一种基于云模型的云变异粒子群算法

基于云模型在定性与定量之间相互转换的优良特性,结合粒子群算法的基本思想,提出一种云变异粒子群优化算法.其核心思想是通过正态云算子实现粒子的进化学习过程和变异操作.利用云模型对粒子的进化和变异进行统一建模,自适应控制粒子的搜索范围.典型复杂函数测试表明,云粒子群算法能有效找出全局最优解,特别适宜于多峰值函数寻优.     

基于云变异的云自适应粒子群算法

研究云粒子群优化算法问题,为了克服云粒子群优化算法易过早收敛的缺点和提高优化多峰函数的性能。提出了一种云变异的云自适应粒子群优化新算法,结合全局最优值和粒子适应度的比值体现出粒子优差的特点,利用正态云发生器自适应调整粒子个体惯性权重,并且对粒子位置进行了基于云模型的变异操作,合理的对粒子群各参数进行设置,典型测试函数仿真结果表明,改进优化算法能有效找出全局最优解,提高了收敛精度和收敛速度,且适宜于多峰值问题寻优,是一种可行而有效的优化方法。     

采用云量子PSO的属性约简方法

针对粒子群优化算法在处理信息系统中属性约简收敛速度慢、早熟的问题,提出了一种结合云模型的量子粒子群优化算法（CQPSO）的属性约简方法。改进量子粒子群优化算法,即利用量子粒子群算法的量子行为来加快收敛速度;引入云模型控制粒子种群在不同状态下进行寻优;根据属性依赖度等性质构造属性约简数学模型;采用CQPSO算法对其进行求解,得到约简结果。实验中采用标准测试函数对CQPSO算法进行仿真对比,验证了CQPSO算法性能优于量子PSO算法;采用UCI标准数据库的典型例子进行属性约简测试,结果表明提出的属性约简方法优于现有约简方法,其计算速度快、识别精度高。     

基于自适应云粒子群算法的Wiener模型辨识

针对非线性系统Wiener模型的系统辨识问题,提出一种基于自适应云模型的粒子群优化(ACMPSO)算法的辨识方法。ACMPSO算法利用云模型实现优秀粒子的遗传和进化操作,根据进化状况动态调整云模型的参数,自适应地控制云模型算法的寻优范围和精度,有较强的全局搜索和局部求精能力。仿真实验证明该算法寻优精度高于其他主要PSO算法;将该算法应用于Wiener模型的系统辨识,通过实验证明了该辨识方法优于当前其他方法。     

基于混沌云模型的粒子群优化算法

针对传统粒子群优化（PSO）算法寻优精度不高和易陷入局部收敛区域的缺点,引入混沌算法和云模型算法对PSO算法的进化机制进行优化,提出混沌云模型粒子群优化（CCMPSO）算法。在算法处于收敛状态时将粒子分为优秀粒子和普通粒子,应用云模型算法和优秀粒子对收敛区域局部求精,发掘全局最优位置;应用混沌算法和普通粒子对收敛区域以外空间进行全局寻优,探索全局最优位置。应用特征根法对CCMPSO算法的收敛性进行分析,并通过仿真实验证明,CCMPSO算法的寻优性能优于其他常用PSO算法。     

基于混合粒子群算法的锌电解过程能耗优化

针对锌电解过程能耗过高的情况,研究其能耗优化问题.根据电力部门实行的分时计价政策,建立以全天锌电解过程电能消耗和总用电费用为目标的锌电解过程多目标优化模型.提出一种带加速度调整的粒子群优化算法,当粒子陷入局部最优时,通过加速度策略增强种群速度,使算法获得持续搜索的能力,有效克服早熟收敛;并和Powell算法相结合构成新的混合粒子群算法,将粒子群算法的全局搜索能力与Powell算法的局部寻优能力有机结合起来.最后将该混合粒子群算法应用于所建优化模型的求解,获得优化生产方案.仿真结果证明了该算法的有效性.工业应用效果表明,按所得优化方案组织生产降低了电能消耗,减少了用电费用.     

基于粒子群优化的有约束模型预测控制器

研究了模型预测控制(MPC)中解决带约束的优化问题时所用到的优化算法,针对传统的二次规划(QP)方法的不足,引入了一种带有混沌初始化的粒子群优化算法(CPSO),将其应用到模型预测控制中,用十解决同时带有输入约束和状态约束的控制问题.最后,引入了一个实际的带有约束的线性离散系统的优化控制问题,分别用二次规划和粒子群优化两种算法去解决,通过仿真结果的比较,说明了基于粒子群优化(PSO)的模型预测控制算法的优越性.     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

改进的云粒子群优化算法及其断路器优化应用

针对断路器的能耗优化设计中复杂的多维参数设定常采用经验选取的方式,易导致断路器自身能耗过大。为此,提出一种结合鲶鱼效应与云模型的改进粒子群优化算法对其多维相关参数进行优化选取,先将传统的粒子群优化算法与云模型相结合,对多维寻优粒子加以分类,控制不同粒子群在不同搜索状态下快速寻优;再引入鲶鱼效应扰动机制增加寻优粒子多样性,提高寻优精度;最后采用该改进算法对断路器能耗模型优化仿真以及断路器参数设定。结果表明,提出的改进方法可以实现断路器低能耗设计要求,并能有效提高其设计效率。     

基于广义遗传粒子群优化算法的供应链优化求解

供应链优化研究是供应链管理中的一个重要问题,也是一个难题,首先提出了一个新型供应链优化模型,针对该优化问题的求解,构造了融入特殊自然演化规则的广义遗传算法(GA),并且与粒子群优化结合,得到了广义遗传粒子群优化算法,克服了粒子群优化算法局部收敛的缺陷,提高了其全局收敛的能力。实验表明,对供应链优化问题的求解,广义遗传粒子群优化算法优于传统的遗传算法、粒子群优化算法和分枝界定法。     

基于粒子群优化算法的PID控制器参数整定

PID控制器的性能完全依赖于其参数的整定和优化,但参数的整定及在线自适应调整对常规的PID控制器是难以解决的问题。根据粒子群算法具有对整个参数空间进行高效并行搜索的特点,提出了一种基于粒子群优化算法整定PID控制器参数的设计方法,并定义了一种新的性能指标函数来评价PID控制器的性能。现以二阶的船舶控制装置为研究对象,运用粒子群优化方法对PID控制器参数进行了寻优研究。仿真结果表明,该方法比一般PID参数整定方法具有更好的控制性能指标,有着一定的工程应用价值。     

云模型用于特征加权及降维的算法

高维且不独立的样本特征集使分类的质量降低,提出特征权值计算方法,并用于特征加权及特征选择,根据特征的相似性度量函数计算特征的权重,并根据权重排序去除重要性差的特征,用于解决高维样本集的特征降维问题,特征选择结果与主成份分析结果一致。并建立基于保留特征加权的云分类模型,应用于iris数据集和复杂矿石图像的分类,效果良好。     

基于高速收敛粒子群优化算法的非线性系统无模型预测控制

基于无模型控制、粒子群优化和预测控制的思想,提出一种新型非线性无模型预测控制器,并对该控制器的收敛性进行了分析.该控制器以带误差修正的泛模型为预测模型,以高速收敛的粒子群优化算法为滚动优化策略,不仅避免了非线性预测控制中复杂的矩阵求逆运算,而且提高了算法的收敛速度,增强了实时性.仿真研究表明了该控制器的有效性.     

基于模式搜索法的云模型粒子群算法

针对粒子群算法在多峰寻优中易陷入局部最优、精度低、难以搜寻到较多的极值点等问题,提出一种基于模式搜索法的云模型粒子群算法.首先通过云模型粒子群算法在可行域内进行全局搜索,然后使用模式搜索法对搜索到的较优解进行局部寻优以提高解的精度.仿真测试表明,在保证收敛速度的同时,所提算法的收敛精度和搜索到的极值点数目均得到显著提高.     

基于WFPSO算法的云虚拟机放置策略

随着云计算技术的大规模应用,云应用的交互更加依赖于网络,较差网络拓扑的选择,增加了应用在网络中的通信流量,严重影响应用的运行效率和服务质量。为解决此问题,提出了一种基于粒子群优化算法的虚拟机放置策略。该策略通过建立云环境内部时延模型,利用改进的粒子群优化算法求解目标函数,来降低应用的时延,提高运行效率。并在CloudSim平台上进行仿真实验,实验结果表明,该策略的响应时间低于基本粒子群优化算法（PSO）,并且修改后的PSO算法在不影响收敛精度的前提下较大幅度地提高粒子群算法的收敛速度,提高了云环境中应用的运行效率。     

基于性能诊断的预测控制器参数整定策略

针对多变量模型预测控制系统在长期运行中出现设定值变化、模型失配、扰动特性变化后控制器参数不再匹配的问题,提出一种在得到性能诊断结果后基于改进粒子群算法的控制器参数整定方法.通过分析最优控制律与三项系统性能的关系,构造出对应的目标优化函数,对粒子群算法迭代过程中粒子的位置和惯性因子做出改进,弥补该算法易于陷入局部最优以及...     

基于多模型粒子群优化的PID参数鲁棒整定

针对常规粒子群优化算法存在的鲁棒性能差的问题，提出一种基于多模型的粒子群优化方法．将其应用于对PID控制器参数的优化，有效地避免了PID控制器设计中复杂的参数调试．即使在模型失配的情况下，控制系统仍保持了良好的控制品质和鲁棒性．通过对几个典型被控对象的仿真实验，证明了所提出的优化算法的实用性、有效性和优越性．     

基于四旋翼无人机的粒子群PID控制研究

针对四旋翼无人机PID控制中,凭借经验知识和仿真调试来选取比例、积分、微分等参数时存在盲目性的问题,提出了利用改进后的粒子群算法对PID控制器进行优化的方法.采用自适应惯性权重的方法对粒子群进行优化能够避免在刚开始就陷入局部最优的困境,同时选用ITAE准则作为改进粒子群算法的适应度,以此达到更好的控制效果.通过MATL...     

Coordinated controller tuning of a boiler turbine unit with new binary particle swarm optimization algorithm

Coordinated controller tuning of the boiler turbine unit is a challenging task due to the nonlinear and coupling characteristics of the system. In this paper, a new variant of binary particle swarm optimization (PSO) algorithm, called probability based binary PSO (PBPSO), is presented to tune the parameters of a coordinated controller. The simulation results show that PBPSO can effectively optimize the control parameters and achieves better control performance than those based on standard discrete binary PSO, modified binary PSO, and standard continuous PSO.