腰部外骨骼机器人线性自抗扰控制器参数优化

针对腰部外骨骼机器人线性自抗扰控制器参数难以调整的问题,本文提出一种基于天牛须搜索的改进粒子群算法(PSO)。建立腰部外骨骼机器人模型,采用线性自抗扰控制器,进一步引入改进的PSO对其进行参数优化。该算法通过混沌初始化种群,提高粒子执行效率;采用非线性策略调整惯性因子和学习因子,加强粒子的搜索能力;引入天牛须搜索算法与PSO结合,并采用自适应权重,使得粒子可对周边环境进行较好地判断,避免粒子陷入局部最优。分别通过6个测试函数和建立系统评价指标进行仿真实验,结果表明所提出的算法有更好的收敛精度,优化后的控制器具有更好的控制性能。     

基于改进XGBoost超参数优化的地下工程空调系统负荷预测

针对地下工程空调负荷难以精确预测的问题，提出一种基于天牛须搜索算法（Beetle Antennae Search， BAS）优化极限梯度提升算法（eXtreme Gradient Boosting， XGBoost）的负荷预测模型。该算法通过引入典型最优解引导机制优化常规BAS算法中的位置更新策略，同时采用线性递减策略对天牛的搜索步长进行修正，以实现更快达到全局最优点，提高收敛速度；并利用改进的BAS算法对XGBoost中的决策树个数、树的最大深度2个对模型预测精度有较大影响的超参数进行寻优，以获得XGBoost的最优参数组合，提高模型预测精度。最后，以某地下保障工程空调系统为研究对象，验证所提出的预测模型的有效性。     

基于灰狼优化的反向学习粒子群算法

针对粒子群算法（PSO）易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法。     

基于精英克隆选择的粒子群优化算法研究与应用

粒子群算法(PSO)是一种基于迭代的智能算法,具有较好的全局搜索能力,但局部搜索能力较弱.针对粒子群算法容易陷入局部最优不足这一问题,本文提出了一种精英克隆选择的方法.该算法在基本粒子群算法的基础上保留了种群中的若干个精英粒子,然后将这些精英粒子进行克隆复制,并将复制之后的粒子进行变异操作,再将变异之后的粒子与变异前的粒子进行亲和度的比较,保留下来亲和度提高的粒子并替换之前适应值较差的粒子,通过这种方式增强了种群的多样性,从而避免了粒子陷入局部最优的问题.此外,本文引入了新的改进惯性权重的机制,根据粒子位置和速度的情况自适应地改变惯性权重,这样避免了粒子盲目运动,更有针对性的寻找最优解.对4个高维复杂函数寻优测试,分别从平均精度和标准差这两方面进行分析,结果表明改进之后的算法在寻优精度和稳定性方面都超过了基本PSO,从仿真图像中可以看出改进之后的算法在迭代末期跳出了局部最优更接近全局最优值.最后将这种改进的算法应用到优化乙烯、丙烯的收率模型中,应用结果表明当裂解原料属性发生改变时,本文提出的算法可以很快完成对操作变量的寻优,显著提高了“双烯”收率.     

基于自适应驱散机制的粒子群优化算法

为克服粒子群优化算法（PSO）易陷入局部最优导致早熟收敛的问题,提出了一种新型的基于自适应驱散机制的粒子群优化（ADMPSO）算法。基本的粒子群优化算法易陷入局部最优,一般的改进算法在搜索过程之中对个体最优和全局最优结果进行调整,虽然避免了粒子群陷入局部最优,但会很大程度减慢收敛速度。提出的改进算法只有在种群快要陷入局部最优时,才会对粒子群进行有效驱散,这样不仅保证了收敛速度,又不会使粒子群陷入局部最优。对维度30的12个标准测试函数进行测试的结果表明ADMPSO算法相较于经典粒子群（General PSO,GPSO）算法、综合学习粒子群优化算法（Comprehensive Learning PSO,CLPSO）算法和动态多粒子群协调搜索优化算法（Dynamic Multi-Swarm PSO with sub-regional Harmony Search,DMS-PSO-HS）,可以更有效避免陷入局部最优,稳定地找到最优值,同时又能保证一定的收敛速度。ADMPSO算法不容易陷入局部最优和迭代次数更少的特点使得PSO算法更加实用化。     

邻域搜索的粒子群优化算法及其性能分析

粒子群优化算法（PSO）是一种进化计算技术,是一种基于迭代的优化工具。但是,该算法的本身特性决定了算法不趋向于搜索接近极值点的解空间,造成了PSO算法最终解的局部极值性不好;并且,PSO算法需要充分的迭代才能够得到比较好的解,在迭代步数受到限制或者随时可能中途停机的情况下往往不能够得到比较好的解。根据PSO的这些不足,提出了邻域搜索的f-PSO算法,该算法在PSO的迭代步骤中每次更新全局最优解的同时采用一步局部寻优过程。实验表明,该算法具有很强的理论价值,在运算能力不足 、迭代不充分或中途停机的情况下,该算法仍然能够得到比较好的解。     

基于分层自主学习的改进粒子群优化算法

针对粒子群优化（PSO）算法容易陷入局部最优、收敛精度不高、收敛速度较慢的问题，提出一种基于分层自主学习的改进粒子群优化（HCPSO）算法。首先，根据粒子适应度值和迭代次数将种群动态地划分为三个不同阶层；然后，根据不同阶层粒子特性，分别采用局部学习模型、标准学习模型以及全局学习模型，增加粒子多样性，反映出个体差异的认知对算法性能的影响，提高算法的收敛速度和收敛精度；最后，将HCPSO算法与PSO算法、自适应多子群粒子群优化（PSO-SMS）算法以及动态多子群粒子群优化（DMS-PSO）算法分别在6个典型的测试函数上进行对比仿真实验。仿真结果表明，HCPSO算法的收敛速度和收敛精度相对给出的对比算法均有明显提升，并且算法执行时间和基本PSO算法执行时间差距在0.001量级内，在不增加算法复杂度的情况下算法性能更高。     

基于改进粒子群优化和极限学习机的网络安全态势预测

针对网络安全态势预测模型预测精度不高、收敛较慢等问题,提出了一种基于改进粒子群优化极限学习机（IPSO-ELM）算法的预测方法。首先,通过改进粒子群优化（PSO）算法中的惯性权重和学习因子来实现两种参数随着迭代次数增加的自适应调整,使PSO初期搜索范围大、速度高,后期收敛能力强、稳定。其次,针对PSO易陷入局部最优的问题,提出一种粒子停滞扰动策略,将陷入局部最优的粒子重新引导至全局最优飞行。改进粒子群优化（IPSO）算法既保证了全局寻优的能力,又对局部搜索能力有所增强。最后,将IPSO与极限学习机（ELM）结合来优化ELM的初始权值及阈值。与ELM相比,结合IPSO的ELM的预测精度提高了44.25%。实验结果表明,与PSO-ELM相比,IPSO-ELM的预测结果拟合度可达到0.99,收敛速度提升了47.43%。所提算法在预测精度和收敛速度等指标上明显优于对比算法。     

具有拓扑时变和搜索扰动的混合粒子群优化算法

粒子群优化（PSO）算法在求解复杂多峰函数时极易早熟,陷入局部最优无法跳出。研究表明改变粒子间的拓扑结构和调整算法的迭代机制有助于改善种群的多样性,提高算法的寻优能力。因此,提出一种具有拓扑时变和搜索扰动的混合粒子群优化（HPSO-TS）算法。该算法采用K-medoids聚类算法对粒子群进行动态分簇,形成多个异构子群,以利于子群内粒子间进行信息流通。在速度更新中,增加簇最优粒子的引导,并引入非线性变化极值扰动,帮助粒子搜索更多的区域。而后在位置迭代中引入花授粉算法（FPA）中的转换概率,使粒子在全局搜索和局部搜索之间转换。在全局搜索时结合狮群算法中的母狮觅食机制对粒子的位置进行更新;在局部搜索时引入正弦扰动因子,帮助粒子跳出局部最优。实验结果表明所提算法在求解精度和鲁棒性方面明显优于FPA、PSO、改进粒子群算法（IPSO）、具有动态拓扑结构的粒子群算法（PSO-T）;并且随着测试维度和次数的增加,这种优势更加明显。HPSO-TS算法所引入的拓扑时变策略和搜索扰动机制能有效地提高种群的多样性和粒子的活性,从而改善寻优能力。     

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).     

具有快速收敛和自适应逃逸功能的粒子群优化算法

为了克服标准粒子群优化算法(PSO)后期收敛速度慢、容易陷入局部最优等缺点,借鉴人工蜂群算法的思想,提出了一种提高收敛速度并且带有自适应逃逸功能的粒子群优化算法(FAPSO)。算法中每进化一次粒子搜索两次：一次全局搜索,一次局部搜索。当粒子陷入局部最优时,通过逃逸功能使粒子重新搜索。8个经典基准测试函数仿真结果表明,改进的粒子群优化算法在收敛速度和寻优精度上均有提高,相对于目前常用的改进粒子群优化算法如CLPSO等,t检验结果说明,新算法具有明显的优势。     

基于限域拟牛顿法的混沌类电磁学机制算法及其在路径寻优中的应用

针对类电磁学(EM)算法后期"开采"能力不够、解精度不高且易陷入早熟的问题,提出了一种结合混沌映射和限域拟牛顿(L-BFGS)局部寻优算子的混沌类电磁学算法。其主要思想是在类电磁学算法后期采用限域拟牛顿算子取代类电磁学算法局部寻优算子进行局部搜索;在算法整个寻优过程加入混沌映射,利用混沌映射随机遍历的特性,生成新个体跳出局部从而保持种群多样性。通过对3个连续域测试函数的仿真比较,表明该算法后期能有效地跳出局部最优,较基本类电磁学算法在收敛速度方面有明显优势,较粒子群算法(PSO)和加速度系数随时间变化的粒子群算法(TVAC)在解的精度以及快速收敛方面更佳;通过在路径寻优中的应用结果对比表明该算法较元胞蚁群算法(ACO)、粒子群算法在路径寻优中能得到最佳路径,说明其在离散域问题中具有更好的适用性。     

基于改进双系统协同进化算法的无线传感器网络节点定位

为进一步提高无线传感器网络(WSN)中节点的定位精度,提出了一种双系统协同进化(BCO)算法。改进算法利用粒子群优化(PSO)算法快速收敛的特性和混合蛙跳算法(SFLA)较高的寻优精度的特性,在较少的迭代次数内快速收敛且实现深度搜索达到较高的精度。仿真实验结果表明:在应用双系统协同进化算法对测试目标函数进行求解时,能非常接近最优解;同时将该算法应用到基于接收信号强度值(RSSI)测距的节点定位中,预测位置与实际位置的绝对误差在0.05 m范围内;相比基于RSSI的分步粒子群算法(IPSO-RSSI),其定位精度至少提高了10倍。     

Prediction of TBM operation parameters using machine learning models based on BPSO

Rational parameters of TBM (Tunnel Boring Machine) are the key to ensuring efficient and safe tunnel construction. Machine learning (ML) has become the main method for predicting operating parameters. Grid Search and optimization algorithms, such as Particle Swarm Optimization (PSO), are often used to find the hyper parameters of ML models but suffer from excessive time and low accuracy. In order to efficiently construct ML models and enhance the accuracy of predicting models, a BPSO (Beetle antennae search Particle Swarm Optimization) algorithm is proposed. Based on the PSO algorithm, the concept of BAS (Beetle Antennae Search) is integrated into the updating process of an individual particle, which improves the random search capability. The convergence of the BPSO algorithm is discussed in terms of inhomogeneous recursive equations and characteristic roots. Then, based on the proposed BPSO prototype, a hybrid ML model BPSO-XGBoost (eXtreme Gradient Boosting) is proposed. We applied the model to the Hangzhou Central Park tunnel project for the prediction of screw conveyer rotational speed. Finally, our model is compared with existing methods. The experimental results show that the BPSO-based model outperforms other traditional ML methods. The BPSO-XGBoost is more accurate than PSO-XGBoost and BPSO-RandomForest for predicting the speed. Also, it is verified that the hyper parameters optimized by the BPSO are better than those optimized by the original PSO. The comprehensive prediction performance ranking of models is as follows: BPSO-XGBoost > PSO-XGBoost > BPSO-RF > PSO-RF. Our models have preferable engineering application value.     

基于改进粒子群算法的无线传感器网络节点定位

针对传统距离矢量-跳数(DV-Hop)算法中最小二乘法的估计误差过大、粒子群(PSO)算法易陷入局部最优的问题,提出了一种改进粒子群算法与DV-Hop的融合算法。首先从粒子速度、惯性权重、学习策略、变异方面对粒子群算法进行改进,增强算法跳出局部最优的能力,提高迭代后期算法的搜索速度;然后在DV-Hop算法第三阶段采用改进粒子群算法优化节点的定位结果。仿真结果表明:相比传统DV-Hop算法、基于混沌粒子群算法的DV-Hop改进算法(MPSO1-DV-Hop)和基于改进型粒子群优化的DV-Hop算法(MPSO2-DV-Hop),该算法的定位精度高,稳定性好,适用于定位精度和稳定性要求较高的场景。     

基于微粒群与混合蛙跳融合的群体智能算法

针对微粒群算法和混合蛙跳算法存在的早熟收敛问题,提出一种基于微粒群与混合蛙跳算法融合的群体智能算法。新算法将整个群体分成数目相等的蛙群和微粒群群体。在两群体独立进化过程中,设计了一种两群之间的信息替换策略：比较蛙群与微粒群的最佳适应值,如果蛙群进化较好,利用蛙群各子群中最差个体替换微粒群一部分较好个体;否则,用微粒群中较好的一部分个体替换蛙群各子群的最好个体。同时,设计了一种两群之间的相互协作方式。为避免微粒群因早熟收敛而影响信息替换策略效果,适时对其所有个体最好位置进行随机扰动。仿真实验表明,新算法可以有效提高全局搜索能力及收敛速度,对于高维复杂函数问题,算法具有很好的稳定性。     

多策略粒子群优化算法

为了克服粒子群优化算法易早熟、局部搜索能力弱的问题,提出了一种改进的粒子群优化算法--多策略粒子群优化算法。在群体寻优过程中,各粒子根据搜索到的最优位置的变动情况,从几种备选的策略中抉择出当代的最优搜索策略。其中,最优粒子有最速下降策略、矫正下降策略和随机移动策略可以选择,非最优粒子有聚集策略和扩散策略可以选择。四个典型测试函数的数值实验结果表明,新提出的算法比标准粒子群优化算法具有更强和更稳定的全局搜索能力。     

多子群协同进化的多目标微粒群优化算法

微粒群优化(PSO)算法是一种非常有竞争力的求解多目标优化问题的群智能算法,因其容易陷入局部极值,导致非劣解集的收敛性和正确性不理想。为此提出一种基于多目标分解进化策略的多子群协同进化的多目标微粒群优化算法(MOPSO_MC),算法中每个子群对应于一个多目标分解之后的子问题,并构造了一种新的速率更新策略,每个粒子跟踪自身历史最优值、子群最优值和子群邻域最优值,从而在增强算法的局部寻优能力的同时,也能从邻域子群获得进化信息,实现协同进化。最后通过仿真实验,与现在主流的多目标微粒群算法在ZDT基准测试函数上比较,验证了算法的收敛性,解分布的均匀性和正确性。     

基于粒子进化的多粒子群优化算法

提出了一种基于粒子进化的多粒子群优化算法。该算法采用局部版的粒子群优化方法,多个粒子群彼此独立地搜索解空间,从而增强了全局搜索能力;利用重置进化粒子位置的方法使陷入局部值的粒子摆脱局部最小,从而有效地避免了"早熟"问题,提高了算法的稳定性。对3个测试函数进行了对比实验,结果表明该算法优于标准粒子群算法。