粒子群优化算法的惯性权值递减策略研究

为了有效地控制粒子群优化算法的全局搜索和局部搜索,基于递减惯性权值的基本思想,在现有的线性递减权值策略的基础上,提出了开口向下抛物线、开口向上抛物线和指数曲线3种非线性的权值递减策略,并采用Sphere、Rosenbrock、Griewank和Rastrigrin这4个标准测试函数测试这些策略对算法的影响.试验结果表明,对于多数连续优化问题,在初始权值和最终权值相同的情况下,凹函数递减策略优于线性策略,而线性策略优于凸函数策略,凹函数递减策略能够在不影响收敛精度的情况下较大幅度地提高粒子群算法的收敛速度.

粒子群优化算法中的惯性权值非线性调整策略

为提升粒子群优化算法的性能,提出基于正弦曲线、正切曲线和对数曲线的非线性惯性权值调整策略。采用镜像策略对越界粒子进行处理,利用标准测试函数测试这些策略对算法的影响。实验结果表明,对于连续函数优化问题,正弦曲线和对数曲线策略优于传统的线性调整策略,而传统的线性调整策略又优于正切曲线策略。

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。

非线性递减权值PSO优化下的LQR轨迹跟踪研究

针对二次线性调节器(LQR)权重矩阵选取困难导致的自动驾驶车辆控制精度低、系统适应度欠佳等问题,设计了一种非线性递减权值粒子群算法(NLDW-PSO)。基于二自由度车辆动力学模型,构建了横向跟踪误差模型,设计了前馈控制消除了LQR稳态误差;并设计以横向偏差、航向偏差和前轮转向角为评价函数,将系统输出误差状态量反馈至NLDW-PSO算法,所设计的非线性递减惯性权重因子通过提升粒子群体寻优性能,从而自适应调整LQR权重系数更新策略,形成闭环优化控制,最终求解得到系统目标函数极值。将所设计控制器的跟踪效果进行了对比,Carsim/Smulink联合仿真结果表明所提出NLDW-PSO优化LQR算法的跟踪控制效果最优,横向距离偏差最大值为0.076 m,横向距离偏差均值相较于固定权重系数LQR降低了69.74%,显著提高了车辆跟踪控制精度和自适应能力,且对速度变化具有较强鲁棒性。

一种改进的粒子群优化算法惯性权值递减策略

结合粒子群优化(PSO)算法的特点,分析惯性权值的关键性作用。在此基础上提出一种改进的非线性惯性权值递减策略。同时利用两种基准函数对该策略进行测试。实验结果表明,在参数设置均相同的条件下,改进后的权值递减策略在算法迭代初期具有较好的多样性,有利于跳出局部极值,在迭代后期具有更好的全局寻优能力。当维数不变时,随着种群规模以及最大迭代次数的相应增加,改进后的权值递减策略在收敛精度指标上要明显优于对比算法。

基于惯性权值非线性递减的改进粒子群算法

针对粒子群优化算法中出现的收敛早熟和不收敛的问题,提出了一种基于自然选择和惯性权值非线性递减的改进粒子群算法,在算法迭代过程中,粒子边界速度采用最大速度非线性递减变化策略来限制,惯性权值非线性递减变化用于平衡种群粒子前期全局搜索与后期局部寻优的能力;为使种群在进化过程中保持多样性,在标准粒子群算法中引用二阶振荡策略使种群在进化过程中始终保持着多样性;在此基础上,进一步地将遗传算法中的选择机理与粒子群算法结合起来用于提高算法的适用性能;所提出的算法经过多个基准测试函数的模拟实验验证,并与其他已有算法进行了对比;实验结果表明:算法在搜索精度与寻优能力上有更明显的优势,尤其是在多维、多峰等复杂非线性优化问题时,所提算法具有很强的竞争力。

粒子群优化算法之惯性权值递减策略的改进

标准的粒子群算法引入惯性权重w,成为一种有效寻找函数极值的计算方法,且简单易行收敛速度快。目前普遍采用的是线性递减动态惯性权重策略,但其存在着复杂的非线性搜索过程。在线性递减策略的基础上,提出了非线性递减动态惯性权重策略,采用Griewank、Rastrigrin、Sphere、J.D.Schaffer 4个标准测试函数进行了仿真实验,与基本粒子群算法中惯性权重取固定值、线性递减LDIW和指数曲线非线性递减进行了比较。实验结果表明改进的非线性权值递减策略无论从收敛速度、收敛精度还是迭代次数都明显优于其他算法。

基于线性递减权值PSO算法优化LQR控制的主动悬架性能研究

针对车辆主动悬架线性二次型调节器(Linear Quadratic Regulator,LQR)控制中权重系数的取值具有主观性,且适应度较低的问题,提出使用粒子群优化(PSO)算法优化LQR控制器,使LQR控制器的权重矩阵得到最优结果。为验证此方法的有效性,以汽车主动悬架作为被控对象,设计了PSO算法优化LQR控制器,利用PSO算法的全局搜索能力,以主动悬架的性能指标作为目标函数对权重矩阵进行优化设计,以提高LQR控制器的设计效率和性能。通过仿真对比了LQR控制的主动悬架、固定权值PSO算法优化后的LQR控制的主动悬架和基于线性递减权值PSO算法优化LQR控制主动悬架的各项性能参数,并且针对固定权值PSO算法收敛速度慢的特点,进行优化,确定使用线性递减权值PSO算法可以提高收敛速度。最终实验结果表明基于固定权值PSO算法优化后的LQR相较于单纯LQR控制的主动悬架,其车身垂向加速度、悬架动行程及轮胎动位移这3个性能指标得到降低;基于线性递减权值PSO算法优化后的LQR控制的主动悬架的各项性能指标在固定权值PSO算法优化的基础上,可再次优化车身垂向加速度、悬架动行程及轮胎动位移这3个性能指标,可较大地改善其舒适性。

一种改进的线性递减权值的粒子群优化算法

针对粒子群优化算法的早熟问题,在线性递减权值的粒子群优化算法的基础上,提出了一种增强粒子多样性的粒子群算法,有效减少了粒子的无效迭代。实验结果表明,该算法具有较高的收敛精度,能有效避免早熟收敛问题。

基于线性递减权值更新的鸡群算法

本文提出了一种基于线性递减权值更新的鸡群算法(ACSO)来解决原始鸡群算法易陷入局部最优和收敛较慢的问题。对每个个体的位置更新引入权值,这不仅体现了个体自我学习的优势,也提高了群体的多样性,可通过实际的适应度函数来调整权值,使算法更容易收敛。根据母鸡群体和小鸡群体有向适应度最优的个体学习的趋向,重新定义母鸡位置更新公式和小鸡位置更新公式。通过对6个基准函数的仿真实验,并和其余3种基本算法做比较,结果证明改进的算法具有优越性。

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。

惯性权值对粒子群算法收敛性的影响及改进

研究惯性权值对粒子群算法(PSO)收敛性的影响,在分析线性权值递减策略基础上,提出一种基于各粒子适应值的递减策略——FDIW。标准测试函数对比实验表明,该策略可以使粒子在搜索初期获得更好的多样性,从而使粒子具有更强的摆脱局部极值的能力,在搜索末期可以加快粒子收敛速度以提高PSO算法的性能。

一种基于复合惯性权值的粒子群优化算法

在研究神经网络优化的问题上,粒子群优化算法被广泛应用.针对基本粒子群优化算法收敛速度慢和易陷入局部最优等问题,提出了一种改进的粒子群优化算法.该算法除了采用线性惯性权值和进化速度-聚集度动态惯性权值相结合的方式来调整其权值,还将一种新颖的收缩因子引入到算法中.通过对4种典型测试函数进行仿真测试,实验结果表明新算法在收敛速度、收敛精度、改善优化性能上完全优于基本的粒子群优化算法,有效避免了基本群优化算法的缺陷.

线性微分递减自适应粒子群算法在水电站优化调度中的应用

针对求解水电站优化调度粒子群算法的改进,分析了粒子群算法在求解水电站优化调度问题时对关键参数惯性权重调整的需要,提出了线性微分递减的自适应粒子群算法。通过前期减小缓慢的惯性权重,增加算法的探索能力跳出局部最优解;通过后期减小较快的惯性权重,提升算法的开发能力加快算法收敛。以葛洲坝水电站优化调度为例,对比了改进算法和传统算法。优化调度实例表明:线性微分递减自适应策略增强了算法的寻优能力和稳定性。改进算法能够有效改善由于水电站优化调度目标函数非凸性带来的粒子群求解易早熟问题,为水电站优化调度粒子群算法惯性权重的改进提供了新思路。

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。

基于线性递减系数粒子群优化算法的组卷实现

为了避免目前常用的组卷算法组卷时间长、程序结构复杂、收敛速度慢等缺陷,提出基于线性递减系数粒子群优化算法的组卷策略。通过调整惯性系数,使得步长较小,惯性权系数的变化幅度小,这种减小趋势较为缓慢的方法能够避免陷入局部最优。并对数学模型以及线性递减惯性权系数进行了理论设计,同时通过编程实现了该算法。测试结果表明加入线性递减系数后运算迭代次数明显减少,证明加入线性递减系数后的组卷策略收敛性好,能够高效准确地按照一定的预期条件进行组卷,符合预期要求。

不同惯性权重设置的粒子群算法的仿真实验

惯性权重是粒子群算法的一个重要参数.为了验证惯性权重对粒子群算法性能的影响,选取3个有代表性的惯性权重设置,与线性权值递减策略进行各个方面的比较,采用3个标准测试函数测试这些策略对算法的影响.实验结果表明采用w1PSO的惯性权值设置方式,所取得的效果要优于其他惯性权值策略.

具有量子行为的粒子群优化算法惯性权重研究及应用

在研究惯性权重对基本PSO算法影响的基础上,根据惯性权重对粒子群算法影响的特点,采用4种惯性权重策略对一种新的具有量子行为的粒子群算法的速度进行调节,比较每种算法的性能,从中找到一种新的性能更好的改进算法,将其用于求解0-1背包问题。实验结果表明较好地选择惯性权重参数对算法的性能有很大提高,该改进算法在求解0-1背包问题中具有高效性,提高了最优解的精度,同时具有较快的收敛速度。

基于惯性权重优化的测试用例生成方法

针对组合测试测试用例生成环节中局部最优的问题,提出一种基于惯性权重优化的测试用例生成方法。结合粒子群算法的优点,以生成最小规模覆盖表为目标,改进适应值函数,设计一种惯性权重微分递减策略;在此基础上,更新调优后的惯性权重值,使用测试用例演化策略迭代生成测试用例集,提升生成更小规模覆盖表的能力。实验结果表明,该方法在高覆盖需求下,覆盖表最小生成规模和平均生成规模优于其它方法。

基于改进鲸鱼优化算法的永磁同步电机控制策略

永磁同步电机(Permanent Magnet Synchronous Motor,PMSM)调速系统中普遍存在转速超调不稳定和受负载干扰大等现象,对此提出一种改进鲸鱼优化算法(Improved Whale Optimization Algorithm,IWOA)对转速环的传统PI控制参数整定进行优化。在鲸鱼算法(Whale Algorithm,WOA)的基础上引入非线性惯性权重来平衡算法的局部和全局搜索能力。依据学习策略的思想,对鲸鱼种群中每个个体的位置进行优化。在Matlab/Simulink上搭建电机调速系统仿真模型并进行仿真实验,仿真结果表明,基于IWOA的控制策略相比于传统WOA控制超调率由3%减少到1.5%,而PI控制超调率为5%,进一步增强了系统抗负载扰动能力,显著地提高了PMSM的各方面性能。