基于HS-PSO算法的PID控制器参数自整定

针对粒子群算法(PSO)算法局部搜索能力差的问题,提出一种对PID控制器参数进行自整定的基于和声搜索(HS)的改进粒子群优化算法(HS-PSO).通过引入种群进程因子对惯性权重进行自适应调节以提高PSO算法的收敛速度.另外在PSO进化过程中每代产生的最优个体以新陈代谢方式进入和声记忆库中并进行和声搜索,以克服粒子群优化...     

基于自适应惯性权重的均值粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖参数选取等缺点,提出了一种基于自适应惯性权重的均值粒子群优化算法。对算法中的惯性权重参数采用动态自适应变化方式,在迭代过程中根据粒子适应度差值将种群划分为三个等级,对不同等级的粒子采用不同的惯性权重策略,使粒子能根据自己所处的位置选择合适的惯性权重值,更快地收敛到全局最优位置;同时分别用个体极值和全局极值的线性组合取代PSO算法中的全局最优位置与个体最优位置。通过实验仿真与对比,验证了新算法性能优于标准PSO及其它一些改进的PSO算法,能够用较少的迭代次数找到最优解,具有更快的收敛速度和更高的收敛精度。     

基于改进粒子群算法的解耦控制研究与仿真

针对标准粒子群算法优化多变量系统的解耦控制时存在陷入非全局最优值的问题,设计出一种基于自适应变异的粒子群算法优化多变量系统解耦控制器的方法.该方法以标准粒子群算法为基础,在种群进化过程中引入变异操作,对不同进化程度的粒子以不同的概率进行更新,其中没有达到个体最优的粒子以随机的大概率进行位置与速度的初始化,对已经早熟的粒子以一定的小概率更新进化路径,以此来提高种群搜索全局最小值的能力.种群寻到最优值的状态就是控制器效果最好的状态,利用新的网络模型即可解决上述问题.经过对比仿真,验证了该方法的可行性.     

基于Q学习的多任务多目标粒子群优化算法

多任务粒子群优化算法(multi-task particle swarm ptimization, MTPSO)通过知识迁移学习,具有快速收敛能力,广泛应用于求解多任务多目标优化问题.然而, MTPSO难以根据种群进化状态自适应调整优化过程,容易陷入局部最优,收敛性能较差.针对此问题,利用强化学习的自我进化与预测能力,提出一种基于Q学习的多任务多目标粒子群优化算法(QM2PSO).首先,设计粒子群参数动态更新方法,利用Q学习方法在线更新粒子群算法的惯性权重和加速度参数,提高当前粒子收敛到Pareto前沿的能力;其次,提出基于柯西分布的突变搜索策略,通过全局和局部交替搜索多任务最优解,避免算法陷入局部最优;最后,设计基于正向迁移准则的知识迁移方法,采用Q学习方法更新知识迁移率,改善知识负迁移现象.与已有经典算法的对比实验结果表明所提出的QM2PSO算法具有更优越的收敛性.     

一种群活性反馈粒子群优化算法

为解决粒子群优化(PSO)算法的早熟收敛问题,提出一种群活性反馈PSO进化算法SAF-PSO。利用群活性加速度作为多样性测度,当群活性加速下降时,对粒子的位置和速度分别执行进化和变异操作,增强粒子跳出局部最优的能力,提高寻找全局最优的几率。对基准函数的仿真结果表明,与其他PSO算法相比,该算法具有更强的全局搜索能力和更高的寻优精度。     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

基于改进粒子群算法的PID参数优化与仿真

提出了一种基于改进的粒子群优化（PSO）算法的PID控制器参数整定方法。该方法采用了PSO的惯性权值自适应调整机制和粒子种群的动态更新策略,用以加速优化算法的收敛和维持群体的多样性。与常规的PSO算法相比,该方法简单易行,更容易找到全局最优解,优化效率和性能明显提高。将该算法应用非最小相位、一阶滞后等系统的PID控制器参数的优化,能够使控制系统获得较好的动态特性和很强的鲁棒性。仿真实验表明了所提出算法的有效性和优越性。     

具有自适应邻域探测机制的改进型PSO算法

针对基本PSO算法在全局优化中易陷入局部极值和收敛精度低的不足,分析了基本PSO算法早熟收敛的原因,提出具有自适应邻域探测机制的改进型粒子群优化(ANE-PSO)算法.该算法在进化过程中以概率总体递减的方式,选择部分粒子对最佳位置按半径总体递减的规则进行邻域探测,并引入速度变异算子,提高种群的多样性,增强了算法的全局搜索能力.并证明它依概率1收敛到全局最优解.通过与其它三个改进算法比较.结果表明ANE-PSO具有较好的全局搜索能力,收敛速度较快,稳定性较好,且没有增加时间复杂度,较有效的避免了早熟收敛问题.     

协同粒子群优化算法的改进与仿真

传统PSO算法的收敛性能会随求解问题空间维数的增加而下降,根据协同进化原理,通过对传统PSO算法进行协同优化处理,设计一种改进的协同PSO算法。在每次迭代过程中,采用传统PSO算法更新粒子位置和速度,由此产生群体当前的全局最优位置;对所有粒子所经历的最优位置进行降维的协同优化,产生一个参考全局最优解;根据参考全局最优解更新群体当前的全局最优位置。仿真结果表明,该算法可以明显提高收敛速度,在某些问题上可以收敛到全局最优。     

粒子置换的双种群综合学习PSO算法

针对粒子群算法(PSO)种群多样性低和易于陷入局部最优等问题,提出一种粒子置换的双种群综合学习PSO算法(PP-CLPSO)。根据PSO算法的收敛特性和Logistic映射的混沌思想,设计并行进化的PSO种群和混沌化种群,结合粒子编号机制,形成双种群系统中粒子的同号结构和同位结构,其中粒子的惯性权重根据适应度值自适应调节;当搜索过程陷入局部最优时,PSO种群同位结构下适应度值较差的粒子,根据与混沌化种群间的同号结构执行粒子置换操作,实现了双种群系统资源的合理调度,增加了种群的多样性;进而综合双向搜索的同位粒子学习策略和线性递减搜索步长的局部学习策略,进行全局探勘和局部搜索,提高了算法的求解精度。实验选取9个基准测试函数,同时与4个改进的粒子群算法和4个群智能算法进行对比验证,实验结果表明,PP-CLPSO算法在求解精度和收敛速度等方面具备较好的综合性能。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

基于MPSO算法的BP神经网络PID控制器研究

PID控制器是过程控制中应用最为广泛的控制器,而传统PID控制器参数整定难以达到最优状态,同时,存在控制结果超调量过大、调节时间偏长等缺点,因此,将变异粒子群优化算法(Mutation Particle Swarm Optimization,MPSO)运用于BP-PID的参数整定过程中,设计了一种高效、稳定的自适应控制器。考虑MPSO的变异机制,以种群适应度方差与种群最优适应度值为标准,进行种群变异操作,可以克服早熟,提高收敛精度和PSO的全局搜索能力,使MPSO优化的BP神经网络整定的PID控制器能以更快的速度、更高的精度完成过程控制操作。在实验中,通过比较BP-PID、PSOBP-PID以及MPSO-BP-PID三控制器仿真结果,证明了所提MPSO算法的有效性和所设计MPSOBP-PID控制器的优越性。     

基于动态层次分析的自适应多目标粒子群优化算法及其应用

提出一种基于动态层次分析的自适应多目标粒子群优化算法,利用模糊一致矩阵层次分析法选取全局最优粒子,保证进化方向的合理性和客观性。在进化过程中对种群状态进行客观度量,自适应更新种群的权重和学习因子等重要参数,使种群进化具有自我调节能力。将提出的算法分别应用于标准多目标测试函数、PID控制器参数优化和甲醇转化烃类物质的工业过程模型辨识中,通过与其他算法的对比说明了所提出算法的有效性和可行性。     

动态改变惯性权重的自适应粒子群算法

惯性权重是平衡粒子群算法中平衡全局搜索能力与局部搜索能力的重要参数.为实现快速收敛与并避免陷入局部最优,分析了PSO算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度这三者的关系,并把粒子惯性权重定义为这三者的函数以改进PSO算法.该算法在每次迭代后根据此函数更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率.     

自适应收扩系数的双中心协作QPSO算法

针对量子粒子群优化(QPSO)算法迭代后期种群多样性下降、收敛速度慢、易陷入局部最优的缺点,提出一种自适应收缩-扩张系数的双中心协作最子粒子群优化算法。该算法从2个方面进行改进:(1)自适应调节收缩-扩张系数,其目的是帮助粒子跳出局部最优点,提高粒子的全局搜索能力;(2)双重更新全局最优位置,即在每次迭代中,先后分别采用2种不同的方式更新全局最优位置。第1种方式与QPSO算法一致,第2种方式则引入双中心粒子,使其和当前全局最优位置在相应维度上合作,从而达到更新全局最优位置的目的。从固定迭代次数和固定精度角度分析算法性能,仿真结果表明,相比于QPSO算法,该算法在保证复杂度较低的情况下,可提高收敛速度,增强全局和局部搜索能力。     

一种结合灰狼算法的粒子群优化算法

针对粒子群算法有陷入局部最优的缺点,提出一种基于灰狼算法的粒子群优化算法.首先,根据自然界中优胜劣汰的生存法则,对每次迭代种群中的最差粒子进行进化,其次,由于粒子群算法中整个种群中的最优粒子有很强的引导能力,对最优粒子进行扰动,增大寻找全局最优的可能性;最后,结合灰狼优化算法,引导粒子群包围式进行搜索,增强全局搜索能力;将改进的粒子群算法与标准粒子群算法在9个测试函数上进行了寻优精度和收敛速度的对比,结果证明改进粒子群算法(PSO_GWO)在收敛速度和寻优精度上均优于粒子群算法(PSO).     

一种基于引导策略的自适应粒子群算法

为解决粒子群算法前期搜索“盲目”,后期搜索速度慢且易陷入局部极值的问题,对算法中粒子更新方式和惯性权重进行了改进,提出了一种基于引导策略的自适应粒子群算法。该算法在种群中引入4种粒子,即主体粒子、双中心粒子、协同粒子和混沌粒子对粒子位置更新进行引导,克服算法的随机性,从而提高搜索效率;为进一步克服粒子群优化算法进化后期易陷入早熟收敛的缺点,引入聚焦距离变化率的概念,通过聚焦距离变化率的大小动态调整惯性权重,以提高算法的收敛速度和精度,两者结合极大地提高了搜索到全局最优解的有效性。对4个标准测试函数进行仿真,实验结果表明IPSO算法在收敛速度、收敛精度以及成功率上都明显优于LDWPSO和WPSO算法。     

一种新的自适应动态文化粒子群优化算法

为了克服粒子群优化算法在解决复杂问题时易陷入局部最优的缺陷, 提出了一种新的自适应动态文化粒子群优化算法。该算法引入评价粒子群早熟收敛程度的指标来判断种群空间粒子群状态, 以确定影响函数对种群空间粒子群的作用时机, 当算法陷入局部最优时, 自适应地利用影响函数对种群空间进行变异更新, 从而有效发挥文化粒子群算法的双演化双促进机制。并且根据种群的早熟收敛程度自适应地调整粒子的惯性权重, 使种群在进化过程中始终保持惯性权重的多样性, 在算法的全局收敛性与收敛速度之间作一个很好的折中。最后对四个经典的测试函数进行仿真, 结果表明该算法具有很强的搜索能力, 收敛速度和收敛精度也有所提高。     

一种改进的新颖的粒子群优化算法

针对PSO在寻优过程容易出现“早熟”现象,提出了一种基于Sobol序列的自适应变异PSO算法（SAPSO）。该算法以积分控制粒子群算法（ICPSO）为基础,使用准随机Sobol序列初始化种群个体,并在算法过程中引入基于多样性反馈的Beta分布自适应变异来保持种群的多样性,避免陷入局部最优。仿真结果表明,SAPSO算法在求解复杂优化问题时优势明显,可以有效地避免算法陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力。     

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。