自适应的分数阶达尔文粒子群优化算法

针对分数阶达尔文粒子群算法收敛性能依赖于分数阶次α,易陷入局部最优的特点,提出了一种自适应的分数阶达尔文粒子群优化(AFO-DPSO)算法,利用粒子的位置和速度信息来动态调整分数阶次α,并引入自适应的加速系数控制策略和变异处理机制,以获取更优的收敛性能。对几种典型函数的测试结果表明,相比于现有的粒子群算法,所提的AFO-DPSO算法的搜索精度、收敛速度和稳定性都有了显著提高,全局寻优能力得到了进一步提高。

Logistic型混合自适应分数阶达尔文粒子群优化算法

针对传统的粒子群优化算法中存在的问题及分数阶达尔文微粒群优化(FDPSO)算法收敛速度慢,收敛精度不高的问题,改进其算法中分数阶速度更新策略,同时引入Logistic型混合分数阶自适应动态调整策略,得到一种改进的自适应分数阶达尔文粒子群优化(LFDPSO)算法,并通过相应理论分析,证明了该算法在给定条件下的收敛性,并由6个经典函数的数值测验表明,Logistic型混合自适应分数阶达尔文粒子群(LFDPSO)算法在收敛精度和收敛速度上得到了有效改善与提高,粒子在局部最优时的逃逸能力、全局寻优及智能搜索能力显著增强。

基于改进粒子群优化算法的分数阶PID控制器

针对控制系统控制性能不稳定的问题,实践中可在控制系统里设定一种分数阶PID控制器。相比于整数阶PID控制器,分数阶PID控制器增加了λ和μ两个控制参数,这样可以让控制器在控制过程中拥有更好的性能,但同时也使得参数整定使用更加困难。为了更容易地求出控制器的参数,需要使用改良过的粒子群(PSO)优化方法来进行整定,将时间误差绝对值(ITAE)准则应用到控制器的控制过程当中,可以快捷地得出分数阶PID控制器的优化参数。通过对常规PID控制器与分数阶PID控制器的仿真结果进行对比,经过优化后的粒子群算法得到的参数在运用到控制系统中时会得到的更好的效果,说明了优化后的分数阶PID控制器的控制效果要优于整数阶PID控制器的控制效果。

基于分数阶达尔文粒子群的不等间距节点部署优化算法

针对节点随机部署存在节点能耗不均衡、无线网络寿命不长等问题,借助分数阶达尔文粒子群算法的寻优优势,提出一种粒子群优化不等间距节点部署算法。结合星型和链式拓扑结构的优点,建立不等间距拓扑结构;根据粒子自身进化信息自定义进化因子,调整分数阶次系数实现寻优算法的快速收敛;利用Levy飞行对局部最优位置进行随机扰动以提高算法跳出局部最优的能力;利用改进的粒子群算法求解节点部署的不等间距和最优节点数。仿真结果表明,与节点等距部署、节点随机部署等算法相比,改进的不等间距节点部署优化算法不仅有较高的节点覆盖率,还均衡了节点能耗,延长了无线网络的寿命。

基于非线性动态重心粒子群优化的分数阶PI^(λ)D^(μ)控制器设计

针对现有Oustaloup滤波器拟合精度不佳、结构复杂的缺点,提出了最优精简Oustaloup滤波器。针对粒子群优化算法整定分数阶PI^(λ)D^(μ)控制器参数时学习能力不充分、迭代收敛乏力的问题,提出了一种改进的粒子群优化算法。该算法设计了双异步非线性动态学习因子,以提高粒子的思考能力与信息共享能力,并增加了粒子群质量重心项,用以加速收敛过程。将改进的算法结合最优精简Oustaloup滤波器应用于分数阶PI^(λ)D^(μ)控制器的设计过程,选取了2个分数阶系统模型进行仿真验证。结果表明,改进的算法收敛速度更快且不易陷入局部最优,所设计的控制系统超调量更小、调节时间更短、稳态误差更小,提高了系统的抗干扰能力。

基于粒子群算法的分数阶PID主动磁轴承控制

针对主动磁轴承(AMB)四自由度间强耦合、非线性导致控制器控制效果不佳的问题,将分数阶PID(FOPID)控制器引入AMB控制系统,提出了基于粒子群(PSO)算法的FOPID控制器以提高控制器的响应速度并抑制转轴位移超调量,提高控制精度。采用时间乘以误差绝对值积分(ITAE)作为性能指标,在限制电流模块不同幅值条件下,将FOPID控制器与PID控制器进行比较。仿真结果显示,PSO算法可以简化FOPID控制器参数的调节过程;随着限制电流的提升,FOPID控制器的控制效果明显优于PID控制器,在5 A输入电流的限制下其性能指标高出PID控制器约1.05%;随限制电流幅值增加,在60 A输入电流的限制下性能指标可高出PID控制器约26.25%。

基于分数阶达尔文粒子群FODPSO算法的图像分割

图像分割主要用于提取用户感兴趣的目标,是图像分类和识别的基础。采用一种基于分数阶达尔文粒子群算法的图像分割方法,该算法采用分数阶微积分控制系统收敛性,能够对n尺度图像进行n-1个阈值寻优计算。实验结果表明,对比于APSO、CFPSO算法,该算法具有收敛速度快、稳定性强、精度高、全局寻优等特点,有效地克服了传统算法易陷入局部最优和收敛速度慢等缺陷,可满足实际工程需求。

混合粒子群算法优化分数阶PID控制参数研究

分数阶比例—积分—微分(PID)控制器是一种把PID控制器的整数阶次推广到分数的比例、积分、微分控制器,它比传统的PID控制器更能精确地控制复杂的被控系统。而参数的取值对控制效果的好坏起着决定性作用,为此提出了一种混合粒子群算法BFA-TPO优化参数值。该算法将具有趋化、繁殖和驱散特点的细菌觅食算法和参数少,易于优化的粒子群算法相结合来计算出精确的分数阶PID控制器的参数值。通过对传统PID控制器和分数阶PID控制器参数优化的实验仿真,结果表明基于该算法的分数阶PID控制不仅无超调量、收敛速度快,而且鲁棒性强、收敛精度高,可用于控制不同的对象和过程。

基于粒子群算法的被动分数阶汽车悬架参数优化设计

利用粒子群算法研究了被动分数阶汽车悬架参数的优化设计。分数阶汽车悬架系统是指运动微分方程中含有分数阶微分项的汽车悬架系统。建立了被动分数阶悬架系统的仿真模型,利用Oustaloup滤波器算法实现了该模型中分数阶微积分的近似计算。利用粒子群算法寻找一组最优的悬架参数来协调汽车操纵稳定性和乘坐舒适性的关系以到达最优的悬架性能。对比原悬架系统和优化后悬架系统在A、B、C、D共四级路面输入下的响应及其频率特性。研究结果表明,利用该方法对被动分数阶悬架参数进行优化设计,在保证汽车操纵稳定性的前提下乘坐舒适性得到明显改善。

基于粒子群优化算法的分数阶PID控制器设计

分数阶PID控制器具有可变的微分和积分阶次,通过调整控制器参数可以获得更好的控制性能。本文基于粒子群优化算法设计分数阶PID控制器。首先介绍分数阶PID和粒子群优化算法,然后给出分数阶PID控制系统结构、分数阶微积分算子的近似算法和分数阶PID控制器设计的仿真流程,最后通过MATLAB/Simulink对算例进行控制器设计仿真。仿真结果表明,通过粒子群寻优能够获得满意的分数阶PID控制器参数,满足对控制性能的要求。

基于粒子群算法倒立摆分数阶PID参数优化

来旋转式倒立摆是一种单输入双输出、强耦合、非线性不稳定系统。为实现对该系统在稳定阶段进行有效控制,采用分数阶PID(PI~γD~μ,FOPID)分别对倒立摆摆角、转角的位置和速度进行闭环控制。因为FOPID控制器数目和参数较多,手动调节各控制器参数极为繁琐且不易实现,故采用改进多目标粒子群(IMOPSO)算法整定各个FOPID控制器参数。通过QUBE-Servo旋转式倒立摆上验证了IMOPSO-FOPID算法的有效性,并使倒立摆获得优于PID控制系统的良好的动态品质,同时具备良好的稳定性和鲁棒性。

基于粒子群优化算法的模糊神经分数阶PID电子节气门控制器设计

针对汽车电子节气门的精确跟踪控制问题,建立了面向控制器设计的非线性模型,分析了摩擦非线性以及LH非线性对电子节气门位置的影响。采用模糊神经分数阶PID控制方法设计了电子节气门非线性控制器,并利用粒子群优化算法对控制器参数进行优化。最后将扰动考虑在内进行了仿真实验,仿真实验表明基于模糊神经分数阶PID的控制方法能够很好地实现电子节气门控制。

基于量子粒子群优化算法的新型正交基神经网络分数阶混沌时间序列单步预测

针对分数阶混沌时间序列预测精度低、速度慢的问题,提出了基于量子粒子群优化(QPSO)算法的新型正交基神经网络预测模型。首先,在Laguerre正交基函数的基础上提出一种新型正交基函数,并结合神经网络拓扑构成新型正交基神经网络;其次,利用QPSO算法优化新型正交基神经网络参数,将参数优化问题转化为多维空间上的函数优化问题;最后,根据已优化参数建立预测模型并进行预测分析。分别以分数阶Birkhoff-shaw和Jerk混沌系统为模型,利用Adams-Bashforth-Moulton预估-校正法产生混沌时间序列作为仿真对象,进行单步预测对比实验。仿真表明,与反向传播(BP)神经网络、径向基函数(RBF)神经网络及普通的新型正交基神经网络相比,基于QPSO算法的新型正交基神经网络的平均绝对值误差(MAE)、均方根误差(RMSE)明显减小,决定度系数(CD)更接近于1,平均建模时间(MMT)明显缩短。实验结果表明,基于QPSO算法的新型正交基神经网络提高了分数阶混沌时间序列预测的精度和速度,便于该预测模型的应用和推广。

基于改进粒子群优化算法的分数阶PID控制

分数阶PID控制器参数优化是当前分数阶控制领域研究的重要课题,为了避免分数阶PID控制器设计和参数整定的复杂性,提出一种基于改进粒子群算法的分数阶PID参数优化算法。该算法的基本思想是根据正交设计的多因素多水平试验得到改进粒子群算法的参数最优取值,然后使用改进的粒子群优化算法对分数阶PID控制器的参数进行离线优化,从而确定分数阶PID控制器参数的最优取值。通过仿真与遗传算法以及标准粒子群优化算法相比较,仿真结果表明该算法整定参数收敛速度快,且闭环系统的阶跃响应具有超调量小、上升速度快、调节时间短等优点。

基于动态分数阶和Alpha稳定分布的粒子群优化算法

针对传统粒子群优化算法(PSO)收敛速度慢及容易陷入局部极小化的问题,提出了一种改进的粒子群优化算法。新算法结合分数阶微分具有的记忆特性,使得粒子的更新融入了轨迹信息,提高了算法的收敛速度。使用Alpha稳定分布代替均匀分布使得粒子在一定概率条件下可以逃逸局部极小点,提高了粒子的全局搜索能力。仿真结果表明,算法不仅在单模态函数下具有更快的收敛速度和更有效的全局搜索能力,在复杂的具有欺骗性的多模态函数下也取得较理想的实验结果,证实了动态分数阶和Alpha稳定分布可以有效地提高粒子群优化算法的性能。

基于混沌粒子群算法的分数阶算子拟合优化研究

针对分数阶微积分算子数字实现及实现精度进行研究,首先,采用传统的连续域内拟合方法,即Oustaloup算法进行分数阶算子的拟合,然后采用混沌粒子群优化算法对该传递函数的各系数进行寻优,实现提高分数阶算子数字实现精度的目的。采用Oustaloup算法得到的拟合多项式系数作为优化算法的初始寻优参数,采用混沌粒子群优化算法进一步优化参数,达到更好的拟合精度。通过数字仿真可验证所提方法是有效的。

基于新型分数阶粒子群优化算法的分布式电源选址定容

大规模分布式电源并网带来巨大的经济效益和环境效益的同时也会对电网的稳定性造成威胁。为使配电网可以消纳更高比例的分布式电源,需要对分布式电源接入电网的位置及容量进行优化。首先,建立了风速、光照强度、负荷的不确定性分析模型,构建了以年综合费用最低为目标函数的分布式电源选址定容规划模型;然后,提出新型分数阶粒子群优化算法,测试了算法在复杂优化问题上的性能。最后,IEEE-33节点配电网算例的仿真结果验证了所建立模型的合理性与所提算法的有效性。

基于粒子群优化算法的分数阶系统二次型最优控制算法

目前,利用分数阶变分法和分数阶非变分法,解决分数阶系统的二次型最优控制问题时,存在数值算法的收敛效果不够好,近似化的步骤过于繁琐,且计算耗时长,以及在使用传统的梯度迭代优化算法解决分数阶系统的二次型最优控制问题时,对于优化函数要求较高等问题。针对一类Caputo定义下的确定性线性分数阶系统,首先,设计一种状态反馈控制器,考虑从优化角度去解决分数阶系统的二次型最优控制问题,然后,利用粒子群算法(PSO)求二次型性能指标的最优值,即系统的最优控制增益,最终,得到系统的最优控制律。仿真结果表明,PSO比传统的梯度迭代优化算法收敛效果更佳,通用性更好,获得的性能指标更小,验证了该算法有效可行。

改进的粒子群优化算法优化分数阶PID控制器参数

为了提高分数阶比例积分微分(FOPID)控制器的控制效果,针对FOPID控制器参数整定的范围广、复杂性高等特点,提出改进的粒子群优化(PSO)算法优化FOPID控制器参数的方法。该算法对PSO中惯权重系数的上下限设定范围并随迭代次数以伽玛函数方式非线性下降,同时粒子的惯性权重系数和学习因子根据粒子的适应度值大小动态调整,使粒子保持合理运动惯性和学习能力,提高粒子的自适应能力。仿真实验表明,改进的PSO算法优化FOPID控制器的参数较标准PSO算法具有收敛速度快和收敛精度高等优点,使FOPID控制器得到较优的综合性能。

一种模糊自适应粒子群优化算法的分数阶PI~λD~μ控制器设计

针对分数阶PI~λD~μ控制器待设计参数多,整定复杂问题,采用模糊自适应粒子群优化算法(Fuzzy Adaptive Particle Swarm Optimization,FAPSO)设计分数阶PI~λD~μ控制器参数.采用模糊规则的方法对惯性权重及位置更新进行了模糊逻辑处理.仿真结果表明,与传统的PSO算法比较,采用FAPSO方法所设计的分数阶PI~λD~μ控制器,具有更好控制品质和更强的鲁棒性.