局部阴影下光伏阵列的三步MPPT算法

在局部阴影的情况下,光伏阵列的P-V特性曲线呈现多峰值特点,传统的跟踪方法常常会受限于局部最大功率点而导致跟踪失效,而智能算法跟踪时间过长。因此,在两类算法研究的基础上,提出了基于扰动观察法和猫群算法结合的最大功率跟踪算法,该算法采用大步长扰动观察法缩小搜索范围;采用猫群算法进行全局搜索最优局部;采用步长逐次逼近的扰动观察法在最优局部内寻找最大功率点。该算法能准确快速地跟踪到全局最大功率点,分别与猫群算法和扰动观察法进行比较分析,验证该算法的有效性。     

改进粒子群优化算法及其在4G网络-基站选址中的应用

针对粒子群优化算法搜索精度不高、整体上容易陷入局部最小的不足,提出了一种改进的粒子群优化算法.该算法一方面在速度更新式中用粒子群中粒子个体极值的加权值替代粒子的个体极值,另外通过使用两种非线性递减函数对惯性权重进行调整,这种改进有效地提高了粒子群优化算法的收敛速度和全局寻优能力.然后,通过对4个基准函数的仿真,验证了本文改进算法的全局收敛寻优能力.最后,将本文改进算法应用于珠三角地区某市4G网络基站选址优化中.仿真和应用的结果表明,改进后的粒子群优化算法具有更高的收敛速度和全局寻优能力.     

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.     

基于对称扰动的改进粒子群算法

存分析现有的一些粒子群算法的基础上,给出了一种指数递减改变惯性权重和对称扰动的改进粒子群算法.对称扰动的引入,增强了单个粒子的搜索性能,使得群体全局寻优能力得到提升.仿真测试结果表明,改进的算法具有更好的求解精度和较快的计算速度.     

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。     

改进的粒子群优化算法及其在电磁装置优化设计中的应用

基于对鱼、鸟群体捕食行为和过程的深入分析与系统研究，文章提出了一种改进的粒子群全局优化算法。主要内容包括：提出了粒子群初始化新机制以提高算法的收敛性能；引入了重启策略以避免算法陷于局部极值点或死循环；设计了全新的速度与位置矢量调节算法以提高优化方法的全局寻优能力。为验证前述工作的有效性和正确性，应用本文提出的改进粒子群算法对典型的数学函数和TEAM Workshop问题22进行了分析和计算。计算结果表明：与原粒子群算法比较，本文算法的全局寻优能力明显提高。     

基于动态种群的双重学习粒子群优化算法

粒子群算法的全局勘探能力和局部开发能力的不协调往往会导致算法收敛不精、陷入早熟。针对上述问题,提出了基于动态种群的双重学习粒子群优化算法(DP-DLPSO)。首先将粒子种群划分为勘探子种群和开发子种群,让两个子种群以不同的学习机制引导粒子运动,粒子处于寻优期间时,子群体间无信息交流,如果开发种群陷入局部最优也不会影响到勘探种群的寻优能力;其次,采用动态种群思想,勘探种群将会把好的粒子输送到开发种群中去,增加开发种群中有效解的几率,提高粒子的收敛精度;最后,对开发种群采用高斯扰动策略以提高粒子跳出局部最优的能力。将DP-DLPSO与5个改进粒子群算法进行比较,实验结果表明DP-DLPSO在收敛精度和收敛速度上具有更大的优势。     

水文模型参数优选的改进粒子群优化算法

针对标准粒子群算法的早熟收敛问题,提出了一个提高算法性能的改进途径,即引入动态改变惯性权重策略和混沌思想,在两个方面同时改进以提高粒子群算法的收敛速度和克服局部极值的能力.对两个函数进行寻优测试表明,改进后的粒子群算法收敛速度、精度以及全局搜索能力均优于标准粒子群算法.最后将提出的改进粒子群算法应用于新安江模型进行参数优选,应用结果表明,该算法具有较强的可行性与实用性.     

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。     

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法.随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力.实验结果表明,改进后的算法在收敛速度以...     

粒子群优化算法在多峰函数寻优上的应用

本文将模拟退火算法的思想引入到粒子群优化算法中,并且通过改变粒子群优化算法的惯性权值递减策略及更新位置的限制,来加速算法的收敛．算法经过对多峰函数的寻优测试,证明了这种改进算法与自适应粒子群优化算法相比较,不容易陷入局部最优,全局寻优能力更强,收敛速度更快．     

一种新改进的粒子群优化算法

由于粒子群优化算法对多极值复杂问题求解时容易陷入局部极值,提出一种新改进的粒子群优化算法。该改进算法是将粒子群进化过程分为两个不同的阶段,每个阶段应用不同的进化模型,通过结合这两种进化模型的各自优点有效地降低群体陷入局部最优。由仿真实验结果可知,对于复杂多极值函数优化问题,本文算法比标准粒子群优化算法的全局寻优能力更强。     

基于寄生模型的粒子群算法在气动优化中的应用

为了解决粒子群算法(PSO)在寻优过程中全局最优和局部最优的矛盾,通过在粒子群算法中加入寄生模型,发展了一种基于寄生模型的改进粒子群算法(SPPSO)。对提出的模拟寄生算法(SP)进行了分析与验证,并将其引入到粒子群算法中,丰富了粒子之间的优势信息源,增强了粒子的信息共享能力,使得SPPSO算法能够有效地跳出局部最优。函数测试表明,该算法显著提高了PSO算法的寻优性能。将SP及SPPSO算法应用于翼型的气动优化设计中,取得了良好的效果,从而表明提出的算法准确有效,具有良好的实用性。     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点，根据混沌运动的随机性、遍历性特点，提出一种基于混沌思想的粒子群优化算法（CPSO）、该算法利用种群适应度方差进行早熟收敛判断，实现对进化过程的监视，当发现种群陷入局部最优时，对种群进行混沌初始化，帮助种群摆脱局部最优点．对4种典型测试函数的仿真结果表明，改进算法明显减少了种群陷入局部最优的可能性．其全局寻优能力明显强于标准粒子群优化算法．     

基于PSO-ABFO的负荷频率控制系统控制器设计与优化

负荷频率控制对于保障电网本身安全可靠运行有重要作用,适宜的控制器整定参数使得电网在各种随机扰动下能维持系统频率稳定和长期安全运行.针对单区域两机组电网的负荷频率控制器参优化整定问题,提出一种基于粒子群改进自适应细菌觅食优化算法(PSO-ABFO)的控制器参数整定设计方法.PSO-ABFO在标准细菌觅食算法的基础上,结合粒子群(PSO)算法思想引入全局最优、个体最优以及自适应步长,重新定义细菌的健康度并修改细菌迁移的方式,提高算法的寻优速度和寻优精度.最后,建立负荷频率控制系统(LFC)模型进行仿真试验,验证所提控制器设计与优化方法使系统动态性能显著提升.     

基于粒子群聚类算法的图像边缘检测

提出了一种基于动态粒子群的聚类算法应用于图像边缘检测。由于FCM算法容易陷入局部最优,并对初始化敏感,这种算法利用粒子群较强全局寻优能力与局部寻优能力,动态确定聚类数目和中心,在此基础上又进行FCM聚类。两者有效地结合起来能搜索到有效的全局最优解。仿真实验表明,该算法应用与图像边缘检测是可行和有效的。     

基于经济负荷分配的混沌迭代粒子群算法

为高效求解复杂的非凸、非线性电力系统经济负荷分配问题,提出了一种混沌迭代粒子群算法：粒子群算法的全局搜索能力很强,但易陷入局部最优,混沌的遍历性特性可有效抑制早熟现象。将最优迭代因子引入粒子群算法,对经粒子群算法搜索后的先验解进行基于一种新 Ｔｅｎｔ映射的混沌变异,并改进算法的迭代策略,以平衡粒子的全局和局部性搜索,避免了早熟收敛。通过 ６机组、１５机组的仿真试验,以及同其他算法仿真结果的比较,验证了本算法良好的收敛性和寻优性。     

基于改进粒子群算法的主汽温系统PID参数优化

应用改进的粒子群优化算法优化PID参数。采用动态变量区间以逐步缩小搜索区间，加快粒子群寻优速度，并且针对粒子群算法可能出现的停滞现象，引入了重新启动策略，改善了算法摆脱局部极点的能力。通过对具有严重参数不确定性、多扰动以及大迟延的电厂主汽温被控对象的仿真研究，结果表明：改进的粒子群算法寻优速度快，计算量小，对PID参数优化是非常有效的，使得主汽温控制系统取得了很好的控制品质，系统鲁棒性比较强。     

基于粒子群优化的模糊聚类算法

针对模糊C均值聚类算法具有容易陷入局部极小值,对初始值和噪声数据敏感的缺点,提出了基于粒子群优化算法的改进模糊聚类算法（PSFC）．该算法引入了粒子群优化算法强大的全局寻优能力,并结合了模糊C-均值聚类算法的特点．实验结果表明,该算法是一种实用的、速度更快、效率更高的改进聚类算法,具有很好的全局收敛性和较快的收敛速度．     

基于改进萤火虫算法的航路规划问题求解

自适应调整萤火虫吸收系数和随机系数以改进随机步长。算法前期侧重全局寻优,而算法后期局部寻优以提升萤火虫算法的快速性和准确性。用该算法对航路优化问题进行了仿真实验。