飞行控制系统的优化设计中，需要解决两个问题：如何选择目标函数和如何确定初始种群和算法运行参数。针对这两个问题，分别提出了基于参考模型的飞行控制系统优化策略和基于均匀设计的粒子群算法初始种群和运行参数的选择方法。仿真结果表明，本文所提出的优化策略能够有效地解决飞行控制系统的优化设计问题，粒子群初始种群分布均匀，收敛速度快。     

改进CPSO-SVM在人脸识别中的应用

为使粒子群优化算法初始粒子均匀分布在解空间,增强全局的搜索能力,通过对混沌运动的遍历性和粒子群优化算法中惯性权重的分析,提出了一种改进型混沌粒子群算法。该算法采用Circle映射,产生了分布均匀的混沌变量轨道点,并结合动态调整惯性权重的思想来避免粒子群算法陷入局部最优。同时,给出了应用混沌粒子群算法训练SVM的方法,并将其应用于人脸识别。仿真实验结果表明,改进CPSO-SVM方法比基本粒子群方法能获得更好的识别性能。     

一种新的自适应动态文化粒子群优化算法

为了克服粒子群优化算法在解决复杂问题时易陷入局部最优的缺陷, 提出了一种新的自适应动态文化粒子群优化算法。该算法引入评价粒子群早熟收敛程度的指标来判断种群空间粒子群状态, 以确定影响函数对种群空间粒子群的作用时机, 当算法陷入局部最优时, 自适应地利用影响函数对种群空间进行变异更新, 从而有效发挥文化粒子群算法的双演化双促进机制。并且根据种群的早熟收敛程度自适应地调整粒子的惯性权重, 使种群在进化过程中始终保持惯性权重的多样性, 在算法的全局收敛性与收敛速度之间作一个很好的折中。最后对四个经典的测试函数进行仿真, 结果表明该算法具有很强的搜索能力, 收敛速度和收敛精度也有所提高。     

粒子群算法在机械零部件可靠性优化设计的应用

粒子群算法(Paarticle Swarm Optimization)是一种新出现的群智能(Swarm Intelligence)优化方法。本文所介绍将其应用于机械可靠性优化设计，建立基于粒子群算法的机械零部件可靠性优化设计的数学模型，并与遗传算法作了对比试验。结果表明，粒子群算法可以快速、有效求得优化解，是求解机械可靠性优化设计问题的一个较好方案。     

基于非对称学习因子调节的粒子群优化算法

分析粒子群优化算法中2个学习因子对粒子收敛性的影响,通过Benchmark标准测试函数对不同取值的学习因子进行测试,提出一种基于非对称学习因子调节策略的改进粒子群算法。在搜索初期使粒子获得更好的多样性及较强的摆脱局部极值的能力,在搜索后期加快粒子的收敛速度,提高全局寻优能力。该算法已在复合齿轮传动系统的传动比优化设计中得到了成功应用。     

一种自适应指导的文化粒子群算法

针对文化粒子群算法中影响函数对群体空间的全局变异操作,易导致粒子群算法结构失效及不易收敛的缺点,将群体适应度方差引入到群体空间,提出一种自适应指导的文化粒子群算法。算法通过计算群体适应度方差判断群体空间状态,当算法陷入局部最优时,自适应地利用影响函数对群体空间进行变异更新,从而有效发挥了文化粒子群算法“双演化双促进”机制。将该算法与基本粒子群算法（PSO）、文化粒子群算法（CPSO）和自适应变异粒子群算法（AMPSO）进行比较,实验结果证明该算法不仅具有较好的全局收敛性,算法收敛速度和稳定性也都有显著提高。     

基于岛屿群体模型的并行粒子群优化算法

为改善粒子群优化算法对大规模多变量求解的性能,提出了基于岛屿群体模型的并行粒子群优化算法．对粒子群优化算法机理和本质并行性进行分析,设计和实现了一种并行粒子群优化算法．实验结果表明,基于岛屿群体模型的并行粒子群优化算法不仅提高了求解效率,而且改善了早收敛现象,算法的性能比经典粒子群优化算法有了很大提高．     

改进的PSO算法在常压塔参数调优中的应用

鉴于标准粒了群算法在常压塔参数优化问题中不易收敛的不足,本文针对常压塔参数优化问题本身,在粒子速度更新公式中加入了化工先验知识抽象获得的"控制因子(ChemMat)",通过该"控制因子"调整粒子的速度方向,进而调整模型的输入变量,使得产品干点满足工艺要求.改进的粒子群算法应用于优化常压塔模型,以常压塔进料物流温度、气提蒸汽进料流量和常压塔操作参数共15个变量作为控制变量,在4个产品的干点值满足工艺要求条件下最大化轻油产量和最小化能量消耗量.经过仿真实验证明,与标准粒子群算法以及自适应惯性权值改进的粒子群算法相比,采用控制因子的粒子群算法能够在较短的迭代次数里获取优于当前状态的常压塔操作参数.在相同的迭代次数的条件下,采用控制因子的粒子群算法能够搜寻到更优的操作参数.     

粒子群算法在综合布线中的应用

针对综合布线工程中最难以设计的水平子系统,本文提出采用粒子群算法作为优化设计算法.通过粒子群算法的优化可以使得布线结构的设计更加优化,能够有效降低施工的成本.通过对比实验证明本文方法较传统算法的优化结果更好.     

基于I-PSO算法和Simulink的湿式离合器优化设计

为提高湿式离合器的轻便性和可靠性,提出了一种I-PSO算法与MATLAB/Simulink相结合的湿式离合器优化设计新方法。对湿式离合器进行动力学分析,并基于MATLAB/Simulink搭建湿式离合器动力传递的仿真模型。引入模拟退火算法中对粒子进行扰动的思想对改进的粒子群算法再度进行改进,并基于某测试函数验证了算法改进的效果,选择离合器的滑磨功与体积为优化目标。最终联合改进粒子群算法与MATLAB/Simulink中建立的湿式离合器仿真模型对某具体型号湿式离合器进行多目标优化设计。结果表明,改进后的粒子群算法在寻优的速率和精度上有一定效果;优化后的湿式离合器与原设计相比,总目标函数缩小约40.12%,滑磨功减小了约61.8%,优化效果明显。