基于改进鲸鱼优化算法的永磁同步电机控制策略

永磁同步电机(Permanent Magnet Synchronous Motor,PMSM)调速系统中普遍存在转速超调不稳定和受负载干扰大等现象,对此提出一种改进鲸鱼优化算法(Improved Whale Optimization Algorithm,IWOA)对转速环的传统PI控制参数整定进行优化。在鲸鱼算法(Whale Algorithm,WOA)的基础上引入非线性惯性权重来平衡算法的局部和全局搜索能力。依据学习策略的思想,对鲸鱼种群中每个个体的位置进行优化。在Matlab/Simulink上搭建电机调速系统仿真模型并进行仿真实验,仿真结果表明,基于IWOA的控制策略相比于传统WOA控制超调率由3%减少到1.5%,而PI控制超调率为5%,进一步增强了系统抗负载扰动能力,显著地提高了PMSM的各方面性能。

粒子群优化算法的惯性权值递减策略研究

为了有效地控制粒子群优化算法的全局搜索和局部搜索,基于递减惯性权值的基本思想,在现有的线性递减权值策略的基础上,提出了开口向下抛物线、开口向上抛物线和指数曲线3种非线性的权值递减策略,并采用Sphere、Rosenbrock、Griewank和Rastrigrin这4个标准测试函数测试这些策略对算法的影响.试验结果表明,对于多数连续优化问题,在初始权值和最终权值相同的情况下,凹函数递减策略优于线性策略,而线性策略优于凸函数策略,凹函数递减策略能够在不影响收敛精度的情况下较大幅度地提高粒子群算法的收敛速度.

基于粒子群算法的多传感器数据融合

粒子群算法是一种有效的寻找函数极值的演化计算方法,它简便易行、收敛速度快,但存在收敛精度不高、易陷入局部极值点的缺点。本文对原有算法中的固定惯性权重进行改进,着重分析了惯性权值因子在粒子群优化(PSO)算法中的作用,在现有的线性递减权值方法上,提出一种非线性权值递减策略,并将其尝试性地运用到多传感器融合的领域,运用该算法对数据融合中的加权因子进行估计。实验结果表明,改进的PSO算法能近似最优地确定数据融合中各权值因子,使融合在信息源的可靠性、信息的冗余度/互补性以及进行融合的分级结构不确定的情况下,以近似最优的方式对传感器数据进行融合,有效地从各融合数据中提取有用信息,成功排除噪声干扰,取得了良好的融合结果。

惯性权值对粒子群算法收敛性的影响及改进

研究惯性权值对粒子群算法(PSO)收敛性的影响,在分析线性权值递减策略基础上,提出一种基于各粒子适应值的递减策略——FDIW。标准测试函数对比实验表明,该策略可以使粒子在搜索初期获得更好的多样性,从而使粒子具有更强的摆脱局部极值的能力,在搜索末期可以加快粒子收敛速度以提高PSO算法的性能。

混合策略改进的鲸鱼优化算法

针对标准鲸鱼优化算法易出现搜索速度慢、寻优精度低及早熟收敛等问题,提出一种混合策略改进的鲸鱼优化算法。首先采用混沌映射生成初始种群增加种群多样性,为算法全局搜索奠定基础;然后引入非线性策略改进收敛因子和惯性权重,平衡算法的全局探索与局部开发能力并加快收敛速度;最后根据群体适应度方差设定阈值进行变异操作,避免算法出现早熟收敛的现象。通过对12个典型基准函数进行三方面的性能测试,实验结果表明,改进算法在搜索速度、收敛精度等方面有显著提高,且摆脱陷入局部最优解的能力强。

粒子群优化算法中的惯性权值非线性调整策略

为提升粒子群优化算法的性能,提出基于正弦曲线、正切曲线和对数曲线的非线性惯性权值调整策略。采用镜像策略对越界粒子进行处理,利用标准测试函数测试这些策略对算法的影响。实验结果表明,对于连续函数优化问题,正弦曲线和对数曲线策略优于传统的线性调整策略,而传统的线性调整策略又优于正切曲线策略。

基于PSO的RBF神经网络在热工系统辨识中的应用

在神经网络辨识大迟延对象时,模型类中迟延时间多是根据经验估测的,而不同的值对神经网络辨识的精度和效率就会不同。针对上述问题,将基于正交最小二乘(OLS)算法的径向基(RBF)神经网络和粒子群优化(PSO)算法相结合对热工系统的复杂对象进行辨识仿真。通过对电厂一次风量数据和平均床温数据的仿真实验结果表明,在RBF神经网络对大迟延对象进行辨识时,通过PSO算法进一步确定其最佳迟延时间,从而得到更精确的模型并提高辨识效率,可以取得良好的效果。

基于混合策略改进的鲸鱼优化算法

针对标准WOA算法初始种群分布不均、收敛速度较慢、全局搜索能力弱且易陷入局部最优等问题,提出一种混合策略改进的鲸鱼优化算法。采用Sobol序列初始化种群以使初始解在解空间分布更均匀;通过非线性时变因子和惯性权重平衡并提高全局搜索及局部开发能力,并结合随机性学习策略增加迭代过程中种群的多样性;引入柯西变异提升算法跳出局部最优的能力。通过对12个基准函数和一个水资源需求预测模型的参数估计进行优化实验,结果表明,基于混合策略改进的鲸鱼优化算法在寻优精度及收敛速度上均有明显提升。

一种非线性递减惯性权重策略的粒子群优化算法

目的改进基本粒子群算法的一些缺点.基本粒子群算法是一种有效的寻找函数极值的演化计算方法,它简便易行,收敛速度快.但此算法也存在收敛精度不高,易陷入局部极值点的缺点.方法对原有算法中的固定惯性权重进行改进.结果提出一种非线性递减惯性权重策略的粒子群优化算法.结论对六种具有代表性的测试函数进行了仿真实验,并与基本粒子群算法中惯性权重分别取固定权重、线性递减权重进行了比较,说明了非线性递减惯性权重策略的粒子群优化算法具有更好的性能和全局搜索能力。

一个新的动态约束因子PSO算法

根据带约束因子PSO算法,推导出认知因子c1、社会因子c2和惯性权重w之间应满足的关系.提出新的DCF-PSO算法,随着其中的惯性权重非线性递减,动态调整c1和c2值.通过Benchmark验证了改进后算法的高效性能.实验结果表明,算法表现优异.

基于粒子群算法的伪卫星布站优化设计

针对伪卫星布站问题,采用粒子群智能优化算法,以导航定位中精度因子作为粒子群适应度函数,采用线性递减惯性权值策略,通过适当次数的进化与迭代,最终寻找到最优化的伪卫星布站设计方案。通过对两条竖直平面内的抛物线轨迹进行仿真验证,结果表明,基于粒子群算法的伪卫星布站优化设计方案可以减小全程精度因子,提高了伪卫星独立定位系统的定位精度。

ED-NM-MO三联法对丹参三七配比的多目标优化研究

[目的]采用ED-NM-MO三联法对经基线等比增减设计的丹参、三七不同配比的药效学数据进行非线性拟合和多目标优化。[方法]对经基线等比增减设计的丹参、三七不同配比的药效学数据,以心肌缺血程度Σ-ST、心肌缺血程度(缺血区左室)等7个分别反映心肌缺血、心脏状态和血流动力学的指标作为待优化的药效目标,进行非线性拟合和多目标优化。[结果]分别得到针对7个药效指标和6个药效指标(不包含血清中心肌钙蛋白)的Pareto最优配比。[结论]ED-NM-MO三联法是一种适合复方特点的优化方法,可以应用于由多饮片多组分多成分复方药物的剂量配比优化。

非线性随机扰动的粒子群优化算法

在惯性权重非线性递减策略的基础上,引入小阻尼振荡函数,提出一种新的非线性递减随机扰动的粒子群算法,通过2个基准测试函数对算法性能和收敛性进行了分析.实验仿真表明:相对于标准粒子群算法,新策略加快了收敛速度,在一定程度上避免了粒子群优化算法的早熟收敛问题.

改进PSO-BPNN算法在管道腐蚀预测中的应用

输油管道由于埋藏环境、运输介质等影响,随着使用年限增加,管道会逐渐出现腐蚀,常规的腐蚀管道剩余强度计算方法有公式计算和有限元分析(FEA)等。针对常规方法中公式计算准确性较低和有限元分析过于复杂的问题,提出了一种改进的粒子群算法优化的神经网络模型(IPSO-BPNN)来预测腐蚀管道剩余强度。首先,在传统粒子群算法的基础上,提出了一种新的非线性递减惯性权重用于快速更新粒子速度和位置,并引入了遗传交叉算子增加粒子的多样性,形成了改进的粒子群算法(IPSO);其次,采用IPSO算法对神经网络的权重和阈值进行优化,并使用优化后的权重和阈值初始化神经网络,建立了IPSO-BPNN模型;最后,在2个真实的管道测试爆破数据集上进行实验,分别使用线性回归(LR)、FEA、前馈神经网络(BPNN)、粒子群算法前馈神经网络(PSO-BPNN)以及IPSO-BPNN模型对腐蚀管道剩余强度进行预测,使用平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为评估模型预测性的指标。在2个数据集的测试集上的结果表明:IPSO-BPNN模型的MAE分别为0.525 4、0.718 5,MAPE分别为3.77%、2.68%,RMSE分别为0.672 6、0.947 2,3项指标较LR、FEA、BPNN和PSO-BPNN有明显提升。改进PSO-BPNN算法可以提高腐蚀管道剩余强度预测的准确性,可以为管道检查提供较为准确的依据。

基于CAPSO-ICA的DS-CDMA系统盲多用户检测

为解决DS-CDMA系统的多址干扰问题,提出了一种将自适应惯性权重的混沌粒子群算法与独立分量分析方法结合(CAPSO-ICA)的盲多用户检测算法。该算法首先将自适应的非线性递减惯性权重w和混沌运动引入到粒子群(PSO)算法中,有效地避免了传统粒子群算法易陷入局部最优的问题,从而使寻优结果更为准确。然后根据各用户相互独立这一特点,将改进的粒子群算法与独立分量分析方法结合起来进行盲多用户检测。仿真结果表明,在相同的条件下,相对于已有的FICA算法和PSO-ICA算法,基于CAPSO-ICA的盲多用户检测算法有更小的误码率,这说明改进算法的多用户检测性能更为优越。

基于IPSO-LS-SVM的异步电动机转子故障诊断

针对异步电动机转子的故障诊断问题,为了提高诊断精度和诊断效率,提出基于混合核函数的最小二乘支持向量机与改进的粒子群算法相结合(IPSO-LS-SVM)的故障诊断方法。首先对PSO的惯性权值策略进行研究,给出一种非线性递减惯性权值策略,然后利用改进后的PSO优化基于混合核函数的LS-SVM,最后,应用改进算法完成转子的故障诊断。结果表明,改进算法通过较少的迭代次数即寻找到最优参数,克服了陷入局部极小值的缺陷,诊断效率和诊断精度都得到了提升。

一种基于改进惯性权重的粒子群优化算法

文章针对标准粒子群算法在迭代过程中容易陷入局部最优,算法本身对惯性权重的调节不够精确这一问题。为了能够提高算法精确性得到更加准确的目标值,提出了一种非线性递减惯性权重策略来优化粒子群算法,使得粒子前期飞行速度下降不会过快,从而平衡粒子的全局搜索能力和局部搜索能力,避免陷入局部最优。最后选择典型测试函数,把改进后的算法与其他改进算法比较,结果表明改进后的算法更加精确稳定性更高。

一种单个粒子自适应修正的粒子群算法

在各类优化问题的解决过程中,群智能优化算法的局部搜索与全局搜索性能都起着重要的作用。在粒子群优化算法中,惯性权值的引入对粒子群算法的收敛性与稳定性都具有一定的影响。因此,在分析现有权值递减策略的基础上,提出一种基于单个粒子适应值的权值修正策略,区别对待同次迭代中适应值好与差的粒子,通过不同的权值赋值策略,以充分发挥各粒子的优势,以增强全局搜索和跳出局部最优的能力。通过对标准测试函数所做的对比实验,该策略可以使粒子在搜索初期获得更好的多样性,使粒子具有更强的摆脱陷入局部极值点的能力;在搜索末期可以加快粒子收敛速度以提高粒子群优化算法的快速性能。改进算法有效减少了早熟的发生,提高了粒子的收敛性能,取得了比较满意的仿真结果。

一种改进的粒子群优化算法惯性权值递减策略

结合粒子群优化(PSO)算法的特点,分析惯性权值的关键性作用。在此基础上提出一种改进的非线性惯性权值递减策略。同时利用两种基准函数对该策略进行测试。实验结果表明,在参数设置均相同的条件下,改进后的权值递减策略在算法迭代初期具有较好的多样性,有利于跳出局部极值,在迭代后期具有更好的全局寻优能力。当维数不变时,随着种群规模以及最大迭代次数的相应增加,改进后的权值递减策略在收敛精度指标上要明显优于对比算法。

不同惯性权重设置的粒子群算法的仿真实验

惯性权重是粒子群算法的一个重要参数.为了验证惯性权重对粒子群算法性能的影响,选取3个有代表性的惯性权重设置,与线性权值递减策略进行各个方面的比较,采用3个标准测试函数测试这些策略对算法的影响.实验结果表明采用w1PSO的惯性权值设置方式,所取得的效果要优于其他惯性权值策略.