基于多智能体粒子群的快速碰撞检测算法研究

在层次包围盒的基础上,提出一种基于多智能体粒子群的快速碰撞检测方法。算法首先利用层次包围盒方法快速减小物体间可能发生的碰撞检测区域,并基于随机碰撞检测核心思想将问题转变为物体特征对间距离机制的非线性优化问题,在建立的层次拓扑结构基础上,结合多智能体系统技术和粒子群算法的进化策略,设计了一种多智能体粒子群算法来求解碰撞检测问题。通过仿真测试表明,该算法具有很高的搜索效率和寻优性能,能够满足碰撞检测的实时性要求。

电力系统无功优化的多智能体粒子群优化算法

无功优化是电力系统实现电压和无功功率最优控制和调度的基础,提出了一种全新的优化算法——多智能体粒子群优化算法来求解此类优化问题。该算法结合 multi-agent系统和粒子群优化技术,构造了一个格子环境,所有 Agent都固定在格子环境中。每一个 Agent 相当于粒子群优化算法中的一个粒子,它们通过与其邻居的竞争、合作和自学习操作,并且吸收了粒子群优化算法的进化机理,能够更快地、更精确地收敛到全局最优解。在 IEEE 30 节点系统上进行校验,并与其它方法比较,结果表明,提出的算法具有质量高的解、收敛特性好、运行速度快的突出优点。

改进量子行为粒子群算法智能组卷策略研究

提出一种求解智能组卷问题的改进量子粒子群算法。首先,通过定义粒子进化速度及粒子聚集度,将惯性权重表示为粒子进化速度和粒子聚集度的函数,使惯性权重具有自适应性。其次,将慢变函数引入传统位置更新公式中,以有效地解决陷入局部最优解的问题。最后,根据项目反应原理对组卷问题进行数学建模。仿真实验表明,与标准粒子群算法和量子粒子群算法相比,所提算法在组卷成功率和组卷效率方面均具有更好的性能。

多智能体粒子群算法在配电网络重构中的应用

结合多智能体的学习、协调策略及粒子群算法,提出了一种基于多智能体粒子群优化的配电网络重构方法。该方法采用粒子群算法的拓扑结构来构建多智能体的体系结构,在多智能体系统中,每一个粒子作为一个智能体,通过与邻域的智能体竞争、合作,能够更快、更精确地收敛到全局最优解。粒子的更新规则减少了算法不可行解的产生,提高了算法效率。实验结果表明,该方法具有很高的搜索效率和寻优性能。

基于多智能体局部寻优的粒子群优化算法

为了提高粒子群算法的收敛速度和全局寻优能力,用多智能体遗传算法对粒子群算法当前搜索到的全局极值进行局部寻优,用搜索到的更好的解在下一次迭代中引导粒子进行搜索从而获得更快的收敛速度和更好的全局收敛性。对函数优化和神经网络训练的仿真实验表明,此算法能更快的收敛到全局最优解。

基于量子粒子群与标准粒子群混合算法的框架结构异构体系模型参数辨识

为了研究相邻框架结构地震碰撞问题,经常将框架结构动力学模型简化为树形拓扑结构,以提高计算效率。该文提出了一种将量子粒子群与标准粒子群结合的参数辨识方法,基于结构的动力特性等效原则,对框架结构建立适应于多体系统传递矩阵法(MS-TMM)高效计算的树形拓扑系统动力学模型,模型的相关力学参数的确定是基于量子粒子群与标准粒子群混合算法,由有限元方法计算得到模态参数,通过参数辨识的方法来完成。为了验证所提出方法的有效性,以三层框架结构为工程算例,将三层框架结构转化为树形拓扑力学模型,通过提出的参数辨识方法和标准量子粒子群算法分别进行参数辨识,并将两种方法的辨识结果分别利用多体系统传递矩阵法(MS-TMM)计算频率,将频率计算结果分别与Ansys结果进行比较。结果表明,该文方法的识别精度优于标准量子粒子群算法。

基于量子粒子群搜索策略的混合蛙跳算法

混合蛙跳算法(SFLA)是一种全新的群体智能优化算法。针对基本混合蛙跳算法局部搜索能力差,因而优化精度低、收敛速度慢的缺点,引入量子粒子群算法的搜索策略,提出了一种基于量子粒子群搜索策略的混合蛙跳算法(QPSO-SFLA)。通过对基准函数进行测试,实验结果表明改进的算法大大提高了算法的收敛速度,增强了算法的寻优能力。

基于Nelder-Mead单纯形法的改进量子行为粒子群算法

针对PSO算法搜索精度较低,并且在复杂多模态函数优化中,容易陷入局部极值的问题,提出了一种改进的量子行为粒子群优化算法。研究了该算法的基本原理、给出了算法流程并采用正交试验的方式获得了一套通用性较强的算法参数。并以CEC’13的28个测试函数作为测试集,采用Wilcoxon符号秩检验将NM-QPSO算法分别与PSO算法和QPSO算法的误差进行比较试验。试验表明:NM-QPSO算法在统计意义上优于传统的PSO算法和QPSO算法,并且在高维函数优化中,具有显著优势。

应用新型量子粒子群优化算法求解PFSP问题

为了提高粒子群算法在求解调度问题时的搜索能力和优化效率以及避免早熟收敛。通过采用了一种新颖的量子粒子群算法,用量子位的概率幅对粒子位置编码,用量子旋转门实现粒子移动,完成粒子搜索;并采用量子非门来实现变异,从而提高种群多样性。由于每个量子都有两个概率幅,因此每个粒子实际占据两个粒子位置,所以在粒子数目相等的情况下,能加速粒子的搜索进程。仿真实验结果表明,在求解置换流水线生产调度问题时优于基本粒子群算法。

粒子群算法量子模型

针对目前粒子群优化(PSO)算法理论基础薄弱,算法本质的分析还未形成体系的问题,从微观的角度出发,以量子力学为基础,提出并建立了粒子群优化算法的量子模型。模型采用无限深方势阱为分析背景,将算法的搜索过程解释为量子状态的转换,并通过模型解释算法执行过程中的内部机制,最后通过实验证明了所提出PSO算法寻优的量子本质。

基于改进量子粒子群算法的云计算资源调度

资源调度优化是云计算系统应用中的关键技术,针对标准量子粒子群优化算法收敛速度慢、求解效率低的缺陷,提出一种基于改进量子粒子群算法的云计算资源调度方法。首先在分析云计算资源调度研究现状的基础上,建立了相应的数学模型,然后采用量子粒子群优化算法对其进行求解,在求解过程中,对平均最优位置进行随机扰动,协助粒子逃离局部最优解,最后采用通过仿真实验对其性能进行分析。结果表明,该文方法可以有效提高云计算资源的利用率,保证它们之间负载均衡,具有较好的应用价值。

一种求解组卷问题的量子粒子群算法

为提高智能组卷的效率,提出一种求解组卷问题的带自适应变异的量子粒子群优化(AMQPSO)算法。首先在算法中嵌入有效判断早熟停滞的方法,一旦检索到早熟迹象,根据构造的变异概率对粒子进行变异使粒子跳出局部最优;其次基于项目反应理论,构建分步组卷问题的数学模型,减少组卷冗余度和提高组卷效率。仿真实验表明,与遗传算法相比,所提出的算法在组卷成功率和组卷质量方面均具有更好的性能。

基于量子遗传的混合粒子群优化算法

为提高智能优化算法的性能,将其更好地应用到各个领域,提出了一种两阶段优化算法。在改进的量子遗传算法的基础上,进一步结合粒子群优化算法,构造了量子遗传-粒子群混合算法。通过量子遗传算法对问题进行初步求解,将第一阶段的优化结果作为粒子群算法的初始值,进行第二阶段的问题求解过程,得到问题的最终优化解。通过实验将该算法与传统优化算法进行比较,实验结果表明,该算法在性能方面有一定程度的提高。

一种群体智能融合算法及其在应急设施选址的应用

针对粒子群优化算法早熟及细菌觅食算法收敛慢的问题,提出了将量子粒子群优化与细菌觅食算法融合的一种群体智能融合算法。该算法将细菌觅食、量子计算理论及粒子群优化的优点进行融合,以细菌觅食算法为主体,将量子进化算法及粒子群优化算法嵌入其中,从而极大地提高了算法的性能。通过对三个标准函数求解和验证,结果表明该算法提高了收敛精度及速度。最后用该算法求解公共卫生应急服务设施点选址问题,取得了较好的效果,说明了该算法的有效性。

基于粒子群算法⁃模糊PID控制的前驱体材料反应釜pH值优化控制

针对锂离子电池前驱体材料工业生产中反应釜pH值控制存在的非线性、时滞性以及易受干扰等控制难点,引入基于粒子群算法⁃模糊PID控制的自整定算法,采用MATLAB的simulink仿真软件对算法进行仿真,并与传统PID算法进行对比,以验证自整定算法的快速性、稳定性与鲁棒性。将该算法应用于工业实践中,并与传统PID控制进行对比,系统最大超调量、稳定时间、频率波动范围、pH波动范围均得到改善,显著提高了系统控制性能,为解决前驱体材料生产中反应釜中pH值控制提供了解决途径。

基于多智能体粒子群的协同空战目标决策研究

以多机多目标协同空战为研究背景,针对复杂多变的战场态势,结合敌我双方的实战约束条件和威胁评估函数,建立了一种能够体现火力攻击优先级的协同空战目标决策仿真模型。为了能够快速准确的求解决策方案,通过在基本粒子群算法中引入多智能体理论中的交互机制,并分别设计智能体邻域合作算子、变异算子和自学习算子,提出了一种改进的多智能体粒子群算法。仿真结果表明,该算法能够计算得到合理有效的决策方案,并且具有良好的仿真实时性。

一种基于改进混沌映射的量子粒子群算法

量子粒子群算法是一种应用广泛的智能种群优化算法,但是由于其后期种群多样性快速下降,导致在计算多峰优化问题时,容易陷入局部最优点。为了改进其搜索性能,本文通过改进Tent混沌映射并将其融入算法中,提出一种改进的量子粒子群算法。该算法通过对粒子分组设置,并进行不同策略的混沌搜索,充分利用混沌搜索的随机性和遍历性来提高种群的多样性,从而增强算法的全局搜索能力和提高算法收敛精度。为了评估改进算法,本文将改进算法与其他粒子群算法分别求解标准测试函数,仿真结果表明,改进算法具有更好的搜索性能。

离散粒子群优化算法在输电网络扩展规划中的应用

输电网络扩展规划是一个非常复杂的大规模组合优化问题。文中研究了离散粒子群优化(DPSO)算法在单阶段输电网络扩展规划中的应用,提出一种基于黑板系统的多智能体协调模型。该模型中,DPSO算法利用黑板系统进行粒子间信息共享,有效地提高了算法的全局收敛能力。通过构造节点扩展矩阵和速度矩阵,建立了输电网络扩展规划问题的求解模型和DPSO求解算法。该算法已成功用于IEEE Garver-6等两个系统,计算结果表明了该方法的可行性和有效性。

基于群智能算法的玻璃切割问题求解研究

通过对玻璃切割问题的研究,提出一种融合量子粒子群优化和蚁群优化的混合算法(QPSO-ACO算法)。该算法对QPSO及ACO的模型进行必要的修改,以实现对玻璃切割中的旅行商问题的较好求解。同时充分利用QPSO的快速性、全局收敛性和ACO的正反馈性及求精解效率高等特点,达到优势互补。实验结果表明,QPSO-ACO算法寻优能力较强,是解决玻璃切割问题的有效方法。

量子粒子群结合小波变换识别结构模态参数

通过对结构响应进行连续小波变换将多自由度模态参数识别转化为多个单自由度模态参数识别。建立小波骨架理论公式与由结构输出信号计算而得的小波骨架之差为目标函数的优化问题,通过搜索包含于小波骨架理论公式中的模态参数的取值而使目标值最小,从而将优化问题转化为模态参数识别问题。量子粒子群算法是一种基于群体智能理论的优化算法。将量子粒子群算法应用到上述方法中一次性识别出结构的频率、阻尼和振型。最后采用数值模拟的简支梁对该方法进行有效性验证。结果表明,量子粒子群算法结合连续小波变换可以有效地识别环境激励下的结构模态参数。