基于时序配合的主从微电网需求侧资源动态聚类算法

为了合理利用和动态聚类主从微电网需求侧资源,提高资源利用效率和运行性能,提出了基于时序配合的主从微电网需求侧资源动态聚类算法。在时序配合下,对主从微电网需求侧资源进行提取。将主从微电网需求侧资源负荷峰谷差、负荷波动率最小化和负荷消纳率最大化作为目标函数,设定主从微电网需求侧资源曲线波动率和负荷互补约束条件,构建主从微电网需求侧资源动态聚类模型。基于动态调整惯性权重的粒子群算法,求解主从微电网需求侧资源动态聚类模型,实现主从微电网需求侧资源动态聚类。实验结果表明,所提算法的主从微电网需求侧资源动态聚类效果较好,能够有效实现主从微电网需求侧资源的合理利用,提高主从微电网需求侧资源动态聚类效率。

惯性权重正弦调整的粒子群算法

通过对标准粒子群算法中惯性权重的分析,提出了一种惯性权重正弦调整的粒子群算法。运用差分方程对粒子速度变化过程和位置变化过程进行分析,得到了粒子群算法的收敛条件。通过对4个典型的函数的测试,实验结果表明该方法在收敛速度和全局收敛性方面都比标准粒子群算法和随机惯性权重粒子群算法有明显改进。理论分析和仿真实验验证了新算法的正确性和有效性。

一种动态改变惯性权重的自适应粒子群算法

针对惯性权重线性递减粒子群算法(LDWPSO)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权重的自适应粒子群算法(DCWPSO),在该算法中引入聚焦距离变化率的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为关于聚焦距离变化率的函数。在每次迭代时算法可根据当前粒子群聚焦距离变化率的大小动态地改变惯性权重,从而使算法具有动态自适应性。对6个典型函数的测试结果表明,DCWPSO算法的收敛速度明显优于LDWPSO算法,收敛精度也有所提高。

基于随机惯性权重的简化粒子群优化算法

针对标准粒子群优化算法易出现早熟收敛、搜索速度慢及寻优精度低等缺陷,提出一种基于随机惯性权重的简化粒子群优化算法。算法采用去除速度项的粒子群简化结构,通过随机分布的方式获取惯性权重提高新算法的局部搜索和全局搜索能力,并且学习因子采用异步变化的策略来改善粒子的学习能力。考虑到个体之间的相互影响关系,每个粒子的个体极值用所有粒子个体极值的平均值代替。通过几个典型测试函数仿真及F-检验结果表明,提出的算法在搜索速度、收敛精度、鲁棒性方面较已有改进算法有了显著提高,并且具有摆脱陷入局部最优解的能力。

基于高斯扰动和自然选择的改进粒子群优化算法

为了有效地平衡粒子群算法的全局与局部搜索性能,提出一种基于高斯扰动和自然选择的改进粒子群优化算法。该算法在采用简化粒子群优化算法的基础上,考虑到个体最优粒子间的相互影响,使用所有融入高斯扰动的个体最优的平均值代替每个粒子的个体最优值,并且借鉴自然选择中适者生存的进化机制提高算法优化性能;同时通过含有惯性权重停止阈值的自适应调节余弦函数递减策略来实现对惯性权重的非线性调整并采用异步变化调整策略来改善粒子的学习能力。仿真实验结果表明,所提算法在收敛速度和精度等方面均有提高,寻优性能优于近期文献中的几种改进的粒子群优化算法。

采用非线性粒子群算法的同步糖化发酵参数辨识

为进一步优化同步糖化发酵(SSF)工艺,在经典发酵动力学的基础上,总结出SSF工艺中的还原糖变化方程,并采用自适应粒子群优化(PSO)算法进行菌体生长、产物生成以及还原糖消耗的模型参数辨识。通过比较分析线性和非线性动态变化惯性权重的自适应PSO算法在动力学参数辨识过程中的优劣,确定了非线性方法的快速收敛特性。结果表明:模型的拟合值与实验数据比较接近,即利用这些模型来反映此SSF过程的机理具有一定的准确性和可靠性;通过非线性动态变化惯性权重的自适应PSO算法进行参数辨识具有一定的可行性和推广性,也为模型参数辨识提供了一种新思路。

求解武器目标分配问题的改进粒子群算法

在建立多种类型武器目标分配模型的基础上,提出了一种求解该模型的改进粒子群算法。首先,定义粒子聚焦距离变化率,使惯性权重依据聚焦距离变化率自适应调整;其次,采用速度最大值线性递减的策略平衡算法收敛精度与全局寻优能力之间的矛盾;最后,粒子替换策略使算法改善了因自适应惯性权重的引入而造成收敛速度变慢的问题。仿真结果表明,提出模型和算法合理有效,算法收敛快,适合求解各种种群规模的武器目标分配问题。

改进型耗散粒子群优化算法

通过对标准粒子群优化算法中惯性权重的分析和对耗散理论的研究,提出了一种惯性权重正弦调整的耗散粒子群优化算法(S-DPSO),并对该算法进行了深入的分析和研究.通过对4个典型函数的仿真测试,试验结果表明S-DPSO在收敛速度和全局收敛性方面都比标准粒子群优化算法、随机惯性权重粒子群优化算法、惯性权重正弦调整粒子群优化算法、耗散粒子群优化算法和随机惯性权重耗散粒子群优化算法有明显改进.理论分析和仿真试验验证了S-DPSO的正确性和有效性.

权重自适应调整的混沌量子粒子群优化算法

针对量子粒子群优化算法在处理高维复杂函数收敛速度慢、易陷入局优的问题,利用混沌算子的遍历性提出了基于惯性权重自适应调整的混沌量子粒子群优化算法。新算法首先引入聚焦距离变化率的概念,将惯性因子表示为关于聚焦距离变化率的函数,从而使算法具有动态自适应性;其次,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,从而减少无效迭代。对高维测试函数的实验表明:改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。

量子行为粒子群优化算法在公交调度优化中的应用

以公交费用最小和乘客平均等待时间最短为目标构建优化调度模型,针对已有算法在求解这类调度问题存在的早熟收敛、优化效率较低的缺点,提出了一种惯性权重自适应调整的量子行为粒子群优化算法。首先引入聚焦距离变化率的概念,将惯性权重因子表示为关于聚焦距离变化率的函数,从而使算法具有动态自适应性;同时在算法中嵌入了一种判断和避免搜索早熟和停滞的有效方法。优化实例的结果分析表明,该算法能有效地解决公交车辆的调度优化问题。

基于改进粒子群算法的阶梯波调制功率均衡控制策略

针对级联型多电平逆变器阶梯波调制时各级联单元输出功率不均衡问题,提出采用调整脉冲开关角的阶梯波调制功率均衡控制策略,该策略以1/4输出周期为单位互换各级联单元的输出电压波形,从而实现各级联单元在1个输出周期内的功率均衡。同时将一种基于惯性权重动态调整的粒子群算法引入到对阶梯波调制功率均衡控制策略下开关角的求解中,该算法不需要开关角初值,随着迭代次数的增加而动态减小惯性权重,能快速有效地求解出开关角最优解。仿真结果验证了基于改进粒子群算法的阶梯波调制功率均衡控制策略的可行性及有效性。

应用于武器-目标分配问题的量子行为粒子群优化算法

武器-目标分配(WTA)问题是现代战争中一个十分重要的问题。以分配武器迎击全部目标的失败概率最小为目标,构建武器-目标分配问题模型;针对已有算法求解这类问题存在的早熟收敛、优化效率较低的缺点,提出一种惯性权重自适应调整的量子行为粒子群优化算法。首先引入聚焦距离变化率的概念,将惯性权重因子表示为关于聚焦距离变化率的函数,从而使算法具有动态自适应性;同时在算法中嵌入一种判断和避免搜索早熟和停滞的有效方法。优化实例的结果分析表明,该算法能有效地解决武器-目标分配问题。

基于动态调整惯性权重下改进学习因子的粒子群算法

粒子群算法针对高维复杂函数常存在早熟收敛问题,本文提出一种在已有动态调整惯性权重的基础上对学习因子进行改进的粒子群算法,使学习因子随着搜索的不同阶段改变认知学习因子和社会学习因子。比较五个标准测试函数的实验结果,表明改进后的算法得到的结果更优。

改进收敛条件的动态调整惯性权重PSO算法

在医学图像配准中需要解决互信息图像配准过程中局部极值问题,引入了一种动态调整惯性权的自适应粒子群算法;验证了其中两个重要参数的取值,并均匀赋值粒子初始位置,避免随机产生的初始位置集中在某一区域而使寻优陷入局部极值,同时加入进化速度因子作为搜索中止条件,加快了搜索速度。实验表明,该算法既能找到全局最优又能快速收敛。

基于粒子群优化算法的支持向量机参数选择

由于支持向量机的主要参数的选择能够在很大程度上影响分类性能和效果,并且目前参数优化缺乏理论指导,提出一种粒子群优化算法以优化支持向量机参数的方法.该方法通过引入非线性递减惯性权值和异步线性变化的学习因子策略来改善标准粒子群算法的后期收敛速度慢、易陷入局部最优的缺陷.实验结果表明,相对于标准粒子群算法,本方法在参数优化方面具有良好的鲁棒性、快速收敛和全局搜索能力,具有更高的分类精确度和效率.

联盟链视角下基于IIWPSO-BP的信息安全风险预测模型

为及时发现智慧城市潜在信息安全风险,构建一种基于改进惯性权重的粒子群优化(IIWPSO)算法优化反向传播(BP)(IIWPSO-BP)神经网络算法的信息安全风险预测模型。首先,综合考虑信息拥有者、共享信息、联盟链技术、信息使用者、联盟链管理和安全措施6个一级指标,构建信息安全风险指标体系;其次,通过量化信息安全风险指标,训练并测试所构建的信息安全风险预测模型;最后,对比分析模型的鲁棒性、精确性和时间复杂度。结果表明:IIWPSO-BP预测模型的平均绝对误差(MAE)为0.1374,平均相对误差(MRE)为0.0385,拟合度为0.9720;与PSO-BP神经网络、BP神经网络相比,预测精度分别提升了37.6%、65.2%。

求解最优化问题的改进蜘蛛猴算法

最优化问题不仅存在于人类生产、生活的方方面面,其解决还关系着工程应用、科学研究的发展.因为优化问题的繁琐与多变,人们在求解时时常会遇到不少的困难和阻碍.针对算法的运行机制设计了非线性惯性权重调整的蜘蛛猴算法(S-SMO)来解决最优化问题,利用matlab软件,选择标准测试函数来检测S-SMO算法对优化问题的求解效果,实验发现改进算法和原始算法及线性递减权重的WSMO算法相比,在求解精度、速度、鲁棒性和可靠性等角度均有明显的改进与提高.

一种信息充分交流的扩散粒子群算法

为解决粒子群算法搜索精度不高,特别是对高维函数优化性能不佳问题,提出一种信息充分交流的扩散粒子群算法(DPSO-FCI).该算法在粒子更新方式上引入周围极值,在演化过程中粒子以一种递增方式进行扩散操作,使得种群信息得到更加充分的利用.同时,通过非线性调整惯性权重、扩散操作引导极值变化来增强群体对信息的利用能力.采用4个基准测试函数对DPSO-FCI算法进行测试,并与几种不同类型的改进粒子群优化算法进行对比.实验结果验证了DP-SO-FCI算法的有效性.