基于BFO-PSO的LT-MED海水淡化温度控制

提出一种基于混合粒子群算法和细菌觅食算法的温度控制器，重点研究了菌群优化粒子群（BFO-PSO）算法的性能，包括突变、交叉、步长变化、趋化步骤和细菌的生命周期等。利用MATLAB仿真平台将其与传统比例积分微分算法（PID）及粒子群算法（PSO）进行控制效果对比，发现该方法效率高。与传统PID和PSO调节的PID相比，细菌觅食优化算法的智能PID在系统响应速度和系统稳定性能上都有很大的提高。     

基于改进的PSO算法的PID控制在VAV空调系统末端的应用

目的 研究变风量空调系统温度-风量PID控制器的整定方法,利用改进粒子群算法的特点设计一种稳定、高效的自适应控制器.方法 以PSO-CF(带收缩因子的PSO)PID控制方法的整定结果作为参考,在PSO-CF算法中用一个差分向量扰乱粒子的认知能力,再根据粒子群的演化规则自动完成最优控制.结果 采用DPSO-CF(扰乱认知能力的带收缩因子的粒子群)PID自适应控制器时,系统的调节时间约为PSO-CF粒子群PID控制方法的30%,超调量减少了约75%.当系统加入扰动时,相比带收缩因子的PSO,扰乱认知能力的带收缩因子的粒子群PID自适应控制器的调节时间少,超调量小,系统控制品质得到了较大的改善.结论 改进的算法不仅具有良好的鲁棒性,而且还有良好的收敛性.采用上述自适应控制器后,整个系统体现了良好的动态性能及较强的鲁棒性.     

基于改进PSO算法的柴油机PID控制器参数优化

PID控制器因具有结构简单、鲁棒性强和适用性广的特点而得到广泛应用;其控制效果取决于比例系数(Kp)、积分系数(Ki)和微分系数(Kd)3个参数的取值。为了解决控制参数的选取,提出一种基于改进粒子群优化(ParticleSwarm Optimization,PSO)算法的PID控制器参数优化策略,并将优化方案应用于柴油机转速PID控制器。仿真研究表明,改进PSO算法的PID参数优化策略具有很强的灵活性、适应性和鲁棒性,进而验证了优化方案的可行性和有效性。     

改进型粒子群算法磁致伸缩作动器的跟踪控制

在低频条件下,以磁致伸缩作动器线性模型为基础,设计了PID及前馈PID控制器。针对固定参数控制器自适应能力较弱的现状,提出用粒子群（ PSO）算法对固定参数控制器进行优化。针对标准PSO算法存在早熟收敛、后期迭代易陷入局部最优的不足,进一步提出了一种可动态调整惯性权重及遗传变异的改进型粒子群（ IPSO）优化算法,并将该算法与前馈PID相结合应用于磁致伸缩作动器的位置跟踪控制。仿真结果表明：针对指令阶跃信号,相对传统PID及前馈PID控制,改进型PSO前馈PID控制具有控制精度高,位置跟踪效果好及抗干扰能力强的特点。     

应用神经网络粒子群算法的多用户检测

为了减少最优多有户检测器的计算复杂度,提出了一种融合粒子群优化算法和神经网络的神经网络粒子群优化算法,并设计了一种解决CDMA通信系统的多用户检测问题的新方法。该方法是把神经网络嵌入到粒子群优化算法的每一代中以改进算法性能。通过混合神经网络到PSO中,还可以加快PSO的收敛速度,减少计算复杂度。仿真结果证明了所设计的检测器无论抗多址干扰能力和抗远近效应能力都优于应用Hopfield神经网络、遗传算法和粒子群算法的多用户检测器。     

基于改进粒子群算法的热连轧粗轧短行程控制曲线优化

对热连轧粗轧短行程控制原理和模型进行深入的分析基础上,采用一种新的进化寻优方法一粒子群优化方法,简称PSO算法,对短行程控制曲线进行优化;为了保证粒子群算法的全局最优性,在算法中采用带有变异算子的改进粒子群算法．经实验仿真证明,获得满意的效果,采用改进PSO算法优化后的短行程曲线,可以降低板坯头尾宽度偏差,减少头尾切损量,是一种有效的短行程控制优化方法．     

粒子群优化算法的PID控制在最大风能捕获系统中的应用

在永磁同步风力发电系统中,传统的PID算法广泛应用在浆距角控制及最大风能捕获系统中。但由于自然环境和运行效率等因素的影响,系统中容易出现积分饱和现象．因此,针对传统的PID整定算法,提出一种将粒子群收缩优化算法（PSO）与传统PID算法相结合的防积分饱和算法,并将这种算法应用在最大风能跟踪捕获系统下的浆距角控制中．在PscAD／EMll）c仿真软件的基础上,搭建系统平台,通过对仿真结果的分析,得出两种算法相结合的优越性,同时系统的抗扰动及鲁棒性也得到增强．     

基于PSO-PID汽包水位系统优化控制

针对锅炉汽包水位控制动态响应缓慢、滞后大等问题,提出了一种将粒子群PSO（Particle Swarm Optimization,PSO）算法与PID控制相结合的控制策略,设计了一套PSO三冲量PID自适应控制器,实现对水位的控制。结果表明,PSO-PID算法在汽包水位控制上超调小,调整时间短。     

基于文化粒子群算法的开关磁阻电机多目标优化设计

特殊的结构和控制方法使得开关磁阻电机(SRM)具有多变量、强耦合、高非线性等特点,如何快速而准确的得到最优设计方案一直是研究的热点与难点。首先将粒子群算法(PSO)与文化算法(CA)相结合,构建了文化粒子群优化算法(CPSOA),通过将PSO嵌入到CA架构,实现了不同空间群体的并行进化,提高了PSO的优化精度与效率。然后,采用传统设计方法得到了SRM的初始设计方案,并进行了初步校核。最后,针对一定的目标和约束,以参数对性能的影响模式为基础,利用CPSOA对初始方案进行了优化,得到了关键几何尺寸和控制参数的全局最优解。     

一种基于GPU加速的细粒度并行粒子群算法

提出了一种基于GPU加速的细粒度并行粒子群算法,将并行PSO求解过程转化为GPU纹理渲染过程,使PSO算法在GPU中加速执行,在取得了较好的优化效果的同时,增大了细粒度并行的粒子规模,提高了算法的运算速度,并为普通用户的并行PSO工作提供了一种可行的方法.     

用微粒群算法实现水轮机调节器参数的优化设计

目前水轮机调节系统PID参数整定一般都是根据经验公式或现场反复试验获取,它往往不易获得最佳参数.为了保证获得最优水轮机PID调节器参数,本文研究了利用微粒群优化（PSO）算法进行参数优化设计的新方法.PSO算法是一种新的仿生优化方法,具有结构和运算简单的优点.仿真试验结果表明,用微粒群算法优化水轮机调节器参数,可以获得满意的控制精度和效率.与改进的遗传算法优化结果相比,各项控制性能指标（如调节时间、负调、超调量等）都优于遗传算法整定的PID调节器.     

改进的PSO算法在RFID网络调度中的应用

为在寻优过程中有效地保持算法的种群多样性,提出了一种改进的PSO（ParticleSwarmOptimization）算法——PSOPc（ParticleSwarmOptimizerbasedonPredator—preyCoevolution）。PSOPC算法将生态系统中捕食者和猎物的竞争协同进化机制嵌入到PSO算法中。基于PSOPC进行RFID（RadioFrequencyIDentification）读写器网络调度模型的求解,根据读写器冲突关系的变化在线进行读写器的时隙分配求解与控制,在不影响读写器工作效率的同时,有效消除密集读写器环境下的读写器冲突问题,并优化整个读写器网络的工作效率。     

一种基于微粒群算法的自适应滑模控制

提出了一种基于微粒群算法的自适应滑模控制方法,把微粒群算法运用于自适应滑模控制器设计中。首先利用一种自适应算法估计系统中总不确定量的上确界,然后利用微粒群算法对自适应滑模控制器的切换参数和自适应参数进行优化调节,在改善系统控制性能和鲁棒性的同时削弱了抖振。仿真研究结果证明了该方法的有效性。     

基于微粒群算法的投资组合分析

介绍了将微粒群算法应用于求解均值．方差一峰度投资组合模型,分析了模型中的参数和求解结果之间的关系,并选取深交所4只股票来进行模拟仿真,最后仿真的结果说明微粒群算法对均值一方差．峰度模型是有效的。     

积分过程的PID控制器智能优化设计

针对积分时滞过程,采用微粒群优化(PSO)算法对比例-积分-微分(PID)控制器的参数进行优化设计.通过将PID控制器的参数设置为群体微粒在参数空间中的位置,模拟群体智能和动物觅食的动态行为来对PID参数寻优,使代表PID控制器参数的微粒逐渐向最优区域移动,获得最佳的PID参数.在优化过程中采用了偏差平方积分(ISE)的优化指标.实例仿真结果表明,基于微粒群算法优化得到的PID控制器不仅响应速度快、超调量小、抗干扰能力强,而且对过程时滞的变化具有较强的鲁棒性.     

基于微粒群算法的NURBS曲线降阶

从最优化思想出发,把NURBS曲线的降阶问题转化为求解优化问题,并基于微粒群算法,给出NURBS曲线降阶的一种新方法．该方法可以实现多次降阶,且降阶后的NURBS曲线直接以显式给出．     

基于粒子群优化的生物网络布局

基本粒子群算法（Particle Swarm Optimization,PSO）用于生物网络布局优化存在以下不足：存在影响布局优化的边界效应（boundary effects）,并且仅适用于小规模网络.针对边界效应提出了无边界限制的PSO算法（FPSO算法）.该算法一定程度上减少了边界效应对布局的影响.针对较大规模生物网络布局,提出了具有免疫反向学习特性的PSO算法（IO_FPSO算法）.采用主观评价、目标函数评价和布局准则定量评价进行算法比较,实验结果表明FPSO算法明显优于基本PSO算法,而IO_FPSO则进一步改善了较大规模生物网络布局效果.     

用离散粒子群优化算法求解WTA问题

为了提高武器-目标分配(WTA)问题的求解效率和性能,提出了一种用离散粒子群(DPSO)算法求解此问题的新方法.对粒子群算法中的速度和位置进行了重新定义,使其可求解WTA这类离散组合优化问题,并采用贪心的启发式策略对迭代产生的方案进行调整,以利于快速找到最优或次优的分配方案.算法测试表明新算法执行速度快,结果令人满意,...     

混合群智能算法在模体识别中的应用

为了避免传统吉布斯算法的诸多缺陷,提高算法的求解能力,对蚁群算法（ACO：Ant Colony Optimiza-tion）进行了改进：引入粒子群算法（PSO：Particle Swarm Optimization）动态调节ACO函数中的参数获得最优解。在奔腾PC机的实验平台上、Windows 2003Server操作系统下、开发工具为VB的模拟实验中,结果证明,混合的群智能算法使经典旅行商问题求解的计算时间缩短,提高了算法的收敛速度,有较好的发展前景。利用PSO处理连续优化问题的优点,将混合算法应用于生物信息学的模体识别中,可实现更加快速的基序发现处理。