一种新的蒲公英算法及其在PID控制器优化中的应用

提出了一种新的蒲公英算法在控制器优化中的应用。首先对蒲公英播种的行为和算法的具体实现流程进行了描述,其次在控制系统的Simulink模型上对PID控制器的三个参数K p、K i和K d进行了优化,并选择ITAE作为错误绩效指标(评估函数),然后将蒲公英算法(DA)与蝙蝠算法(BA)、遗传算法(GA)以及改进的粒子群算法(IPSO)进行对比。通过对比实验可以看出,DA的性能优于所比较的其它算法。同时,在PID优化中,DA在四个算法中表现最好,即性能指标ITAE最低(1.1015)。最后,对蒲公英算法的进一步研究作了展望。

基于模拟退火与高斯扰动的烟花优化算法

烟花算法(Fireworks Algorithm,FWA)是一种群体智能优化算法,具有求解复杂问题的全局最优解的能力。为了提高FWA求解全局最优解的能力,将模拟退火的思想引入到烟花优化算法中,并对FWA中某些单个烟花个体进行高斯扰动,提出了一种基于模拟退火与高斯扰动的烟花优化算法(SAFWA)。分别把烟花算法(FWA)、标准粒子群算法(SPSO)、增强烟花算法(EFWA)和SAFWA在10个典型的基准测试函数中进行仿真对比,结果表明,在收敛速度、计算精度以及稳定性方面,SAFWA均优于其他3种算法。

基于反向学习与机动爆炸烟花优化算法

针对烟花算法(Fireworks Algorithm,FWA)性能提升瓶颈和收敛速度较慢的问题,通过引入反向学习策略和机动爆炸的机制,提出了基于反向学习与机动爆炸烟花优化算法(Fireworks Algorithm based on Reverse learning and Maneuver explode,RLMEFWA).该算法首先采用反向学习策略取代随机初始化生成初始种群以保证群体的多样性;然后每个烟花根据其在当前群体中的位置的优劣情况来选择不同爆炸的方式,处于较优位置的烟花选择机动爆炸方式,以当前种群最优位置为基准,改变自身位置信息向其靠近;处于较劣位置的烟花选择非机动爆炸方式,随机改变自身的位置信息.分别把烟花算法(FWA)、标准粒子群算法(SPSO)、增强烟花算法(EFWA)和RLMEFWA在10个典型的基准测试函数中进行仿真对比,结果表明在收敛速度和计算精度以及稳定性方面RLMEFWA均优于其他三种算法.

基于反向学习与动态记忆反馈的烟花算法

针对烟花算法收敛速度慢和求解精度不高的问题,通过引入反向学习策略和动态记忆反馈的机制,提出一种优化算法。采用反向学习策略生成初始种群以保证群体的多样性,在原算法的结构中增加反馈层用于记忆上一代最优烟花的位置信息,并从反馈层记忆的信息中提取烟花位置信息变化趋势特征,从而动态更新下一次迭代的烟花种群。在10个典型基准测试函数中的仿真结果表明,与烟花算法、标准粒子群优化算法和增强烟花算法相比,该算法在收敛速度、计算精度以及稳定性方面性能更优。