面向柔性作业车间调度问题的混沌编码量子粒子群优化算法

为解决柔性作业车间调度问题,提出一种混沌编码量子粒子群优化算法。针对标准量子粒子群优化算法中粒子过早收敛于局部最优值的缺点,提出具有扰动行为的自适应收缩-扩张系数和关联粒子适应度值的计算方法,改善算法的全局搜索能力;通过引入混沌边界变异策略,减少粒子大量聚集在边界的概率,增加种群的多样性来提高搜索最优解的能力;针对量子粒子群优化算法的迭代特性,设计一种适用的混沌编码策略。将提出的改进量子粒子群优化算法应用于柔性作业车间调度问题,并通过多种基准算例与标准量子粒子群优化算法、粒子群优化算法和混合遗传算法进行对比,验证所提算法的性能。实验结果表明:混沌编码量子粒子群优化算法具有更好的稳定性和更强的寻优能力。

基于复合权值自调整策略的量子粒子群优化算法

为有效平衡量子粒子群优化算法的全局搜索和局部搜索能力,提出一种基于复合权值自调整策略的量子粒子群优化算法。采用复合典型线性递减策略与基于进化速度-聚集度的动态改变权值策略的方法来调节收缩-扩张系数,赋予两种策略相应的权重。复合权值自调整策略融合线性递减策略符合粒子群整体运动趋势的特点和动态改变策略契合粒子群当前变化态势的优势。仿真比较该算法与标准量子粒子群、动态改变权值策略的量子粒子群在优化不同测试函数时的性能,实验结果表明,该算法在收敛速度、搜索能力等方面均有一定提高。

混合自适应量子粒子群优化算法

为解决量子粒子群优化算法在迭代后期出现的种群多样性低导致的早熟收敛、陷入局部最优的问题,提出三点改进:(1)将收缩—扩张系数与适应度值联系起来,收缩—扩张系数会随着粒子的适应度值的改变而自适应调整;(2)使用差分策略更新粒子的随机位置,使得粒子向种群最优位置靠近;(3)粒子位置的更新加入Levy飞行策略,利用Levy飞行策略的偶尔长距离的跳跃,使得种群多样性增加,提高了跳出局部最优的能力,综合以上三点,提出一种混合自适应量子粒子群优化算法(HAQPSO).通过对比各个算法在6个典型函数的仿真测试结果表明:HAQPSO具有更好的全局收敛能力,且收敛精度、速度和稳定性都有明显的提升.

混合量子粒子群算法在光伏阵列MPPT中的应用

光伏阵列在局部阴影下的功率-电压曲线具有多峰值特性,采用量子粒子群算法的最大功率点跟踪方法可以有效地解决多峰值问题,但该算法易早熟收敛、陷入局部最优。对此,提出一种混合量子粒子群算法的光伏阵列最大功率点跟踪方法。该方法将收缩-扩张系数与适应度值结合以提升算法搜索能力,将莱维飞行策略加入粒子位置更新的过程中,从而增加算法收敛后期的种群多样性。通过Simulink进行仿真实验,表明改进方法比量子粒子群算法的收敛速度快,且有效抑制了不收敛的现象,应用该方法能够有效地实现光伏多峰最大功率点跟踪。

基于改进QPSO算法的电动汽车模糊控制器参数优化

目前电动汽车常以无刷直流电机(BLDCM)作为驱动器,但BLDCM调速控制系统中模糊控制器的量化因子和比例因子采用传统方法,自调节能力弱。针对该问题提出一种改进QPSO算法(AMF-QPSO)实现对量化因子和比例因子的自适应调节。AMF-QPSO算法以收缩-扩张(contraction expansion,CE)系数控制方式为研究重点,提出粒子活性概念,并以其作为反馈量实现动态自适应调节CE系数;同时,为防止种群高度聚集,采用精英群体随机交叉学习机制,对部分活性低的精英粒子进行扰动,增强种群后期多样性。最后,通过Lab VIEW实验平台,以具体案例验证AMF-QPSO算法性能。实验结果表明,AMF-QPSO优化的模糊PID控制器具有比标准模糊PID控制器和QPSO优化的模糊PID控制器更好的控制性和自适应性。