粒子群优化中最大速度选择

文中研究了粒子群优化中最大速度与优化性能的关系,选择了四个具有非对称初始化设置的基准函数作为测试函数.实验结果表明把最大速度设定在动态范围内的一个较小区间,粒子群优化性能最佳.为了便于描述,引进了最佳速度因子u,分析并测试了不同参数下u对优化性能的影响,为最大速度的选择提供了有效的指导.仿真结果表明,最佳速度因子u是优化过程中的一个特征参数,它随着粒子维数的升高而有所增加,对粒子的个数和初始化范围并不敏感.     

基于差分进化算法的PID优化设计

利用差分进化算法采用随机收缩因子，以提高算法的全局搜索能力和收敛速度的特性，通过在适应度函数中引入超调量、上升时间和系统累积绝对误差，可以使优化后的PID控制器性能达到满意程度。仿真结果表明该PID控制器的性能优于常规方法获得的PID控制器。     

一种改进的多目标粒子群优化算法

提出一种改进的多目标粒子群优化算法,该算法采用精英归档策略,由档案库中的非劣解提供粒子速度更新时的全局最优位置,根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的线密度度量非劣解前端的均匀性,通过删除小密度的非劣解提高非劣解前端的均匀性。针对多目标进化算法理论型指标的不足,设计了应用型评价指标。标准函数的仿真实验结果表明,所提算法能够获得大量的非劣解,快速地收敛于Pareto最优解前端,且分布比较均匀。     

一种PID参数整定的粒子群优化算法

提出了一种PID控制器参数整定的粒子群优化算法。该方法首先通过定义一个包含系统超调量、上升时间和稳态误差指标项的适应度函数,并根据系统的实际控制要求对各指标项适当加权。之后由带收缩因子的粒子群算法对PID进行多目标寻优,从而实现PID控制器的自动参数整定。仿真结果表明,该方法优化得到PID控制器的综合性能优于常规方法得到的PID控制器。     

具有主从结构的粒子群优化算法

提出了一种具有主从结构的粒子群优化算法,该算法实现了惯性权重、加速因子、最大速度等系统参数与目标函数的同步优化。将主程序的一个粒子作为子程序的一组系统参数,在该组控制参数下使用基本的粒子群算法对子程序的目标函数进行优化,并把子程序优化所得的全局最优值返回主程序作为主程序的一个适应值,同时使用基本的粒子群算法对主程序的适应度函数进行优化。实验结果表明,该算法的优化性能较基本的粒子群算法有了显著提高。该方法对于粒子群算法的参数选择具有指导意义。