约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.     

自适应多策略粒子群优化算法的研究综述

粒子群优化(particle swarm optimization,PSO)算法模拟鸟群或鱼群中生物体的运动行为,是一类优秀的元启发式算法。PSO算法的研究现状是进行自适应多策略的探索。所谓多策略是指采用多种策略分别实现保持多样性、逃脱停滞/局部极值、加速收敛和局部搜索等目的,而自适应是指根据种群/粒子的演化状态动态地更新各策略中用到的关键参数以及恰当地进行策略的调用、转换和设置。通过对文献中各种自适应多策略PSO算法进行综述,分析得出PSO算法的发展趋势是结合维和更小尺度的搜索经验知识进行自适应多策略的研究。     

基于自适应粒子群算法的智能家居管理系统负荷优化模型

在能源互联网发展的背景下,针对电网需求侧响应的策略及用户节约用电成本的要求,设计智能家居管理系统(smart home management system, SHMS)的基本结构,构建智能家居管理系统负荷优化模型,并采用引入衰减因子的自适应粒子群算法对模型进行求解,可得到满足用户要求的家庭负荷运行方案。仿真算例采用了实际的分时电价、室外温度、负荷参数等信息,与优化前相比,用户负荷曲线得到改善,用电成本及用电量明显下降,验证了算法的有效性。     

基于粒子群优化算法的高阶累积量滤波器

基于高阶累积量（HOC）的自适应滤波器能够滤除高斯噪声或其它具有对称概率分布函数的噪声，其解法一般采用的是梯度搜索法，但是梯度搜索过程难以避免局部收敛而且计算复杂．粒子群优化算法（PSO）具有算法简洁，易于实现，且不需要梯度信息等优势．使用粒子群优化算法求解高阶累积量自适应滤波器系数优化问题，为滤波器参数的优化提供了一种新的思路．仿真结果表明，使用PSO优化算法求解自适应滤波器系数能获得更高的精度．同时PSO算法受系统跃变的影响较小，因此它在求解非平稳过程模型系统时具有一定的优势．     

基于改进粒子群算法的电力系统无功优化

简单介绍了基本的粒子群算法,阐述了在电力系统无功优化中的数学模型和变量的约束条件。对于粒子群算法容易陷入局部最优解和后期收敛速度比较慢的问题提出了两个改进的方法,并且在IEEE-6节点系统上进行仿真实验,证明了本算法的可行性和优越性.     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法．介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用，并对其将来的发展进行了展望．     

基于粒子群优化算法的高阶累积量滤波器

基于高阶累积量(HOC)的自适应滤波器能够滤除高斯噪声或其它具有对称概率分布函数的噪声,其解法一般采用的是梯度搜索法,但是梯度搜索过程难以避免局部收敛而且计算复杂.粒子群优化算法(PSO)具有算法简洁,易于实现,且不需要梯度信息等优势.使用粒子群优化算法求解高阶累积量自适应滤波器系数优化问题,为滤波器参数的优化提供了一种新的思路.仿真结果表明,使用PSO优化算法求解自适应滤波器系数能获得更高的精度.同时PSO算法受系统跃变的影响较小,因此它在求解非平稳过程模型系统时具有一定的优势.     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法.介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用,并对其将来的发展进行了展望.     

基于策略模式的粒子群优化算法平台设计

为了扩大粒子群优化算法的应用范围和增强它的影响力,从软件重用的角度出发,考虑到算法流程的共性和个性,设计了一种基于策略模式的粒子群优化算法平台,此平台包含了基本的粒子群优化算法和经典的改进算法,可以解决连续优化和二进制组合优化问题.一系列的粒子群优化算法和优化问题被分别封装到相应的算法策略类和问题策略类中,这些类继承自一个具有统一接口的抽象基类.因此,该平台非常适合于粒子群优化算法的理论和应用研究,且易于维护和扩充.     

基于改进粒子群算法的组合测试数据生成

针对传统粒子群优化算法生成测试数据容易产生早熟收敛而陷入局部最优的问题,提出一种基于改进粒子群算法的组合测试数据生成算法。该算法在粒子群算法的基础上引入一种惯性权重自适应调整策略,根据粒子的适应度不同采用不同的惯性权重,从而有效的平衡算法的全局和局部搜索能力,增加种群的多样性并提高算法的搜索效率。仿真实验表明该算法与传统粒子群算法相比,所需迭代次数减少,生成组合测试数据速度快。     

粒子群优化算法分析

粒子群优化算法是一种基于群体智能的随机全局优化技术，尽管其原理简单易、于实现且功能强大，但目前研究人员还没有对它的工作原理做出足够的解释．将群体优化过程看成一个动态系统的演变，采用线性离散时间系统的分析方法对算法的收敛性进行了分析，导出了简化PSO算法的收敛条件．考虑到参数是影响算法性能和效率的关键因素，利用标准测试函数对算法的参数选择进行了详细的分析，并给出一些指导性原则．     

一种改进的粒子群优化算法及其应用

介绍了粒子群优化算法及其原理,针对其后期容易陷入局部极值的缺陷,提出了一种改进粒子群算法.改进算法采用全局最优粒子变异策略和部分粒子群部分维初始化策略.通过将其应用于(N M)容错系统模型的实例,对改进算法的性能进行了分析,结果表明,改进算法的搜索效率和精度均优于一般的粒子群算法,同时具有较好的收敛稳定性.     

基于改进粒子群算法的配电网重构的研究

提出了基于改进二进制粒子群算法的配电网重构策略,在保证系统及用户供电质量的前提下,使得配电网重构的综合费用最低。从配电网重构实际应用出发,提出了综合考虑系统的电能损耗费用、开关运行维护及投切费用和停电损失费用四方面的目标函数。针对普通粒子群算法易陷入局部极值的缺点,采用改进的惯性权值策略,增强了算法的调节功能,克服了普通粒子群算法的早熟收敛现象。算法还对开关操作次数约束进行了处理使之不影响全局最优性。仿真结果表明,这种配电网策略可以明显降低系统网损和综合费用。改进的粒子群算法计算速度快,目标函数更贴近配电网重构的实际情况。     

一种基于校正因子的自适应简化粒子群优化算法

针对已有粒子群算法中全局搜索和局部搜索存在盲目性和滞后性以及粒子的早熟收敛等问题,提出了一种基于校正因子的自适应简化粒子群优化算法。该算法在简化粒子群算法基础上,以粒子间平均粒距大小作为触发条件,对惯性权重、平均个体极值和全局极值进行自适应扰动。校正因子可以根据当前粒子群个体信息和全局信息自适应调整,从而完成对当前粒子状态及时准确的更新,最终使粒子可以准确而快速的找到全局最优解。对3种典型测试函数的测试结果表明该算法具有较高的全局和局部搜索能力、能够有效地避免算法陷入局部极值,是一种实用且高效的粒子群改进算法。     

融合PSO算法思想的进化算法

粒子群算法(particle swarm optimization,PSO)是仿真于生物群体的社会行为的一种智能优化算法,其原始形式难以体现数学的直观性和本质性。然而,在简化算法原始模型的基础上,PSO算法的理论分析得到其数学模型,并且说明了其是一个迭代进化系统。利用PSO算法的数学模型代替标准PSO算法速度及位置的迭代公式,并选择适当的参数,从而构造了一种新的进化算法。新的进化算法形式更能直接体现PSO算法的数学思想。经仿真试验表明,新的进化算法效果不差于标准PSO算法,并且参数少且容易分析。     

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.     

基于差分进化的量子粒子群优化算法的研究

为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE -QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE -QPSO、QPSO和 粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.     

改进粒子群算法的工业机器人几何参数标定

针对传统粒子群(PSO)算法在解决工业机器人几何误差标定问题中存在的收敛速度慢的缺点,提出了一种基于两段式的动态粒子群算法(LDPSO-BT)。用Denavit-Hartenberg方法建立工业机器人的误差模型,将几何误差标定问题转换成对高维非线性方程的求解;对粒子群数目进行线性递减,同时针对算法求解过程中粒子数目线性递减的特点,在改进粒子群算法迭代后期采用改进的搜索模式,对传统粒子群的速度迭代公式进行改进;仿真实验对比了工业机器人几何误差标定前与标定后两种算法的末端定位精度。实验结果表明:在采用粒子群算法辨识工业机器人实际几何参数的过程中,粒子群数目对算法的迭代时间有重要影响,通过线性递减的方式减少粒子群的粒子数目可以有效地减少工业机器人几何误差标定时间,同时在粒子群算法迭代后期采用改进的速度迭代公式可以确保收敛精度。与传统粒子群算法相比,使用改进后的粒子群算法,不仅可以有效减少工业机器人的定位误差,而且还拥有更高效的迭代效率。