协调粒子群优化算法—HPSO

粒子群优化算法(PSO)是模拟生物群体智能的优化算法,具有良好优化性能。但是由于信息的单一传递,群体的迅速收缩和群体多样性降低,导致算法早熟收敛。该文采用多样性控制与交叉操作,使粒子群在细化搜索与扩展新区之间进行协调,提出了协调粒子群优化算法HPSO。实验结果表明:HPSO比PSO有更好的性能。

基于HPSO算法和GA的舰载机甲板布放方法比较

以戴高乐航母为研究对象,基于不同优化算法,对其舰面舰载机布放问题的解决方法进行比较,以此作为解决其他类型航母同样问题的参考。首先,分析了解决舰载机舰面布放调度问题的先决条件,包括舰面战位的设置;各战位间距离的测量计算;舰载机正常的出动流程分析;舰载机出动时间计算公式的设计。其次,将舰载机舰面布放调度问题转换为带有约束条件的多目标函数求最小解问题,并给出了数学模型。再次,给出了利用改进的粒子群优化(honeybee particle swarm optimization,HPSO)算法和遗传算法(genetic algorithm,GA)对问题求解的解决思路。最后,对两种算法50次独立运算的结果,分别从平均最短出动时间、平均最短移动距离、标准偏差以及算法的收敛性和精确性等方面进行比较。结果表明,HPSO算法较GA更适合于解决该布放问题。

求解学习型员工项目调度问题的HPSO算法

为提高工作效率并最小化项目工期,研究学习型员工项目调度问题的求解算法。建立相应的0-1型整数非线性规划模型,提出一种混合粒子群优化算法。该算法应用基于优先规则的启发式算法生成优良的初始粒子,引入离散型算子修正经典的粒子速度和位置方程,采用改进的前向递归算法求解粒子目标函数值。数值实验结果表明,在相同运行时间内,该算法能得到比粒子群优化算法更优的解。

基于可视化HPSO的无人机装备维修任务调度

分析了目前军用无人机装备维修任务调度问题的组成及现状,构建了改进的混合粒子群算法,通过离散化粒子群简化粒子论域,加快计算速度;引入浓度监控机制,综合粒子浓度分布和适应度大小两方面信息,对进化过程进行调控;结合遗传算法,增加粒子间的交叉、变异,加快粒子群进化速度,防止陷入局部最优;并在Matlab环境下对图形展示函数进行优化,实现迭代过程动态可视。最后通过实例分析,高效计算得出最佳调度方案,实现了混合粒子群算法在装备资源调度问题的有效应用。

基于HPSO优化的磁悬浮系统分数阶控制

针对磁悬浮系统的非线性以及开环不稳定的特点,提出一种分数阶PI~λD~μ控制器控制磁悬浮系统的方法.首先建立系统的数学模型,然后设计分数阶PI~λD~μ控制器,并建立控制系统的仿真模型,最后应用遗传算法与粒子群算法相结合的混合粒子群算法优化分数阶PI~λD~μ控制器的k_p、k_i、k_d、λ、μ参数,采用改进的误差绝对值时间积分函数作为优化目标,对系统进行多种信号的仿真跟踪.结果表明,分数阶PI~λD~μ控制器收敛速度快,鲁棒性强,达到了预期的控制效果.

采用混合粒子群算法实现匹配追踪算法

针对匹配追踪信号稀疏分解的巨大计算量问题,在具有全局优化能力的粒子群算法基础上,提出了一种结合BFGS(Broyden、Fletcher、Goldfarb和Shanno)方法和变异操作的混合粒子群算法实现信号匹配追踪分解。利用BFGS方法增强了算法的局部开发能力,加快了信号特征提取速度;通过变异操作控制种群多样性以避免早熟收敛,增强了算法全局探测能力,提高了信号特征提取精度。通过与单一粒子群算法和遗传算法实现仿真信号匹配追踪分解的结果进行对比,证明了使用混合粒子群算法的匹配追踪分解能够快速准确提取信号特征参数。最后,将该算法应用于某内圈损伤轴承振动信号中的冲击特征提取,结果表明该算法在工程应用中具有一定的准确性和实用性。

适于混合整数非线性规划的混合粒子群优化算法

通过加强粒子群优化(PSO)算法处理约束和整数变量的能力,使其适于求解混合整数非线性规划(MIN-LP),构建了一种混合粒子群优化(HPSO)算法.建立了种群的约束矩阵来反映其解满足约束的情况,运用Pareto支配概念评价解的优劣,确定种群的局部最优点和全局最优点.通过增设基于距离函数的概率取整操作和随机变异的解修复操作,加快了搜优速率.利用各粒子的局部最优点信息更新速度,采用多粒子群策略增强了种群多样性.实例测试结果显示,与其他算法相比,HPSO算法具有更好的全局寻优能力,收敛速度更快.

三种混合粒子群算法比较

混合粒子群算法是融合其它算法或技术特性来针对性地对基本粒子群算法进行改进的一类算法。文中对其中有代表性的三种:交叉粒子群、免疫粒子群、混沌粒子群展开了比较研究,分别从混合目的、混合基本方式、混合算法实现的关键步骤、混合算法的优化性能等多个方面对这三种混合算法进行了比较。通过这些比较,总结出了三种混合算法基本的混合方式及实现步骤、算法各自的特点及适用范围,特别对三种混合算法的优化性能做了较深入的比较和归纳。

基于改进混合粒子群优化的特定谐波消除脉宽调制策略

针对传统迭代法求解特定谐波消除脉宽调制策略(SHEPWM)开关角方程组需要合适的初值和难收敛的问题,提出一种改进的混合粒子群优化(HPSO)算法对其进行求解.该算法对粒子群(PSO)算法的权重系数和学习因子进行了改进,并且提出了一种温度系数线性递减的模拟退火(SA)算法与粒子群算法结合,有效弥补了传统粒子群(CPSO)算法求解开关角收敛速度慢和精度低的缺点.仿真分析表明,该算法消除了对初值的依赖,提升了算法寻优的能力,从而提高了求解速度与精度,并且通过实验验证了该算法的可行性.

基于混合粒子群算法的群岛泊位分配问题研究

泊位分配是提高港口运营效率的关键。针对群岛泊位分配问题,以船舶总在港时间为优化目标,构建了群岛泊位分配问题模型,并提出了一种混合粒子群算法进行求解。该算法在更新粒子状态时加入模拟退火和免疫调节操作,增强了算法的全局搜索能力。实验结果表明,混合粒子群算法在求解群岛泊位分配问题时,具有较好的优化性能,验证了算法的有效性和可行性。

加工车间生产物流时间瓶颈的调度研究

针对一类具有生产物流时间瓶颈的加工车间调度问题,给出了基于加工单元和运输单元的时间瓶颈环节确定方法,采用以最大批量响应时间最小为优化目标,建立了基于生产物流时间瓶颈的加工车间调度模型;为了求解该调度模型,设计了一种基于模拟退火的混合粒子群算法,该算法采用分段整数编码的方法,并在模拟退火算法中引入变温参数来提高算法效率。通过仿真,分别采用PSO和PSO-SA对所建立的调度模型进行了求解。研究结果表明,PSO-SA算法求解效率高且该算法的稳定性好,同时验证了该模型和算法的有效性、广泛性。

基于混合粒子群优化算法的PSS参数优化

将一种新的进化算法-粒子群优化算法(PSO)应用到电力系统稳定器(PSS)参数优化当中,文中使用引入交叉操作的混合粒子群优化算法(HPSO),可以获得更好的全局搜索能力和收敛速度.先以低频振荡范围内(0.1～2 Hz)PSS产生的附加阻尼转矩△Te与△ω尽可能同相位为目标优化PSS超前-滞后环节参数;再以小扰动时发电机功率和角速度振荡最小为目标整定PSS放大倍数.优化结果表明,HPSO算法可以有效地解决PSS参数优化问题.

基于改进混合粒子群优化算法的移动节点部署研究

在概率感知优化模型下,将无线传感器网络(WSNs)的覆盖率和移动节点的能耗作为多目标优化函数,通过改进混合粒子群优化算法(IM-HPSO)不断迭代,调整移动节点的最优位置,控制网络覆盖率最大化,同时减小移动距离,使得能耗最小化。仿真结果表明:IM-HPSO算法在覆盖率的提高、能耗的减少、网络生命周期的延长方面优于其他算法。

基于渐近波形估计与混合粒子群算法的目标外形反演

提出了一种能同时重构多个导体目标外形的新方法——混合粒子群算法。利用矩量法和渐近波形估计技术求解电磁散射问题,以测量的散射场和计算散射场偏差作为目标函数,将待优化变量设置为目标的截面轮廓近似表达的三角级数形式的系数,通过混合粒子群算法对待优化变量进行优化,使目标函数达到最小值来对自由空间中的散射体进行电磁成像。仿真结果表明,混合粒子群算法比伪群交叉算法具有更好的收敛性能和成像精度,具有较强的抗随机噪声干扰能力。

基于混合粒子群的航班着陆调度优化研究

研究终端区航班着陆调度优化控制问题,为对多目标着陆实现实时调度,克服粒子群算法易陷入局部最优的问题,提出了一种免疫思想和禁忌搜索的混合粒子群调度算法,在粒子群算法的基础上引入了免疫系统的抗体浓度调节机制,以保证群体多样性。针对算法后期进化速度慢的缺点,采用了具有自适应能力的禁忌搜索算法进一步优化性能。最后将混合粒子群调度算法在不同规模的实例上进行了测试,并与其它几种具有代表性的算法进行了比较。实验结果表明,改进算法不仅较好地避免了陷入局部最优,提高了收敛速度,还有效地减少了航班着陆调度中的延迟。

基于混合粒子群算法具有交货期瓶颈的作业车间调度问题

为了解决一类具有交货期瓶颈的作业车间调度问题,给出了基于订单优势的交货期满意度和交货期瓶颈资源确定方法,以工件拖期加权和最小为优化目标,建立了基于交货期满意度和瓶颈资源约束的作业车间调度模型;为了求解该调度模型,设计了一种基于模拟退火的混合粒子群算法,该算法采用随机工序表达方式进行编码,并在模拟退火算法中引入变温度参数来提高算法效率。通过随机仿真,分别采用PSO-SA、SA和PSO对所建立的调度模型进行求解,结果显示PSO-SA算法的广泛性好、求解效率高且算法的稳定性好,验证了模型和算法的有效性。

基于混合进化算法的仿人机器人步态规划

针对仿人机器人的结构特点,设计一种仿人机器人上楼梯的在线步态规划系统.使用7连杆模型对仿人机器人的上楼梯运动过程进行建模,根据神经网络在拟合非线性系统上的优越性,使用2个BP神经网络对仿人机器人上楼梯过程中的双腿支撑周期和单腿支撑周期分别进行离线训练.为了加速训练时间和避免陷入局部最小值,采用基于混合粒子群的神经网络控制方式对网络的权值进行优化.在加速训练过程的同时,生成稳定性最优的步态,通过嵌入式单目视觉采集现场环境信息作为神经网络的输入,实时控制输出步态所需的关节轨迹进行运动.实验结果表明通过Matlab仿真和实物机器人上所提方法有效.

基于混合粒子群优化算法的高空飞艇成像任务规划

针对高空飞艇成像任务规划问题进行研究,分析了高空飞艇遂行对地观测活动所需满足的主要约束,建立了以最大化任务收益为优化目标的约束满足模型。采用基于分层优化的求解框架,将原问题分解为主问题和子问题,并分别设计了求解算法。随后在仿真实验中,通过与经典调度算法对比,验证了该算法的优化效果。

基于混合粒子群算法和快速非均匀平面波算法的介质目标反演

提出了一种重构介质目标的新方法——混合粒子群算法,研究了几何形状已知的介质目标介电参数反演、均匀介质柱的外形轮廓反演及外形轮廓与介电参数均未知时的介质目标反演三类问题。利用快速非均匀平面波算法加速矩量法求解介质目标的雷达散射截面,以介质柱体的散射场的实际测量值与迭代计算值的偏差作为目标函数,通过单纯形法和伪群交叉算法混合的粒子群算法对优化变量进行优化,使目标函数达到最小值来对介质目标的介电特性进行电磁成像。仿真结果表明:混合粒子群算法简单、通用,在反演过程中不用加入正则化处理以确保数值稳定性,比简单遗传算法具有更好收敛性能、更高的成像精度和抗随机噪声干扰的能力。

无人机协同攻击的混合粒子群算法

针对协同空战中多目标的攻击问题,综合考虑杀伤概率、毁伤率、战役价值3个因素,分别制定评价函数。采用线型加权的方法,确定总的代价函数。使用混合粒子群算法(Heuristic Particle Swarm Optimization,HPSO)优化攻击分配方案,找到使我方以最小代价获得胜利的分配方案。最后仿真,3架我机对阵8架敌机,分析了8种不同的交叉变异策略对攻击分配结果的影响,并与蚁群算法进行比较,在代价函数基本不变的前提下,速度提高了近10倍,表明了采用HPSO算法优化攻击分配方案的快速性和正确性。