解方程组的单神经元自适应控制微粒群算法

基于微粒群算法解决函数优化问题的优点，提出了使用微粒群算法求解方程组，并给出了求解方程组的通用模型。应用标准微粒群算法求解方程组容易陷入局部极值，导致方程组的解精度不高，并且算法具有较复杂的非线性特性。因此，将微粒群算法作为控制对象，引入单神经元控制器控制算法的惯性权重，将控制器具有的自学习、自适应能力和算法的全局优化特性相结合，用于方程组的求解。实验结果表明，该方法是有效可行的，适合于求解实际工程问题中的高非线性度方程组。     

粒子群算法在求解方程组中的应用

提出了采用粒子群算法求解线性方程组和非线性方程组的智能算法。采用粒子群算法求解方程组具有形式简单、收敛迅速和容易理解等特点,且能在一次计算中多次发现方程组的解,可以解决非线性方程组多解的求解问题,为线性方程组和非线性方程组的求解提供了一种新的方法。     

求解方程组的控制微粒群算法

研究了利用微粒群算法求解大型线性、非线性方程组的问题。并提出了将微粒群算法看作被控对象,引入控制器,利用适应值函数的信息调节惯性权重,以改变动态进化行为,提高算法性能来解决方程组的求解问题。数值实例显示了方法的优越性。     

新型粒子群算法在多元方程组求解中的应用

介绍了求解多元方程组的一种新型粒子群算法。通过引入多路并行的粒子群与可变异惯性权重,有效地增加了算法种群的多样性,提高了算法的整体寻优能力,使传统粒子群算法容易陷入局部最优解的问题得到了有效解决。最后通过求解运算,与传统粒子群算法进行比较,验证了该算法在求解多元方程组问题上的优越性。     

基于惯性权重非线性动态变化的微粒群算法

本文提出一种惯性权重非线性动态变化的微粒群算法(NDPSO),根据微粒在群体中距群体最优位置的远近,选择不同的惯性权重非线性下降指数,每个微粒根据个体状况选择不同的惯性权重.在NDPSO算法中,距最优位置较远区域惯性权重选择较小的下降指数,这样利于微粒较快地飞向群体最优位置,提高算法的全局搜索性能;当微粒飞到距最优位置较近区域时,惯性权重采用较大的下降指数,这样微粒在此区域进行细致的搜索,提高算法的收敛速度.为了研究NDPSO算法的性能,对几种典型高维非线性函数进行了测试.测试结果表明,与其它几种典型的微粒群算法相比,NDPSO明显地提高了算法的性能.     

二阶微粒群算法

为了提高标准微粒群算法的全局收敛性,提出了一种新的微粒群算法——二阶微粒群算法.首先,介绍了二阶微粒群算法的引入,分析了其收敛性,并且研究了其参数的选择范围.其次,在分析二阶微粒群算法的进化方程的基础上,引出了具有随机惯性权重的标准微粒群算法.再次,在二阶微粒群算法中加入振荡因子来调整微粒的速度变化率,更好地使二阶微粒群算法收敛于全局最优.最后,利用这几种改进方法对典型测试函数进行仿真,实验结果表明,这些方法能够有效克服早熟问题,在全局收敛性和收敛速度方面均优于标准微粒群算法.     

基于微粒群优化的非线性方程组求解研究

在科学技术和工程应用中经常遇到求解非线性方程组的问题。提出了一种求解非线性方程组的通用数值方法。将非线性方程组的求解问题转化为函数优化问题,通过微粒群优化对其进行求解,最终得到非线性方程组较高精度的解。一系列测试实例显示了该算法在求解非线性方程组时具有简单性、高效性和普适性。     

用正弦函数描述非线性惯性权重的微粒群算法

为改进标准微粒子群算法,提出了一种用Sin函数非线性描述惯性权重动态调整微粒群的方法。由于原算法存在早熟收敛和搜索效率低,提出改进基本微粒群算法的惯性权重参数,将微粒群算法中的惯性权重用正弦函数来描述,通过对粒子位置和速度进行自适应非线性调整,使算法在前期阶段具有较快的收敛速度,在算法后期局部搜索能力也不错,减少了微粒陷入局部极值的机会,使结果收敛于全局最优解,为了验证算法的有效性,采用Shaffer’s F6和Levy No.5函数进行测试,实验结果表明,新方法具有比较好的效果。     

周期性扰动的微粒群算法

微粒群算法中微粒有保持自身状态的特性,如何改变其状态对微粒位置和速度的调整有较大的影响,本文给出一种周期性随机扰动的自适应改变微粒速度的方法.当微粒要进行下一次运动时,总体采用非线性下降的惯性权重选择方法,并且在其中加入周期性随机扰动策略,使算法既能得到较快的收敛速度,又不至于陷入局部极值.将此方法应用于对几个标准函数...     

微粒群算法中惯性权重的调整策略

惯性权重是微粒群算法中的关键参数,可以平衡算法全局搜索能力和局部搜索能力的关系,提高算法的收敛性能。该文分析了惯性权重对微粒群算法收敛性能的影响,为了进一步提高算法的全局最优性,提出了几种对惯性权重的调整策略。通过对4个测试函数的仿真实验,验证了这些策略的可行性,表明这些策略能够简便高效地提高算法的全局收敛性和收敛速度。     

求解非线性方程及方程组的粒子群算法

用随机搜索性能良好的粒子群算法求解非线性方程及方程组问题,计算中不需使用目标函数的导数信息;实验结果表明了该算法的有效性。     

新型分阶段粒子群优化算法

针对粒子群优化算法的“早熟”问题,提出了一种新型分阶段粒子群优化算法。该算法通过调整惯性权重和加速系数使粒子自组织地跟踪局部吸引域和全局吸引域来扩大粒子的搜索空间和提高粒子的收敛精度,同时根据粒子处于不同的阶段实施相应的变异策略来增加种群的多样性。通过经典函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟问题。     

基于粒子群优化算法的电力系统无功优化

针对粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题,结合全局-局部最优模型,提出一种改进的全局-局部参数最优粒子群优化算法。利用全局-局部最优惯性权重及全局-局部最优加速度常数,简化速度更新方程,使算法性能得到改善。将该算法应用于电力系统无功优化中,仿真结果表明,网损平均值更低,寻优性能更好,优化的网损值集中在较小的区间。     

粒子群优化算法中加速系数的实验分析

基于粒子群优化的原理,利用标准测试函数对粒子群算法的参数设计进行实验分析,依据函数特性进行初步分类,揭示不同类型优化问题中加速系数与惯性权重的相互关系及其设计规律。该项研究成果为粒子群算法的理论研究提供了实验依据,并为算法的实际应用创造了有利条件。     

混沌惯性权值调整策略的粒子群优化算法

粒子群优化算法是一种新颖的智能优化算法。惯性权值对粒子群优化算法的性能有着重要的影响。在分析已有的惯性权值调整策略的基础上,提出了混沌惯性权值调整策略,该策略将惯性权值用一个混沌变量来描述。标准测试函数实验表明,在不影响优化结果精度的情况下,混沌惯性权值调整策略的粒子群优化算法收敛速度较已有方法有了明显的提高。     

粒子群优化算法在函数优化中的应用及参数分析

为了更深入地分析探讨粒子群优化算法的性能,采用两种基本改进策略在MATLAB 7.0中对几个典型测试函数的优化问题进行了实验,即单独采用线性递减惯性权重策略以及在其基础上再加入收缩因子法,给出了这两种策略下函数的在线性能、离线性能变化图。为指导参数选取,用图示方式给出了不同参数组合对收敛性的影响。结论是：采用线性递减惯性权重策略加上收缩因子法比单独采用线性递减惯性权重策略的收敛性能好。若取固定惯性权重w,则w越小,收敛速度越快。     

粒子群优化算法中的惯性权值非线性调整策略

为提升粒子群优化算法的性能,提出基于正弦曲线、正切曲线和对数曲线的非线性惯性权值调整策略。采用镜像策略对越界粒子进行处理,利用标准测试函数测试这些策略对算法的影响。实验结果表明,对于连续函数优化问题,正弦曲线和对数曲线策略优于传统的线性调整策略,而传统的线性调整策略又优于正切曲线策略。     

改进粒子群优化算法在服务组合中的应用

针对标准粒子群优化(PSO)算法存在收敛速度慢、容易陷入局部最优的问题,提出一个改进的PSO算法,该算法设计一种新的惯性权重,在粒子搜索的不同阶段采用不同的计算公式计算惯性权重,并引入自适应变异策略和线性变化的学习因子。实验结果表明,该算法的收敛性等性能比基本粒子群算法有明显提高,能较好地解决非线性问题。     

QPSO算法优化的非线性观测器设计方法研究

具有量子行为的粒子群优化算法(Quantum-behavedParticleSwarmOptimization,简称QPSO)是继粒子群优化算法(ParticleSwarmOptimization,简称PSO)后,最新提出的一种新型、高效的进化算法。论文在研究基于PSO算法的非线性观测器基础上,提出了一种基于QPSO算法的非线性观测设计方法。以vanderPol系统为例进行了仿真实验,其基本思想是将非线性连续时间系统的状态估计问题转换为非线性函数的在线优化问题,然后利用PSO或QPSO算法获得系统状态的最优估计。仿真结果显示了基于QPSO算法的非观测器比基于PSO算法的非线性观测器的性能更优越。     

粒子群优化算法在配方设计中的应用

随着群体智能研究的兴起,粒子群优化(PSO,Particle Swarm Optimization)算法已经成为新的研究热点。该算法模仿鸟类和鱼类群体觅食迁徙中个体与群体协调一致的机理,通过群体最优方向、个体最优方向和惯性权重的协调来求解实数化问题。本文从粒子群优化算法的理论分析切入,阐述了PSO算法的基本原理、算法流程,提出用PSO算法来解决卷烟配方优化设计这类组合优化问题,并对其实际应用效果进行分析和验证。