基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合，既摆脱了算法搜索后期易陷入局部极值点的缺点，同时又保持了前期搜索的快速性，最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比，比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法．     

基于混沌粒子群优化的时变解耦模糊滑模控制

为确认单输入解耦模糊滑模算法是否具有稳定性,通过构造合适的Lyapunov函数,对该种算法进行稳定性分析,证明该算法具有渐近稳定性;为准确而快速的得到最佳控制增益,在基本粒子群算法的基础上,提出了用混沌粒子群算法选取其最佳控制增益,仿真研究表明：混沌粒子群算法较基本粒子群算法的收敛速度和优化效果都得到了提高.     

改进型混沌粒子群算法求解函数均值问题

针对基本粒子群优化算法易陷入局部最优的缺陷,提出一种基于有限作用域的混沌粒子群优化算法。利用特定的初始分布涵盖全局最优值,利用混沌序列良好的非线性性质来影响粒子速度的更新过程;以有限作用域外的粒子遍历优化问题的可行域,从而增加粒子对可行域的广度搜索,以有限作用域内的粒子搜索最优值,从而提高全局最优值的精度搜索效率。把本文算法应用到函数均值求解的实验中,结果表明,本文算法具有较好的求解精度和求解效率值。     

基于混沌和多群体的粒子群优化算法

由于基本粒子群优化算法存在初始化随机性和遍历性不强,全局搜索容易陷入局部最优的问题,提出了基于混沌和多群体的粒子群优化算法,利用混沌特性初始化粒子,增强其随机性和遍历性,并根据适应度值将粒子群划分为多个群体,对不同群体中粒子的速度和位置采取不同的计算方法,进一步提高算法的收敛速度和精度。     

AISPSO算法在电网无功优化的应用

针对粒子群算法搜索后期的局部收敛问题,提出加入邻域空间和择优替换粒子改进方法的自适应信息选择粒子群优化(AISPSO)算法.将AISPSO算法应用于电网无功优化,选取发电机节点电压、变压器、无功补偿容量为控制变量,代入粒子编码机制寻优,在连续5次迭代无法跳出时,加入邻域空间,替换粒子后再次搜索.通过AISPSO算法优化调度,搜索电网网损最优值,达到电网无功优化目标.根据研究数据对比,AISPSO算法寻优所得网损比基本粒子群算法降低了4.43个百分点.     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

基于混合粒子群算法的梯级泵站优化调度

针对不同时段电价差异,以流量平衡为基础,建立以梯级泵站耗电电费最小为目标的优化调度模型,并采用粒子群算法求解.为克服粒子群优化算法易早熟、迭代后期收敛速度慢的缺点,引入免疫思想,以粒子适应度为标准,通过克隆变异算子、疫苗接种算子和优胜劣汰算子,构建双粒子群,增强了粒子群搜索精度和搜索范围,并将其应用于广东某供水工程.优化调度仿真对比分析表明:免疫粒子群算法(IAPSO)能够有效地解决梯级泵站优化调度问题,降低了泵站运行成本,与基本粒子群算法(PSO)和自适应惯性权重粒子群算法(APSO)相比,收敛速度更快,搜索精度更高.     

一种混沌粒子群混合算法研究

提出了一种混沌粒子群混合算法,该算法综合了粒子群算法全局寻优的高效性和混沌算法局部搜索的随机性和遍历性.通过对几种函数的测试,结果表明该算法的搜索效率和寻优精度高于一般的粒子群算法和改进的粒子群算法.     

粒子群算法在阵列天线方向图综合中的应用

针对目前粒子群优化算法在多零点低旁瓣约束的阵列天线方向图综合中早熟收敛、易陷入局部极值的问题,融合混沌优化算法和粒子群优化算法的优点,提出了一种新的混合优化算法.当种群进化停滞时,新算法在种群最优位置的邻域内进行混沌搜索以寻找更优解,其混沌搜索范围可自适应地调整.新的种群最优位置在更新其每一维分量时,选取不同的粒子作为学习对象,提高了粒子的多样性.将此算法应用于阵列天线方向图综合中,能有效地生成多零陷,并抑制旁瓣.     

电力系统经济负荷分配的改进粒子群算法

为解决电力系统中的经济负荷分配问题,将改进粒子群算法用于其中。该算法是以基本粒子群算法为基础,利用优化惯性权重策略以及改进最优最差粒子策略,使改进粒子群算法具有高效率全局搜索能力。对三个算例进行仿真测试,证实该算法可有效地解决经济负荷分配问题;性能对比显示,该算法求得的解优于基本粒子群算法及其它优化算法所求得的解。     

一种改进的混合粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,把Hooke-Jeeves模式搜索方法作为粒子群优化算法的一个局部搜索算子,嵌入到粒子群算法中,Hooke-Jeeves的强局部搜索能力提高了粒子群优化算法的局部收敛速度和精度,从而提出了一种混合粒子群优化算法。通过基准函数和实例测试进行了验证,结果表明,提出的混合算法的收敛速度和精度均优于粒子群优化算法。     

新型混合粒子群算法在核动力设备优化设计中的应用

针对标准粒子群算法在处理非线性约束优化问题时存在收敛速度慢、精度低和易陷入局部最优的缺点,设计了一种新型混合粒子群算法,该算法采用可行性原则处理约束条件,避免惩罚函数法中惩罚因子选取的困难;引入基本复合形法产生初始可行群体,加快粒子群收敛速度;引入遗传算法的交叉和变异策略,避免粒子群陷入局部最优;在迭代末期的优解附近,进行改进复合形算法的寻优,提高最优解的精度.通过算法测试基准函数的优化计算,结果显示,新型混合粒子群算法有较好的优化性能,并在核动力设备优化设计中有很好的应用.     

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.     

混合有源电力滤波器中无源滤波器多目标优化设计

对粒子群优化算法进行改进,引入异步时变加速系数和线性时变权重系数,提出一种改进型粒子群优化算法。将无源滤波器的滤波效果、无功补偿容量及初期投资作为优化目标,利用改进型粒子群优化算法对混合有源电力滤波器中无源滤波器参数进行优化设计。仿真验证了理论分析和设计的正确性,相关设计方法可为其它类型的混合有源滤波器中无源滤波器的优化设计提供参考。     

混合粒子群优化算法及其在预测控制中的应用

在时变加速因子的自组织粒子群算法、中值粒子群算法、混沌粒子群算法的基础上,提出了一种新的混合粒子群优化算法( MPSO),并利用这种新的算法来训练径向基函数(RBF)神经网络的参数(连接权、隐节点中心和宽度),验证了所提方法的有效性.进一步,提出了基于神经网络的非线性系统直接预测控制方案,实现非线性系统的实时控制.通过...     

基于改进粒子群优化的神经网络及应用

为了克服粒子群算法的早熟收敛,提出了一种改进的粒子群算法用于神经网络训练。该算法对种群进行均匀初始化,用多个粒子的信息引导个体的更新,以保证全局搜索的有效性,同时引入随机算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。将改进粒子群算法训练的神经网络应用于IRIS模式分类问题和短期电力负荷预测,与BP算法、遗传算法及粒子群算法比较,该算法在提高误差精度的同时可加快训练收敛的速度。     

基于粒子群和免疫克隆的模糊C-均值聚类

目的基于梯度下降的模糊聚类算法（FCM）选择最优解做改进,降低原FCM对初始值的敏感度,改进模糊C-均值算法,加快收敛速度,改善聚类的效果.方法该算法通过克隆选择改变粒子群优化算法（PSO）中群体的多样性,用PSO代替了FCM算法的基于梯度下降的迭代过程.结果算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极值的缺陷,同时也降低了FCM算法对初始值的敏感度.通过机器学习中的W ine和Iris数据对所提出的算法进行验证,取W ine样本数据为178个,条件属性为13,聚类类别数为3;Iris数据150个,条件属性个数为4,对这两类数据分别进行聚类分析,将试验结果与单纯的FCM和基于PSO的FCM比较,聚类的正确性有所提高.结论基于粒子群和免疫克隆的模糊C-均值聚类算法具有很强的全局搜索能力,提高了聚类的效果和效率.     

粒子群算法在智能组卷中的应用

在C语言程序设计在线考试系统中如何组卷是系统开发的核心,组卷算法的研究则是提高组卷智能化的关键,系统采用了一种改进的粒子群优化算法进行组卷,通过检验该算法能有效提高其收敛速度,改善算法的全局寻优能力,并具有较高的鲁棒性.     

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。