粒子群算法的理论分析与研究

粒子群算法是上世纪90年代兴起的群体智能算法,其特点是模拟自然界生物群体行为来构造随机优化算法,它对函数性态要求较弱、寻优结果和初值无关,并具有一定的并行性,因而成为优化算法领域研究的一个热点。介绍粒子群算法的研究现状,重点论述标准粒子群算法以及几种主流的改进型粒子群算法,并提出未来可能的研究方向。     

粒子群优化算法在电网规划中的应用

粒子群算法适合求解连续变量优化问题,本文提出了粒子群算法的新离散化方法。常规粒子群算法在电力系统优化问题中取得了成功,但有"趋同性"。本文提出了改进多粒子群优化算法(IPPSO),IPPSO是两层结构:底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快收敛。粒子群以及粒子状态更新策略不要求相同。     

混合粒子群算法在混流装配线优化调度中的应用

应用粒子群算法求解混流装配线的优化调度问题,给出粒子的构造方法,并针对算法中存在过早收敛的问题,提出了一种与局部优化和粒子微变异方法相结合的混合粒子群算法.给出了一个实例,实例应用粒子群算法和混合粒子群算法分别进行求解,与其他一些方法比较表明,混合粒子群算法可以有效、快速地求得混流装配线优化调度问题的解.     

基于混合粒子群算法的物流配送路径优化问题研究

针对物流配送路径优化问题,提出了一种融合Powell局部寻优算法和模拟退火算法的混合粒子群算法,以克服单用粒子群算法求解问题早熟收敛的不足,增加算法的开发能力,提高算法的全局搜索能力,并进行了实验计算.计算结果表明,用混合粒子群算法求解物流配送路径优化问题,可以在一定程度上提高粒子群算法在局部搜索能力和搜索全局最优解概率,从而得到质量较高的解.     

可靠性优化的一种新的算法

建立了可靠性冗余优化模型,提出了一种基于粒子群优化算法的可靠性优化的新方法,该方法结合了遗传算法的思想。实例结果表明,粒子群算法比模拟退火算法和遗传算法效果好。     

无功优化中粒子群、遗传算法的简要对比

在做无功优化算法设计时,发现遗传算法和粒子群算法是无功优化的两大主要算法,相关算法都是从这两中标准算法中改进而来,到底选择哪一分支去改进更好,本文通过IEEE6标准节点系统的仿真结表明：粒子群算法用于无功优化具有可行性和有效性,比遗传算法更具优势。     

模拟退火-二进制粒子群优化算法在配电网重构中的应用

将模拟退火算法与二进制粒子群算法相结合应用于配电网重构的优化算法既发挥了粒子群算法收敛速度快的特点,又因为引入的模拟退火算法具有的较强的跳出局部最优解能力,实现了有效地避免粒子群算法易陷入局部极值点的缺点,提高了进化后期算法的收敛速度和精度。实例中应用IEEE16节点系统的算例验证了模拟退火-二进制粒子群混合算法在配电网重构中的可行性和有效性。     

带爆炸算子的粒子群优化算法

粒子群优化算法(PSO)在应用中极易陷入局部最优并且后期收敛速度较慢。针对这两个问题,分析标准粒子群优化算法的收敛特性,利用粒子群算法的惯性权重来保证算法的全局寻优能力,提出的局部搜索策略是在两次迭代过程中粒子位置突变较大时融合爆炸算子提高粒子的局部开采能力,极大的改善算法后期的收敛速度。通过典型的函数优化实验验证,改进算法在寻优能力、寻优精度、收敛速度等方面都有较好性能。是平衡粒子探索和开采能力的高效算法。     

基于粒子群-蚁群混合算法的软件测试数据生成方法研究

在用于面向路径测试用例自动生成的智能优化算法中,由于各种参数设置的数学理论基础薄弱,算法普遍存在搜索效率较低的问题。在分析粒子群算法和蚁群算法的基础上,提出的粒子群-蚁群混合算法将粒子群优化算法和蚁群信息素选择方法有机地结合起来。通过经典的路径测试实验,实验结果表明,算法在自动生成软件测试用例的搜索过程中,充分发挥了粒子群算法较强的全局搜索能力和蚁群算法的区域搜索能力,提高了软件测试用例自动生成的效率。     

基于多目标粒子群协同算法的状态参数优化

针对铅锌烧结过程综合透气性、烧结终点的优化具有强非线性、计算复杂等特点,提出了一种有效的多目标粒子群协同优化算法。首先,建立了有综合透气性、烧结终点两个目标的优化模型。接着,通过改进的约束比较方法、粒子极值选取方法,以及利用不同的粒子群来分别优化相应的变量,提出了一种改进的多目标粒子群协同优化算法。最后,利用提出的多目标优化算法进行综合透气性、烧结终点的优化。仿真结果表明,所提出的多目标优化算法能较好地解决综合透气性、烧结终点的优化问题。     

改进的混合粒子群优化算法

针对粒子群算法后期收敛速度较慢,易陷入局部最优的缺点,提出了改进的混合粒子群算法.通过更改现有的速度更新公式,加入扰动项,以及引入交叉和变异算子等措施,改进了粒子群算法的性能.数值试验表明,改进后的粒子群算法在全局寻优和局部寻优能力上均得到提高,是一种有效的优化算法.     

基于改进粒子群优化算法的快速小目标检测

提出了一种快速小目标检测方法.在算法优化方面,采用粒子群优化算法.为了克服传统粒子群优化算法的一些不足,对粒子群的拓扑结构进行了自适应的调整,改进了粒子群的多样性和寻优能力.在小目标检测方面,主要通过图像局部方差增量描述小目标作为图像局部灰度突变区域的这种特性.通过将粒子群优化算法引入到检测中,提高了检测速度.通过仿真实验,粒子群的寻优能力有了明显的增强,检测的性能有了大幅度的提升,并且检测结果是可靠和有效的.     

基于智能优化算法的膜系设计展望

本文概述了膜系设计的主流设计方法。介绍了粒了群优化算法和差分进化算法两种新兴智能优化算法,阐述了这两种新的智能优化算法的算法原理。提出未来将智粒子群优化算法和差分进化算法引入膜系设计的研究方向展望。     

粒子群优化算法在水文科学中的应用进展

介绍了粒子群算法的标准算法及流程,探讨了粒子群算法在水库优化调度、水电站经济运行、参数优选等水文领域中的研究成果和存在的问题,指出未来应该加强粒子群算法改进机理和收敛性能的研究,并与其他算法技术相比较、结合,拓展其在水文科学领域的应用范围,为解决水文领域中大量优化问题提供新途径。     

粒子群算法的基本理论及其改进研究

粒子算法是一种随机优化的技术,它的理论来自于两位博士在观察鸟群寻找食物和鱼群们学习行为中。这样的理论,在世界上许多领域都被应用的十分广泛。而在优化的过程之中,粒子群算法很多自己独特的地方。比如它们需要调整的参数不多,结构也不复杂,收敛速度快。文章着重介绍对粒子群算法在不同地方的不同作用,讨论粒子群算法的改进以及未来的粒子算法的发展。     

快速被动群搜索优化算法及其在空间结构中的应用

在快速群搜索优化算法QGSO(quick group search optimizer)基本原理的基础上,提出了改进的快速群搜索优化算法--快速被动群搜索优化算法QGSOPC(quick group search optimizer with passive congregation),并应用于结构优化设计.采用QGSOPC优化算法分别对空间结构进行离散变量的截面优化设计,并与QGSO优化算法、群搜索优化算法GSO(group search optimize)和启发式粒子群优化算法(HPSO)的计算结果进行比较,结果表明改进的快速被动群搜索优化算法QGSOPC与QGSO算法、GSO算法和HPSO算法相比不但具有较好的收敛精度和更快的收敛速度,而且具有很好的稳定性.该算法可有效率地应用于实际结构的优化设计.     

基于改进量子粒子群算法的纸浆浓度控制系统

目的为了克服传统PID控制在具有大时滞性、非线性等特点的纸浆浓度控制系统中性能不足和参数调整困难等问题,研究参数在线调整的方法。方法在传统PID控制的基础上,结合量子粒子群仿生算法(QPSO),提出一种量子粒子群算法优化的传统PID控制器参数,并应用于纸浆浓度控制系统;同时对基本量子粒子群算法进行改进,引入交叉算子,并将该控制算法应用到纸浆浓度控制系统中,并与传统控制进行对比。结果与传统PID控制和基本量子粒子群优化的PID相比较,改进的优化算法能够得到更加令人满意的控制效果,具有系统超调量小、响应速度快、鲁棒性高等优良的性能。结论基于改进的量子粒子群优化算法的纸浆浓度控制系统可有效控制纸浆浓度,能够明显提高系统的控制精度等性能指标,更好地满足实际应用的要求。     

基于粒子群算法的空间直线度误差评定

提出了一种满足最小区域法的空间直线度误差评价的新方法--粒子群算法。根据最小区域条件,建立了空间直线的数学模型以及优化目标函数。阐述了粒子群优化算法的原理和实现方法,然后根据粒子群算法优化求解。实例表明该方法对于空间直线度误差评定等非线性优化问题能得到最优解,可用于三坐标测量机等测量系统的空间直线度误差测量的数据处理。     

基于BSO-BPNN模型的电能计量装置异常诊断方法研究

电网运维人员主要根据用电信息采集系统采集到的巡检数据对电能计量装置进行人工异常检测。针对人工诊断存在的漏报、误报、判断标准不一、准确度低等问题,文章提出一种天牛须搜索算法(beetle antennae search)和粒子群算法(particle swarm optimization)结合的天牛群算法(beetle swarm optimization),并将其用于优化BP神经网络(back propagation neural network)电能计量装置异常诊断模型。文章利用天牛群算法迭代寻优BP神经网络权阈值,根据诊断准确率对天牛群算法优化性能进行评价,并和粒子群优化的BP神经网络模型诊断结果进行对比。实验分析表明,天牛群算法优化的BP神经网络模型对于电能计量装置的异常诊断具有更高的准确度以及稳定性。     

基于分群粒子群算法的平面度误差评定研究

基于分群粒子群算法对平面度误差判定进行了研究。首先建立平面度误差评定数学模型,对平面度误差最小求解转化成对目标函数的非线性最优化问题;接着改进粒子群算法把粒子群一分为二,在不增加粒子个数和粒子维度的情况下,两个粒子群分别用来全局搜索和局部搜索,通过阈值判断早熟现象;最后给出了算法流程。实例验证结果表明:该算法具有较强的优化能力,对测试函数求解的最优解值数据波动性比较小,平面度的公差值为0.0073mm,相比LSM、DM、TPM、PSO、ABC算法公差值平均分别减少了0.0023mm,0.0025mm,0.0027mm,0.0002mm,0.0005mm,评定精度较高。