改进PSO算法及其在函数优化中的应用

针对微粒群算法PSO（Particle Swarm Optimization）应用于函数优化存在的问题，提出一种加入了梯度信息改进的微粒群算法。微粒群算法用于函数的优化，具有简单、效果好等优点。但是研究也表明该方法也存在着一些缺点，如计算时间较长、容易陷入局部最小等，这是由于算法本身的随机性决定的。梯度法是传统的优化方法，典型的特征是在确定优化解的方向时遵循梯度下降原则，因此在寻找优化值时方向比较确定，可以减少优化时间。为了克服PSO的缺点，在标准PSO优化策略中引入梯度原则，设计了一个具有梯度指导的PSO算法。现将改进的PSO算法应用于函数的优化，并与标准PSO算法的效果进行了比较。函数优化实验的结果表明，改进的PSO算法提高了标准PSO算法的收敛时间。     

Drilling Path Optimization Based on Particle Swarm Optimization Algorithm

This paper presents a new approach based on the particle swarm optimization (PSO) algorithm for solving the drilling path optimization problem belonging to discrete space.Because the standard PSO algorithm is not guaranteed to be global convergence or local convergence,based on the mathematical algorithm model,the algorithm is improved by adopting the method of generate the stop evolution particle over again to get the ability of convergence to the global optimization solution.And the operators are improved by establishing the duality transposition method and the handle manner for the elements of the operator,the improved operator can satisfy the need of integer coding in drilling path optimization.The experiment with small node numbers indicates that the improved algorithm has the characteristics of easy realize,fast convergence speed,and better global convergence characteris- tics.hence the new PSO can play a role in solving the problem of drilling path optimization in drilling holes.     

基于时间冲击最优的TBM换刀机器人轨迹规划

为了提高隧道掘进机(TBM)换刀机器人的工作效率,减小换刀过程中的运动冲击,提出基于改进型粒子群优化(PSO)算法的轨迹优化方法.采用位姿分离法与关节变量最小策略,对冗余关节机器人进行运动学分析.利用所求的逆解,将目标轨迹由笛卡尔空间映射到关节空间.针对每个关节使用5次NURBS曲线构造冲击连续的关节轨迹,以时间冲击最优构造目标函数,采用改进型PSO算法求解出最优时间序列,完成对轨迹的优化.通过对特定的换刀任务进行轨迹规划,得到各关节的优化轨迹.优化结果表明,提出的轨迹规划方法可以为换刀机器人各关节提供理想的轨迹,具有较强的轨迹跟踪能力.利用5次NURBS插值法与改进型PSO优化算法,可以保证轨迹的时间最短与冲击最小,提高了运行的效率与平稳性.     

高超声速滑翔飞行器再入轨迹优化

为提高高超声速滑翔飞行器再入轨迹优化问题求解速度和精度，提出了一种将改进的麻雀智能优化同参数化设计相结合的再入轨迹方法。首先，通过Tent混沌映射和精英反向种群方法初始化种群，利用黄金正弦策略进行种群的位置更新，并通过余弦策略减少侦察者数量，采用贪婪策略对种群的最优解进行选择和更新，在增强算法全局搜索能力的同时，不影响收敛速度。然后，将高超声速再入轨迹优化问题转化为攻角剖面和倾侧角剖面的参数化设计问题，将路径约束转化为阻力加速度再入飞行走廊，保证再入过程中始终满足路径约束，利用罚函数法处理终端约束，从而使得飞行器精确命中目标。最后，采用改进的麻雀智能优化算法对设计参数进行寻优，使得目标函数最优。仿真实验表明：本研究所提出的改进麻雀算法相较于原始麻雀算法、鲸鱼算法和粒子群算法收敛速度快，得到的高超声速滑翔飞行器再入轨迹精度有了进一步的提高；蒙特卡洛仿真实验说明，本研究所提出的高超声速滑翔飞行器再入轨迹优化算法具有一定的鲁棒性。     

升力式再入飞行器再入轨迹优化分析

在充分调研分析国内外轨迹优化方法的基础上,选择直接法将升力式再入飞行器的再入轨迹优化问题转化成参数优化问题,而后采用序列二次规划法来解该参数优化问题,并采用C＋＋语言编写了优化算法,最后进行了再入飞行器的最大射程轨迹优化分析.仿真结果表明,采用本文所述的方法能够对升力式再入飞行器这一类轨迹优化问题进行优化分析,并具有较...     

基于改进粒子群算法的配电网网架优化研究

配电网网架优化是一个多目标综合优化问题,粒子群算法因其易实现、收敛速度快等特点逐渐成为电力系统优化领域研究热点之一. 针对粒子群算法易陷于局部最优问题,提出一种基于聚类策略的改进粒子群算法,动态地将粒子聚类为三种级别的粒子并对应采用不同的学习模型更新速度,增强了粒子群体多样性和全局搜索能力. 通过算例仿真验证了算法在配电网网架优化问题上的可行性.     

自由漂浮空间机器人力矩最优轨迹规划算法

针对自由漂浮空间机器人的轨迹规划问题,提出一种基于粒子群优化算法的机械臂关节角驱动力矩最优轨迹规划算法.首先通过对自由漂浮空间机器人系统的动力学方程进行分析,给出了以机械臂关节角驱动力矩为目标函数的轨迹最优控制算法,并采用高阶多项式插值方法逼近机械臂关节角轨迹,结合粒子群优化算法对机械臂关节角轨迹进行优化求解.数值仿真表明,规划出的关节角轨迹平滑连续,在完成自由漂浮空间机器人姿态调整任务的同时,机械臂关节角驱动力矩降至最低.     

Automatic pipes routing based on flow loss in electromechanical product

Based on flow loss,a new automatic pipe-routing algorithm is proposed for electromechanical product in 3D space,which consists of pre-processing and optimization search.Utilizing chaos theory,a chaos grid pre-processing model (CGPM) is established to efficiently pick up the solution space and reduce the search range in the pre-processing,which simplifies the optimization search.A modified particle swarm optimization (PSO) algorithm is presented to seek for an approximate optimal trajectory in the solution space in the optimization search based on standard PSO algorithm and migration characters of people.The comparison of experiments and analysis results shows that the modified PSO algorithm is capable of preventing prematurity effectively and searching for the optimal trajectory more efficiently.Theoretical analysis proves that the modified PSO algorithm converges at global optimum.The examples show that the automatic pipe-routing algorithm based on flow loss is effective and practical for electromechanical product.     

粒子群优化在资源受限工程调度问题中的应用

用多维粒子来描述以项目工期最小为目标的资源受限问题.通过粒子在不断更新的轨道里寻优来解决资源受限的工程调度问题.依照基于优先权和基于排列两种方法建立了该算法的运算框架,并通过具体的算例对其有效性进行了检验.结果表明,将粒子群优化算法应用于资源受限工程调度问题切实可行,而且该算法较其他同类方法(如GA等)具有更好的优化效果,为解决该类问题提供了一种新的方法.     

Tent混沌和模拟退火改进的飞蛾扑火优化算法

针对标准飞蛾扑火优化算法存在的易陷入局部最优陷阱、全局寻优能力不足的问题,借鉴混沌序列、模拟退火算法和遗传算法,提出Tent混沌和模拟退火改进的飞蛾扑火优化算法.首先,通过Tent混沌序列初始化种群,增加种群多样性;然后对当前最优解增加扰动产生新解,并与当前最优解按比例杂交相加,根据模拟退火算法中的Metropolis准则判断是否接受杂交后的新解,最终获得最优解.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂基准函数寻优测试结果表明,对于10维基准函数,该算法经过约0.25秒收敛到最优值;对于50维基准函数,该算法经过约0.5秒收敛到最优值.与标准飞蛾扑火优化算法和其它智能优化算法相比,该算法能够有效跳出局部最优解,寻优精度更高,收敛速度更快.航迹规划仿真表明,对有4个禁飞区和2个威胁源的空域环境,该算法经过大约100次迭代可以得到最优航迹,与标准飞蛾扑火优化算法相比精度更高,具有实际应用价值.因此,该算法具有更好的寻优性能.     

粒子群优化算法分析

粒子群优化算法是一种基于群体智能的随机全局优化技术，尽管其原理简单易、于实现且功能强大，但目前研究人员还没有对它的工作原理做出足够的解释．将群体优化过程看成一个动态系统的演变，采用线性离散时间系统的分析方法对算法的收敛性进行了分析，导出了简化PSO算法的收敛条件．考虑到参数是影响算法性能和效率的关键因素，利用标准测试函数对算法的参数选择进行了详细的分析，并给出一些指导性原则．     

近地小行星探测任务月球借力逃逸转移混合优化方法

利用月球借力能够提升送入深空的有效载荷的质量。设计月球借力深空逃逸轨道主要有两种方法:正向法将借力轨道参数化后,利用全局优化算法进行优化,该方法思路直观,但优化参数多,导致计算耗时长,收敛稳定性差;反向法先确定日心段最优轨道,再拼接月球借力地心段轨道,该方法计算耗时少,但模型精度差,并且不容易收敛到全局最优解。为了快速求解月球借力深空逃逸轨道,本文在已有方法基础上提出混合优化方法。提出的混合优化方法充分利用反向法收敛速度快和正向法精度高的优点,先以反向法的多目标优化Pareto解集为参考轨道,再在参考轨道附近开展局部优化,利用正向法使用全局搜索算法,快速获得最优转移轨道。以探测近地小行星1989 ML和2003 SM84为例进行了数值仿真,仿真结果显示混合优化法解的收敛稳定性和计算效率相比正向法提升显著,改进后解的收敛稳定性提升至原来的3~4倍,计算时间缩短50%。仿真结果表明混合优化法对解的收敛稳定性和收敛效率提升效果显著。     

粒子群优化算法在桁架优化设计中的应用

粒子群优化(PSO)算法是近年来发展起来的一种基于群智能的随机优化算法,具有概念简单、易于实现、占用资源低等优点.为了解决有应力约束和位移约束的桁架的尺寸优化问题,将PSO算法应用于桁架结构的尺寸优化设计.首先介绍了原始的PSO算法的基本原理,然后引入压缩因子改进了PSO算法,并提出合理的参数设置值.对几个经典问题进行了求解,并与传统的优化算法和遗传算法进行了比较.数值结果表明,改进的PSO算法具有良好的收敛性和稳定性,可以有效地进行桁架结构的尺寸优化设计.     

桁架结构形状优化的粒子群优化算法

为解决有应力约束、几何约束以及局部稳定性约束的桁架结构的形状优化设计,将粒子群优化(PSO)算法应用于桁架结构的形状优化设计.首先详细介绍了原始PSO算法的基本原理,然后引入压缩因子改进了原始的PSO算法,并提出了合理的参数设置值.优化计算过程中,综合考虑了节点坐标和截面面积等两类不同性质的设计变量.最后对几个经典问题进行了求解,并与传统的优化算法进行了比较.数值结果表明,改进的PSO算法具有良好的收敛性和稳定性,可以有效地进行桁架结构的形状优化设计.     

电力线多载波系统中自适应资源分配

针对电力线通信系统中应用传统粒子群算法进行比特功率分配存在陷入局部最优值和收敛速度慢的问题,提出了IPSO（improvedparticleswarmoptimization）算法．新算法通过引入遗传算法的交叉和变异操作,克服了传统粒子群算法由早熟收敛而陷入局部最优解的问题,加快了收敛速度．建立了IPSO算法的理论模型,给出了新算法在PLC—OFDM系统中进行比特功率分配的方法．仿真结果表明,在PLC—OFDM系统中应用IPSO算法进行比特功率分配与GA算法和传统粒子群算法相比．可以加快收敛速度．改善系统的信噪比特性．降低系统发射功率．     

基于PSO的电力系统环境经济负荷调度

针对基于线性加权和处理成单目标优化问题的传统方法存在的缺陷,提出使用粒子群优化算法求解EELD多目标优化问题。该方法通过对粒子群算法个体极值和全局极值选取方式的改进,实现了对EELD多目标优化问题的非劣最优解集的搜索,为决策者提供了丰富的参考信息。在此基础上,应用模糊满意度方法求出的最优折衷解为调度运行人员提供了最佳调度折衷方案。最后,对一个三机系统进行了测试,并与线性加权人工神经网络法进行了比较分析,仿真结果验证了该方法的有效性。     

基于PSO模糊神经元的异构无线网络接入选择

采用模糊逻辑和神经网络技术进行异构无线网络接入选择的方法未合理考虑网络负载状况,为此提出一种对网络负载具有很好动态适应性的基于粒子群优化(PSO)模糊神经元的接入选择方法. 该方法将可接入网络的接入阻塞率相等作为模糊神经元参数学习的目标,并结合具有全局寻优能力的PSO算法设定参数初值,提高了参数学习精度. 仿真结果表明,该方法能有效实现网络间负载均衡,相对于最大负载均衡算法可降低网络的接入阻塞率.     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

基于粒子群算法的ANFIS模型参数优化

粒子群优化算法是一类全局随机进化算法,算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。根据粒子群算法对整个参数空间进行高效并行搜索的特点,提出了最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统网络结构参数进行优化设计。混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明本算法的有效性。     

基于免疫原理的粒子群排样优化方法

针对排样优化中种群个体多样性保持及全域寻优存在的问题,将免疫系统的免疫信息处理机制引入到粒子群优化算法中,建立求解排样问题的粒子群免疫优化方法。该方法借鉴人工免疫中抗体的多样性保持机制及免疫记忆功能,强调优势基因的进化和浓度稳定,提高了算法的全域搜索速度并保持了群体多样性。实验表明,在对船舶不规则件排样优化问题求解中,免疫机制对粒子群优化的最优搜索具有较好的有效性和较高的可行性。