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。

基于离散粒子群算法的管道保温结构优化研究

针对目前管道保温结构优化算法不稳定、结果优化程度不高的问题,建立以经济效益为目标函数,以满足国家散热损失标准等条件为约束函数的离散型数学模型。以BPSO算法为基础改变其位置更新规则,防止种群进化失效;采用自适应权重增加粒子的全局和局部搜索能力;充分利用模拟退火算法的思想避免出现早熟现象。应用改进的算法分别对普通蒸汽管道和核电站的蒸汽管道进行系统仿真实验。结果表明,该算法能够在满足国家散热损失标准等条件下取得最优解,可以为管道保温结构提供合理的优化方案。

一种动态改变惯性权重的粒子群优化算法

针对粒子群优化算法的局限性,提出了一种动态改变惯性权重的粒子群算法,在优化迭代过程中,惯性权重值随粒子的位置和目标函数的性质而变化。函数测试表明,改进后的算法使收敛速度显著加快,而且不易陷入局部极值点。

基于改进粒子群优化算法的气体源定位研究

为了提高粒子群优化(PSO)算法在气体泄漏源中的定位精度,针对标准PSO算法中存在的收敛早熟等问题,提出了一种惯性权重非线性递减和异步变化的学习因子相结合的改进PSO(IPSO)算法。该方法能够提高算法的性能,并加快粒子的收敛速度,引入二阶振荡环节来增加种群的多样性。通过函数优化实验与其他PSO算法对比,进行有效性分析和误差分析,由气体扩散模型仿真实验得出:定位结果误差值在1%范围内,表明IPSO算法不仅能够优化粒子学习能力,还能够有效提高算法的收敛精度和稳定性。

基于改进粒子群优化算法的火电厂机组负荷分配

以坑口电厂厂级监控信息系统的机组负荷在线优化分配功能模块为应用背景,针对模块所运用的基本粒子群优化算法在优化过程中容易陷入局部收敛、收敛速度慢的缺点,提出一种基于惯性权重非线性减小策略的改进粒子群优化算法,使惯性权重呈对数减小;测试函数仿真结果表明,改进粒子群优化算法在收敛速度和寻优精度方面,优化性能均优于基本粒子群优化算法;通过MATLAB与Visual C++混合编程,开发了机组负荷在线优化分配功能模块,提高了算法的计算效率和工程应用价值。

一种改进的粒子群优化算法及其仿真

为了提高粒子群算法的性能,针对粒子群算法的早熟收敛和收敛速度问题,提出了一种改进的粒子群优化算法。在分析了粒子群算法不足的基础上,提出了两个提高算法性能的改进途径。该算法对动态惯性权重策略进行了扩展,并引入随机扰动策略,从两个方面同时改进以提高算法的收敛速度和克服局部极值的能力。函数测试的结果表明,该算法能显著提高收敛速度,并能有效克服局部极值。

改进粒子群算法在电力调度自动化中的应用研究

为了提升自动化设备电力调度的评估水平,采用广泛使用的神经网络算法,通过对电力系统参数的重新设置,根据正态分布衰减惯性权重策略对粒子群算法进行了改进和优化。在此基础上,提出正态分布衰减惯性权重的粒子群优化(NDPSO)算法,并利用检测函数分析算法性能。试验结果表明,NDPSO算法最佳正态分布的趋势参数为0.443 3;在Sphere函数上优化结果的最小值为555.31,平均值为2 034.00,标准差为919.58,惯性权重在前期的取值较大。上述结果与其他算法对比都处于领先水平。所设计的算法在保证收敛精度的同时,加快了收敛速度。改进的粒子群算法对神经网络模型具备一定优化能力,能够兼顾全局搜索和局部开发。该研究对电力调度自动化中设备的评估具有重要意义。

改进的粒子群优化算法在可靠性问题中的应用

提出了一种改进的粒子群优化(IPSO)算法以解决可靠性问题.IPSO算法使用3种策略来改进粒子群优化算法(PSO)的速度更新步骤,这有利于提高算法对解空间的开发能力.另外,一种动态调整的惯性权重被引入到速度更新中以平衡IPSO算法的全局搜索和局部搜索.实验结果表明,在解决可靠性问题上,IPSO算法比其他两种粒子群优化算法具有更强的收敛性和稳定性.IPSO算法是解决可靠性问题的一个有效的选择.

基于改进粒子群优化PID的矿用机电设备控制策略

针对矿用机电设备自动控制误差大、实时性差的问题,文中基于改进粒子群优化PID算法,设计了一种矿用机电设备优化控制策略。在矿产行业常用电机设备工作特点的基础上,推导了其定子电压、磁链方程和传递函数。使用模糊PID控制算法来改善PID算法超调严重问题,同时采用动态惯性权重对粒子群算法进行改进,改进后的粒子群算法被用来对PID控制参数进行优化,从而实现PID控制器的最佳性能。实验测试结果表明,所提控制策略的超调量为0.035%,过渡时间为0.35 s,相比于传统PID控制模型分别降低了0.015%和18.6%,证明该方案具有一定的工程应用价值。

改进自适应粒子群算法在WSN覆盖优化中的应用

针对无线传感器网络（WSN）节点覆盖不均匀导致覆盖率低下的问题,提出了一种基于改进自适应粒子群优化算法的覆盖优化方法。首先,建立WSN覆盖优化的数学模型;然后将进化因子和聚合因子引入粒子群优化（PSO）算法中的惯性权重系数,使改进算法具有很强的自适应能力;接着在算法迭代过程中引入碰撞回弹策略保证粒子群的多样性,克服改进粒子群优化算法在优化后期容易陷入局部最优的弱点。实验表明,本文算法对WSN优化后的网络覆盖率均比其它文献算法提高了2%-6%,且传感器节点分布更加均匀。因此它能有效提高无线传感器网络的性能,是一种应用性较强的WSN覆盖优化算法。

改进粒子群算法在电力系统无功优化中的应用

针对传统粒子群算法易出现早熟收敛、易陷入局部最优、搜索精度低等问题,从惯性权重和加速常数两方面对其进行改进。将改进后的粒子群算法应用到电网无功优化中,加快了收敛速度和提高了搜索精度。仿真结果证明了改进的粒子群算法的正确性及有效性。

改进粒子群算法的电力系统多目标无功优化

本文研究基于改进粒子群算法(PSO)的多目标的无功优化问题,充分考虑了系统的安全性、经济性和稳定性。与标准PSO相比,该模型以有功功率损耗最小值和电压最小偏差为目标函数。本文采用具有增加的惯性权重和增加的收敛参数(采用特定函数)的改进粒子群算法解决了多目标无功优化问题,使得功率资源最优地配置为全局最优解。克服了PSO优化的局部优化解和盲目性,提高了运算速度。最后,通过实例验证了所提模型和算法可行性。

改进粒子群算法优化的SVM在恶性肿瘤诊断中的应用

为了提升恶性肿瘤的诊断效率及精准度,基于动态粒子群优化(DPSO)算法和支持向量机提出了DPSO-SVM诊断模型。DPSO在PSO的基础上结合GridSearch,GA等算法对惯性权重的取值以及种群迭代更新方式进行了改进,平衡了算法迭代前期的全局搜索性能与后期的局部搜索性能,提升了迭代后期种群的多样性和收敛速度。仿真实验结果表明,所提出的改进DPSO算法相比传统算法以及标准智能算法寻优效果有明显提升,构建的DPSO-SVM诊断模型与主流诊断模型相比在肿瘤诊断中也有着更优越的性能,提升了诊断效率的同时也降低了诊断误差。

基于改进粒子群算法的梯级水电站优化调度

梯级水电站的优化调度是一个具有复杂约束条件的大型动态非线性优化问题,运用标准线性粒子群算法求解有易陷入局部最优的特点。针对这个问题对惯性权重的更新策略进行改进,减弱了典型线性寻优的局限性,得到更优的优化结果。以恩施芭蕉河梯级水电站丰水期为例,建立以周期发电量最大为目标函数的梯级水电站的短期优化调度模型,运用粒子群优化算法对其进行求解,得到了较好的梯级水电站优化调度结果。

改进粒子群算法的电力系统无功优化应用

电力系统的无功优化问题的操作变量既有连续变量又有离散变量,同时它还是混合了多个变量和多个约束条件的一个非线性的规划问题。本文中阐述的粒子群优化算法PSO(Particle Swarm Optimization)算法,是一种应用于电力系统无功优化的算法,是针对无功优化问题的特点提出的。考虑到算法的一些问题,通过引入动态的惯性权重和收缩因子来达到对原有算法的改进目的,改进粒子群优化算法MPSO(Modified Particle Swarm Optimization)算法作为一种新的算法被提出来,同时结合了电力系统无功优化的实际情况,证明了改进的粒子群算法的良好的实用效果。

基于支持向量回归积和改进粒子群算法的特定区间盾构机作业参数选取

为实现特定区间盾构机作业参数更准确的选取,提出了基于支持向量回归积(e-SVR)和改进惯性权重降低速度粒子群优化(IIWDSPSO)算法的盾构机作业参数选取模型。基于e-SVR构建掘进参数、地层参数、几何参数与地表沉降值之间的非线性关系模型,并基于实际盾构施工数据与人工神经网络模型、随机森林模型进行性能对比分析;通过10组仿真实验分析惯性权重降低速度对算法性能的影响,基于分析改进的粒子群优化算法优化特定地层参数和几何参数区间的掘进参数。结果表明,e-SVR模型对盾构施工数据样本具有更好的拟合和泛化能力,所提出的IIWDSPSO算法具有更好的准确性、稳定性和收敛概率。实际工程应用结果也验证了所提模型求解出的特定区间掘进参数能使地表沉降值相对更小,得到的掘进参数能够为实际工程提供更准确和可靠的参考。

改进策略的粒子群算法及其实验测试

针对研究敷设薄吸声层的多层结构材料特性参数反演中,目标函数复杂、具有多极值的问题,在研究了现有粒子群算法陷入局部最优原因及各项影响因素的基础上,提出一种改进的动态混合粒子群算法。该算法引入了动态跟踪邻域项,改进了惯性权重和学习因子的调整策略,并对新算法收敛性和有郊性进行了分析。通过实验测试和反演算例仿真表明,该算法可以有效提高算法的搜索成功率、收敛速度和准确性,全局搜索性能得到显著提高。

一种新型的被动启发式粒子群优化算法

标准粒子群优化(SPSO)算法具有参数少、鲁棒性好、易于实现等优点,但同时也具有收敛慢、易于陷入局部极值点等缺点.在SPSO算法基础上,通过在其粒子速度更新公式的自我认知部分和社会经验部分引入惯性学习因子(ωc1,ωc2),提出一种新型的被动启发式粒子群优化算法(PHPSO).分别采用SPSO和PHPSO两种优化算法对测试函数进行求解,将这两种算法的优化过程进行比较分析,结果表明,与SPSO算法相比,该文提出的PHPSO算法收敛速度大幅提高,且更易得到全局最优解,收敛精度更高.

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。

基于改进粒子群算法的BP神经网络在边坡稳定性评价中的应用

边坡稳定性分析与评价是边坡工程的核心内容,具有高度非线性和不确定性特征.首先,选取了多个边坡工程实例构成学习样本集,以土体重度、内摩擦角、粘聚力、坡角、坡高、孔隙比六个主要影响因素作为土坡稳定性的评价判别指标;然后,采用改进的粒子群算法优化BP神经网络模型,将网络权值和阈值粒子化,通过引入粒子群进化度和粒子群聚合度实现惯性权重的动态变化,利用粒子群算法的全局搜索性实现网络权值和阈值的更新,从而增强算法对非线性问题的处理能力,加快了收敛速度;最后,通过与其它边坡稳定性评价算法进行比较分析,表明了本文研究算法的可行性与合理性.