云模型改进惯性权重的混沌交替粒子群算法

标准粒子群算法通过线性减小惯性权重系数来调整寻优性能,但缺乏智能化机制易导致算法后期产生早熟或陷入局部最优而产生僵局。针对这一问题,提出一种基于云模型改进惯性权重的混沌交替粒子群优化算法。根据粒子迭代变化关系,采用云模型理论对惯性权重ω进行智能化调整,以平衡其全局和局部搜索能力,防止算法产生局部僵局;另外,判定粒子稳定性,对于可能陷入局部僵局的稳定粒子进行混沌扰动,促使其跳出僵局进而向最优位置更新。实验与分析表明,基于云模型改进惯性权重的混沌交替粒子群优化算法能够跳出局部僵局且具有较高的寻优精度,算法接近完全收敛时的平均迭代次数,较现有相关研究分别降低了13.73%~20.11%。

基于交替混沌粒子群算法的恒温箱PID控制

为满足目前市场对恒温箱系统越来越高的性能要求,设计了一种高性能的恒温箱控制系统。基于PIC16F877A芯片完成系统硬件设计,并采用PID算法作为控制策略。结合混沌的遍历性和粒子群算法的快速趋同效应,设计了一种新型的交替混沌粒子群(ACPSO)优化算法用以整定PID控制器的参数。通过与收缩因子粒子群算法(CPSO)和变惯性权重粒子群算法(IWPSO)比较,证明交替混沌粒子群算法收敛速度快,并能避免粒子群算法容易陷入局部最优的问题。仿真和实际系统测试表明,所设计的控制器可以有效地提高控制系统的性能,应用前景广阔。