一种基于调节因子的小生境粒子群优化算法

针对混沌变异的小生境粒子群优化算法(NCPSO)进化中收敛速度慢、搜索精度低的缺点,提出一种基于调节因子的NCPSO改进算法(NCPSO-FLV)。通过引入速度调节因子,对收敛速度做出判断,改变粒子速度帮助粒子跳出局部最优值,使种群多样性得到加强,收敛速度和搜索精度得到提高。实验结果表明,与基于惯性权重的基本粒子群算法和NCPSO算法相比,NCPSO-FLV算法的精度更高,适用于生产任务分配的工业优化计算。

小生境粒子群优化算法

针对粒子群算法容易早熟收敛和后期收敛速度慢的缺点,结合进化论中小生境技术,提出了小生境粒子群优化算法。通过粒子之间的距离找到具有相似距离的粒子个体组成小生境种群,然后在该种群里面利用粒子群优化算法进化粒子,所有个体经过其小生境群体的进化之后,找到最优的个体存入到下一代的粒子群中,直到找到满意的适应值为止。最后利用Shaffer函数验证了该算法的性能,并且与其他算法进行比较,结果表明该文算法能获得比较好的解,收敛成功率高,并且代价也比较小。

基于自适应小生境粒子群优化算法的电力系统无功优化

针对电力系统无功优化问题,提出用自适应小生境粒子群优化ANPSO(Adaptive Niche Particle Swarm Optimization)算法来克服粒子群优化(PSO)算法容易早熟而陷入局部最优解的缺点。以粒子的位置状况及其2个向量点积的符号动态生成小生境半径,根据各粒子之间的距离组成小生境种群,在小生境群体中运用粒子群优化算法进行寻优,对于更新后的群体根据粒子间的距离,利用共享机制改变粒子的适应度,用以提高整个群体的全局寻优能力。通过对IEEE6、14、30和118节点测试系统的无功优化问题计算及结果分析,并且与其他算法进行比较,结果表明该算法收敛成功率高,能获得较好的解。

基于改进小生境粒子群优化算法的电力系统无功优化研究

根据电力系统无功优化问题的特点,提出一种用于电力系统无功优化的最小欧氏距离下改进竞争小生境粒子群算法,利用该算法来克服粒子群优化算法容易早熟而陷入局部最优解的不足。通过对测试系统IEEE30节点进行电力系统无功优化的仿真,说明该算法能以更快的速度得到最优解。

一种新的自适应小生境粒子群优化算法

为了克服基本粒子群算法过早收敛的缺陷,提出了一种新的自适应小生境粒子群优化算法。首先,让整个粒子群进行独立地演化寻优,以构造小生境环境。同时,通过设定合适的信息共享周期,以实现各个粒子搜索信息的共享,指导粒子向全局最优位置的搜索。最后,通过几个典型的多峰测试函数,对算法进行了仿真验证。结果表明,在算法的收敛性、寻优性等方面,算法均达到了良好的效果。

基于种群小生境粒子群优化算法的交叉路口多相位信号配时优化

针对城市道路交叉口的交通流特性,建立无冲突车流组合.并对各优化目标采用变化的加权系数建立多目标综合优化模型.在此基础上,提出以交叉口车流组合(映射为交叉口相位)为小生境种群运动特征分量的种群小生境粒子群优化算法进行交叉口相位优化和配时优化.最后对重庆市某交叉路口进行实例研究,结果表明,该方法降低了交叉口的延误时间和停车次数,使交叉口得到了优化控制.

改进的小生境粒子群优化算法

传统的小生境粒子群优化算法(NPSO)需要两个参数的输入,一个是判断子群合并的阈值,另一个是子群产生的阈值。参数设置的不当,将直接影响计算结果。引入一个函数判断两个点是否在同一座山峰上,以克服NPSO算法需要输入参数的弊端。在程序运行时,无须严格限定小生境的半径,也不需太多的先验知识。实验结果证明,该算法合理有效,能够能快速有效地找到多峰函数的全局最优点。

基于小生境离散粒子群算法的不规则排样优化策略

针对目前二维不规则排样算法中存在的问题,提出一种基于小生境离散粒子群算法的二维不规则排样算法。该算法模拟两个相对独立的粒子群,两个粒子群并行进化,并在每迭代一次后相互交流信息,具有很强的全局搜索能力。实验结果表明,该算法在求解二维不规则排样问题时可以大幅提高板材的材料利用率,具有实际应用价值。

基于小生境粒子群算法的公差多目标优化设计

为解决产品设计中的公差优化问题,提出一种基于小生境粒子群算法的公差多目标优化方法。以加工成本、质量损失成本和公差敏感性为优化目标,以装配功能要求和加工能力为约束条件,建立了公差多目标优化模型。对标准粒子群算法进行改进,根据小生境数和Pareto优劣性确定孤立粒子,并通过个体历史最优粒子与孤立粒子的变异、选择操作更新粒子的个体历史最优位置;利用Pareto支配数排序更新粒子群的全局最优位置。利用改进的粒子群算法对公差多目标优化模型进行求解,得到分布均匀的Pareto前沿。设计并开发了原型系统,通过实例验证了该方法的有效性。

基于小生境和交叉选择算子的改进粒子群优化算法

在求解高维多峰函数时,如果个体历史最好位置缺少多样性分布,粒子群优化算法就容易陷入局部最优,出现早熟现象。为此,结合小生境和交叉选择算子提出了一种改进粒子群优化算法(简称NCSPSO)。该算法在进行速度和位置更新之后,根据小生境数确定个体历史最好位置中的孤立点;然后对所有个体历史最好值劣于孤立点值的粒子使用交叉和选择算子进行更新。函数测试表明,NCSPSO有效地克服了标准PSO的缺点,性能上也有了明显提高。最后,将NCSPSO应用于高次非线性复数方程的求解,较好地解决了POGO振动研究中的固有频率计算问题。

基于改进小生境粒子群算法的多模函数优化

在基于粒子群算法的多模优化问题中,针对现存小生境方法需要特定参数的缺陷,提出了一种不需要参数的小生境算法。该算法通过粒子适应度在种群适应度中所占比例以及粒子之间的欧式距离两方面因素确定粒子的局部最优解,并通过每轮迭代中每个局部最优解粒子和以它作为局部最优解的普通粒子的欧式距离的平均值确定出该小生境的半径。在几个广泛的测试函数上的实验结果表明,该算法在收敛速度和成功率方面比需要小生境参数的算法(FERPSO、SPSO)更优秀。

一种改进的小生境多目标粒子群优化算法

提出一种小生境多目标粒子群优化算法。使用环邻域拓扑且无需任何小生境参数,克服常规小生境技术中需确定小生境参数的困难。采用NSGA-Ⅱ的非支配排序策略和动态加权方法选择最优粒子。基于拥挤度的变异操作引导粒子跳出局部最优,增强算法的全局搜索能力。通过对ZDT1~ZDT4和ZDT6的测试结果表明,与经典的多目标进化算法NSGA-Ⅱ、PESA-Ⅱ和MOPSO相比,该算法在最优解集的收敛度与多样性方面具有明显的优势。

基于小生境粒子群算法的ATO运行过程优化研究

针对自动驾驶(ATO)列车的低能耗、高准时和高舒适度问题,以列车运行过程中的安全性及其列车动力学模型为约束条件,建立列车运行过程的多目标优化模型,提出粒子群算法与小生境技术相结合的求解算法。该求解算法首先计算随机生成的粒子间欧式距离的平均值,确定小生境半径,划分小生境种群;采用共享机制对更新后的小生境群体进行调节,提高粒子的适应度值;最后通过迭代求出最优解。通过对选取线路的仿真模拟,验证该算法在降低ATO列车的运行能耗、提高列车运行过程的准时性与舒适性方面的有效性。

基于小生境多目标粒子群算法的电动汽车传动系统速比动态优化

为获得最佳整车经济性能,在纯电动汽车传动系统速比静态优化的基础上,针对其未对不同速比采用相应的换挡规律的不足,基于换挡点判断规则,提出一种考虑换挡规律变化的传动系统速比动态优化方法;基于轻量化设计原则,提出一种传动系统各挡速比值总和最小的目标函数,采用能避免局部收敛的小生境多目标粒子群算法对目标函数进行ISIGHT-MATLAB/Simulink联合仿真优化。优化结果(包括静态和动态)取得一定的效果:与未考虑换挡规律的优化相比,在不同情况下,整车能耗减少了1.09%~1.35%,传动比值总和降低了8.06%~9.76%;但0-100km/h加速时间增加了1.90%~2.11%,可能与优化目标函数的加权仍偏重于经济性有关。与考虑静态换挡规律优化相比,考虑动态换挡规律优化的结果,传动比值总和的降幅增加了0.95%~1.70%,但整车能耗与考虑静态换挡规律优化结果基本持平,未显示出针对不同传动比采用不同换挡规律进行优化的预期效果,其原因尚待今后进一步深入探究。

基于小生境离散粒子群优化的连续属性离散化算法

分析了基于粗糙集理论的连续属性离散化的实质,在此基础上提出了一种基于小生境离散粒子群优化的启发式全局离散化算法。该算法结合粗糙集理论,将决策属性支持度作为决策表整体分类能力的度量,然后利用离散粒子群优化算法,以最小断点集和最大决策属性支持度为优化目标,在保持决策表分类能力不变的情况下,通过粒子的迭代寻求最优值;同时为了避免粒子在迭代过程中的早熟收敛问题,引入小生境共享机制,加强了离散粒子群算法的全局搜索能力。通过实验将本文算法与其他算法进行了比较,结果表明采用本文算法得到了较少的断点数,提高了规则的分类正确率,验证了该算法的有效性和稳定性。

一种基于免疫小生境思想的粒子群优化算法

针对PSO易收敛于局部最优的缺点,提出了运用免疫小生境思想来改进PSO。该算法在初始化时,运用正交的思想,使得粒子分布均匀;且在进化时,通过对每个粒子做免疫变换,使得每个粒子扩展成为在一个区域寻找最优值,提高了粒子的多样性,避免了局部最优;并且在变换时,每隔几代才进行免疫变换。这样在保证粒子多样性的基础上减少了运算量,提高了收敛速度。并在MATLAB环境下对Ackley函数、Schaffer函数、Griewank函数、Rastrigrin函数四个多峰函数进行了仿真验证,实验结果表明,改进的PSO算法能够有效地达到全局最优。

基于隔离小生境粒子群算法的APF优化配置

随着非线性负载的广泛应用,传统负荷端分散的谐波治理方式弊端渐显。以中小型电网中有源电力滤波器的集中补偿配置为目标,设计一种基于隔离小生境粒子群算法的APF优化配置方法。建立了有源电力滤波器的优化配置数学模型,以节点电压畸变率均方根为目标函数,并使用罚函数处理约束条件。改进后的粒子群算法兼顾全局与局部寻优能力,避免陷入局部最优点。在阐述所提优化配置方法流程的基础上,IEEE算例分析表明该配置方法可以同时进行APF位置和容量的寻优,治理后系统各节点总谐波电压畸变率小于4%,谐波附加损耗降低90%以上,实现对单、多谐波源系统电能质量的有效治理。

基于小生境优化的变权重粒子群算法在PMU优化配置中的应用

针对相量测量单元优化配置问题展开研究,提出了一种基于小生境优化的变权重粒子群算法来解决该问题。所提算法以离散粒子群算法为基础,通过基于共享函数的小生境技术优化初始粒子群,改进权重系数的取值函数来提高算法的收敛效果,最后进行冗余度比较得出最优方案。该算法与常用算法相比,提高了计算的收敛速度和全局性,实现了算法多峰性,可通过分析问题模型有效得出相量测量单元(PMU)优化配置方案。并通过IEEE 14母线系统和新英格兰39母线系统仿真实例验证了所提方法的有效性。

基于小生境粒子群算法的图像分割方法

为了得到分割图像的最佳阈值,提出了一种基于小生境粒子群算法的图像分割方法。小生境粒子群算法通过划分小生境的方法,保持了物种的多样性,克服了粒子群算法容易陷入局部解,后期收敛速度慢的缺点,提高了算法的全局寻优能力。该方法基于最大类间方差阈值分割技术,用小生境粒子群算法对适应度函数进行优化,得到最佳阈值,并用该阈值对图像进行分割。实验结果表明,与最大类间方差法,基于基本粒子群算法的最大类间方差分割法相比,所提出的方法不仅能得到理想的分割结果,而且分割速度也得到了提高。

基于小生境粒子群的多峰函数全局优化算法的研究

针对粒子群算法进行多极点函数优化时存在的局部极小点和搜寻效率低的问题,引入了小生境的思想到粒子群算法中,以粒子的最好位置为中心,粒子的最好的个体解对应的适应值为半径建立圆形小生境.在每个小生境中对粒子的速度位置进行更新,从而改变小生境的中心和半径,直到满足迭代次数,从而保持了微粒群的多样性,通过一个经典函数进行仿真表明,这种把粒子群和小生境结合起来的算法,能快速有效地找到多峰函数的全局最优点.