基于改进惯性权重的PSO算法

针对基本粒子群算法的早熟收敛以及局部和全局搜索的平衡能力差等问题,提出了一种带有平衡因子(α)的非线性衰减的惯性权重粒子群算法(NLDPSO)。通过四个标准测试函数的仿真验证,结果表明,对α进行调整,使得局部和全局搜索的平衡能力达到较佳,大大改善了基本粒子群算法的早熟收敛缺陷,同时,与其他非线性衰减的惯性权重算法比较,文章算法的鲁棒性更高。

基于动态惯性权重的电子节气门改进PSO-BP优化控制

针对汽车电子节气门系统存在的动态迟滞非线性问题,提出一种模糊神经网络PID控制器的设计方法。该控制器将动态调整惯性权重的粒子群优化算法和BP算法结合来优化模糊神经网络参数,修正模糊神经网络在寻优过程中收敛缓慢、易陷入局部最小值的不足。利用模糊神经网络的自学习能力,对PID控制器参数进行整定。仿真结果表明,经过优化后的模糊神经网络PID控制器相比于模糊PID控制器在响应时间、超调量和振荡次数等方面都有显着提升。在模拟气流扰动工况施加扰动信号后,该控制器表现出良好的抗干扰性能。在电子节气门响应试验中,节气门响应曲线存在轻微超调,但稳态误差较小,表明该控制方法下电子节气门具有良好的动态响应特性。

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。

基于惯性权重非线性动态变化的微粒群算法

本文提出一种惯性权重非线性动态变化的微粒群算法(NDPSO),根据微粒在群体中距群体最优位置的远近,选择不同的惯性权重非线性下降指数,每个微粒根据个体状况选择不同的惯性权重。在NDPSO算法中,距最优位置较远区域惯性权重选择较小的下降指数,这样利于微粒较快地飞向群体最优位置,提高算法的全局搜索性能;当微粒飞到距最优位置较近区域时,惯性权重采用较大的下降指数,这样微粒在此区域进行细致的搜索,提高算法的收敛速度。为了研究NDPSO算法的性能,对几种典型高维非线性函数进行了测试。测试结果表明,与其它几种典型的微粒群算法相比,NDPSO明显地提高了算法的性能。

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。

用正弦函数描述非线性惯性权重的微粒群算法

为改进标准微粒子群算法,提出了一种用Sin函数非线性描述惯性权重动态调整微粒群的方法。由于原算法存在早熟收敛和搜索效率低,提出改进基本微粒群算法的惯性权重参数,将微粒群算法中的惯性权重用正弦函数来描述,通过对粒子位置和速度进行自适应非线性调整,使算法在前期阶段具有较快的收敛速度,在算法后期局部搜索能力也不错,减少了微粒陷入局部极值的机会,使结果收敛于全局最优解,为了验证算法的有效性,采用Shaffer's F6和Levy No.5函数进行测试,实验结果表明,新方法具有比较好的效果。

带过滤机制非线性惯性权重粒子群算法

为改进非线性惯性权重粒子群算法,提出了一种带过滤机制的非线性惯性权重粒子群算法。由于原算法存在粒子易陷入局部最优解与搜索效率较低的缺点,将适应度缩放函数引入到非线性惯性动态调整的粒子群算法中,剔除适应度过高与过低的粒子,再对剩余种群部分优良个体进行复制,并随机产生一些新粒子,然后进行交叉操作,种群数量保持不变,减少了粒子陷入局部极值的概率,使结果收敛于全局最优解。通过低维度与高维度函数的对比测试,表明新算法具有较为理想的效果。

一种拟合下降非线性惯性权重PSO算法

一般的非线性惯性权重粒子群算法由于受函数自身固有形态的影响,通过参数调节函数对惯性权重的改进有局限。在一种指数型惯性权重的基础上,采用非线性拟合的方法构造满足惯性权重改进策略的非线性函数来优化粒子群算法。通过对4种具有代表性的测试函数进行仿真实验,结果表明改进算法具有更好的寻优性能和全局搜索能力。

改进自适应惯性权重粒子群算法及其在核动力管道布置中的应用

[目的]旨在研究非线性自适应惯性权重粒子群优化算法,实现船用核动力一回路系统管道路径的布置优化设计。[方法]根据船用核动力一回路系统的管道布局设计特点,建立一回路系统的管道布局空间模型、约束条件和评价函数;基于管道节点数量,提出一种粒子群优化(PSO)算法的新型定长编码方法,然后结合该编码方法建立方向引导机制;在此基础上,针对粒子群优化算法易陷入局部最优解、收敛速度慢的缺点,结合辅助线性变化的学习因子,提出一种基于非线性自适应惯性权重的改进粒子群优化算法;将改进粒子群优化算法与协同进化算法相结合,提出一种用于求解分支管道布局问题的协同进化粒子群优化算法,以用于核动力一回路系统的管道布局优化。[结果]仿真结果显示,所提的改进算法与标准算法相比收敛速度提高了40%~50%,不仅能够得到更好的管道布局效果,还解决了标准粒子群优化算法容易陷入局部最优解的问题。[结论]研究成果可为船用核动力一回路系统管道布置的优化设计提供有益的参考。

舰船大规模人群疏散惯性权重非线性递减粒子群优化算法分析

为了有效解决舰船大规模人群疏散问题,笔者基于人类行为心理学建立了危险状况人群疏散模型,并提出一种惯性权重非线性递减粒子群改进算法。通过采用惯性权重非线性递减策略,不仅能够有效降低其陷入局部收敛的风险,还能提高全局优化能力。仿真结果表明,该算法具有较强的全局优化性能,在危急情况下能够有效保障舰船大规模人群快速疏散。

非线性权重和收敛因子的鲸鱼算法

针对鲸鱼优化算法收敛速度慢,收敛精度低等问题,提出一种基于非线性收敛因子和惯性权重的鲸鱼优化算法.首先使用改进后的Logistic混沌映射来初始化种群,增加种群多样性.然后将线性变化的收敛因子改进为一种分段式非线性收敛因子,同时增加了非线性惯性权重来增强算法的勘探和开发能力.最后选取7个基准函数进行测试,实验表明改进后算法收敛速度快、精度高.

带自适应精英扰动及惯性权重的反向粒子群优化算法

针对反向粒子群优化算法存在的易陷入局部最优、计算开销大等问题,提出了一种带自适应精英粒子变异及非线性惯性权重的反向粒子群优化算法(OPSO-AEM&NIW),来克服该算法的不足。OPSO-AEM&NIW算法在一般性反向学习方法的基础上,利用粒子适应度比重等信息,引入了非线性的自适应惯性权重(NIW)调整各个粒子的活跃程度,继而加速算法的收敛过程。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,提出了自适应精英变异策略(AEM)来增大搜索范围,结合精英粒子的反向搜索能力,达到跳出局部最优解的目的。上述2种机制的结合,可以有效克服反向粒子群算法的探索与开发的矛盾。实验结果表明,与主流反向粒子群优化算法相比,OPSO-AEM&NIW算法无论是在计算精度还是计算开销上均具有较强的竞争能力。

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。

一种带变异算子的自适应惯性权重二进制粒子群优化算法

针对离散二进制粒子群优化算法在寻优过程中收敛速度慢、搜索精度不高和易陷入局部最优的问题,本文提出一种带变异算子的自适应惯性权重二进制粒子群优化算法(MABPSO).首先,采用非线性递增策略优化惯性权重,平衡二进制粒子群算法的全局探索与局部探索性能;其次,引入对未知空间搜索的变异算子,改进速度更新公式,使粒子的寻优范围扩大,增强算法多样性,有效避免陷入局部最优解.通过在六个基准测试函数上进行测试所得到的实验结果表明,本文对二进制粒子群优化算法所做的优化相比于其它三种算法,具有较好的逃离局部最优解的能力,提高了算法的收敛性能.

一种动态调整惯性权重的混合粒子群算法

为解决粒子群优化算法中存在的早熟收敛、易陷入局部寻优等问题,提出一种对惯性权重的非线性改进策略,构造了一种基于指数函数的惯性权重,并加入服从贝塔分布的随机调整数,以实现对其动态调整。此外,引入差分进化算法中的变异和交叉操作对粒子的位置进行更新,以增加粒子种群的多样性。为验证所提算法的寻优性能,选择4个典型的测试函数,将改进后的粒子群算法与其他算法进行比较。实验数据表明,所提改进算法在复杂问题上具有更高的搜索精度,在简单问题上具有更快的收敛速度。

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。

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.

基于C&S-PSO的软件成本估算类比法特征权重优化

运用软件成本估算技术可以在软件项目实施过程中有效控制进度、降低风险从而保证所开发软件的质量.本文对成本估算技术中加权类比估算模型的特征属性的权重,使用优化的粒子群算法(C&S-PSO)进行优化后,利用MMRE和Pred(0.25)两个标准与非加权类比模型、支持回归和模糊神经网络等模型进行估算的精度比较.另外,采用非参数自助法对优化的PSO加权类比估算模型稳定性进行评估.研究结果表明,从估算精度来看,采用本文的估算模型比上述估算模型估算精度高,同时该模型具有较好的稳定性.

用微粒群算法求解多元非线性方程组

分析了将多元非线性方程组的求解问题转化为求多元函数极值的优化问题的原理和方法;利用微粒群算法在连续空间中的优化能力求得极值点,得到方程组的近似解;给出了优化算法的具体流程;通过两个算例说明算法的可行性和有效性,实验结果表明此算法具有较高的效率和精度.

非线性混合整数规划问题的改进量子粒子群算法

提出了一种改进的量子粒子群算法,并将该算法用于求解非线性混合整数规划问题。构造了一种自适应调整的惯性权重,平衡了算法的全局搜索和局部搜索能力;针对混合整数规划问题,给定一定比例的初始可行解,提高了初始种群解的多样性;利用协同进化选择策略,对种群中的不可行解重新生成,使种群中每个粒子的信息充分利用,从而提高算法的收敛速度;为了抑制算法的早熟现象,给出了一种新的混沌搜索方式,对全局最优解进行局部搜索,增强算法的局部搜索能力。通过16个常见的测试函数测试结果表明,改进的量子粒子群优化算法对求解非线性混合整数规划问题,在成功率和精度方面得到很大的提高。