改进自适应惯性权重粒子群算法及其在核动力管道布置中的应用

[目的]旨在研究非线性自适应惯性权重粒子群优化算法,实现船用核动力一回路系统管道路径的布置优化设计。[方法]根据船用核动力一回路系统的管道布局设计特点,建立一回路系统的管道布局空间模型、约束条件和评价函数;基于管道节点数量,提出一种粒子群优化(PSO)算法的新型定长编码方法,然后结合该编码方法建立方向引导机制;在此基础上,针对粒子群优化算法易陷入局部最优解、收敛速度慢的缺点,结合辅助线性变化的学习因子,提出一种基于非线性自适应惯性权重的改进粒子群优化算法;将改进粒子群优化算法与协同进化算法相结合,提出一种用于求解分支管道布局问题的协同进化粒子群优化算法,以用于核动力一回路系统的管道布局优化。[结果]仿真结果显示,所提的改进算法与标准算法相比收敛速度提高了40%~50%,不仅能够得到更好的管道布局效果,还解决了标准粒子群优化算法容易陷入局部最优解的问题。[结论]研究成果可为船用核动力一回路系统管道布置的优化设计提供有益的参考。

融合禁忌搜索和惯性权重动态调整的二进制粒子群优化算法

传统的二进制粒子群算法在优化过程中容易出现收敛速度慢和容易陷入局部最优的问题,因此提出了一种融合禁忌搜索和惯性权重动态调整的二进制粒子群优化算法。该算法不仅综合了粒子群优化算法的快速性、随机性、全局收敛性的优点,而且能够进行禁忌搜索以实现局部寻优。通过在4个基准测试函数上进行实验,实验结果表明该算法在逃离局部最优解方面具有更好的能力,提高了算法的收敛性能。

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。

基于惯性权重非线性递减的粒子群优化算法研究

针对粒子群算法(PSO)出现“早熟”收敛,在寻优过程中易于陷入局部最优、收敛速度慢的问题,本文提出一种新的自适应惯性权重粒子群优化算法(AIW-PSO).该算法以PSO算法为基础,采用非线性递减策略对惯性权重进行调整,使其具有平衡PSO算法的全局和局部搜索能力,当算法出现早熟收敛时,再利用变异操作对群体粒子的最优解做随机扰动,以提高算法跳出局部极值的能力.通过借助6个标准测试函数将该算法与其他三种改进的PSO算法进行仿真对比,结果表明:AIW-PSO算法能够摆脱局部最优,得到全局最优解,在寻优过程中无效迭代次数更少,而且收敛率、收敛速度均具有明显的优势.

非线性权重粒子群算法的机械臂动力学参数辨识

对机械臂的动力学模型进行了研究,提出了一种六关节串联机械臂动力学参数辨识方法。首先,基于牛顿欧拉法建立模型,通过关节类型将动力学参数组合,确定待辨识的最小惯性参数集;其次,将傅里叶级数作为激励轨迹,采用一种非线性权重粒子群算法对其系数进行寻优,并设置惩罚函数来剔除不满足条件的粒子;最后,设计测试轨迹来进行力矩验证。仿真结果表明,非线性权重的粒子群算法仿真时间短,适应度值较优,明显地加快了收敛速度。在测试轨迹中,估算力矩与实际力矩基本吻合,其力矩差值在误差允许范围内。

自适应惯性权重优化的粒子群算法

惯性权重作为粒子群最重要的参数之一,对全局搜索能力和局部搜索能力有重要的影响。针对传统粒子群算法的局限性,本文对其惯性权重进行改进,提出自适应惯性权重优化的粒子群算法,与原始粒子群算法相比,现在惯性权重和迭代次数与每个粒子适应度有关。仿真结果表明:本文所提出的自适应粒子群算法在迭代次数上优于基本粒子群算法,平均适应度低于基本粒子群算法。

基于自适应调整惯性权重的改进粒子群优化算法

针对粒子群算法收敛速度慢,搜索精度不高,最终收敛解波动大的问题,本文提出基于自适应调整惯性权重的改进粒子群优化算法。在惯性权重随机取值的基础上,产生随机惯性权重进行速度更新,对优良的惯性权重数值进行储存,当储存数量达到一定额度以后,在下一次迭代中以一定的概率使用已经储存的优良惯性权重数值,通过benchmark函数进行仿真验证,结果表明此方法可以有效地改善粒子群优化算法寻优末期精度差、收敛解不稳定的问题。

自适应惯性权重的粒子群优化算法

针对粒子群优化算法容易陷入局部极值、进化后期的收敛速度慢和精度低等问题,提出自适应惯性权重的粒子群优化算法。算法采用自适应更新惯性权重,添加影响算子,并通过惯性权重自适应调整学习因子,然后加入随机局部搜索策略;最后使用测试函数,通过和3种优化算法进行30次重复实验。结果表明,提出的算法具有更好的全局收敛能力,且收敛精度、和稳定性都有明显的提升。

非线性递减惯性权重的简化粒子群算法

简化粒子群算法舍弃了标准粒子群算法中的速度项,使算法更加简练高效。但简化粒子群算法每个粒子都采用相同的迭代公式进行迭代,使得算法在进化后期粒子的差异性不强,算法容易出现早熟。提出非线性递减惯性权重的简化粒子群算法,每个粒子采用动态的公式进行迭代,提高粒子群的多样性,避免陷入局部最优,提高解的精度。最后在Matlab上进行数值模拟,发现改进后的算法在寻优精度和收敛速度上具有明显优势。

一种非线性改变惯性权重的粒子群算法

引入递减指数和迭代阈值对基本粒子群算法中线性递减权策略进行了改进,在优化迭代过程中,惯性权重随当前迭代次数、指数递减率和迭代阈值非线性变化。对三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以及其他改进的粒子群算法进行了比较,结果表明,文中所提的改进粒子群算法在搜优精度、收敛速度以及稳定性等方面有明显优势。

一种改进惯性权重的粒子群优化算法

针对粒子群算法易陷入局部最优解的问题,提出一种改进惯性权重的粒子群优化算法(CWPSO)。首先引入Sigmoid函数构造自适应的惯性权重策略;然后引入线性递减的惯性权重策略;最后通过群体适应度方差将自适应惯性权重策略和线性递减惯性权重策略动态结合,构造综合惯性权重策略,以提高算法全局搜索和局部搜索的能力。实验结果表明,CWPSO算法的寻优性能相较于对比算法有明显提升。

基于惯性权重对数递减的粒子群优化算法

针对粒子群算法收敛速度慢和易陷入局部最优的问题,提出了基于惯性权重对数递减的粒子群算法,并引入对数调整因子,对数调整因子的不同取值保证了算法搜索成功率。选取八种典型函数分别进行给定迭代次数和给定精度的仿真实验,并与标准PSO算法、惯性权重线性递减PSO算法、惯性权重高斯函数递减PSO算法进行比较。测试结果表明,该策略可以简便高效地提高算法的全局收敛性和收敛速度,并且具有较好的稳定性。求解大多数优化问题时,即使不引入对数调整因子新算法就可以获得较好的效果。

基于惯性权重指数递减的粒子群优化算法求解绝对值方程

利用惯性权重指数递减的粒子群优化算法求解一类不可微的NP难的绝对值方程问题.该算法通过调整惯性权重的动态变化能有效克服基本粒子群算法在后期局部搜索能力差、易陷入局部最优解的缺点.数值试验表明,在求解具有唯一解或多个解的绝对值方程时,该算法精度高,迭代次数少.

带过滤机制非线性惯性权重粒子群算法

为改进非线性惯性权重粒子群算法,提出了一种带过滤机制的非线性惯性权重粒子群算法。由于原算法存在粒子易陷入局部最优解与搜索效率较低的缺点,将适应度缩放函数引入到非线性惯性动态调整的粒子群算法中,剔除适应度过高与过低的粒子,再对剩余种群部分优良个体进行复制,并随机产生一些新粒子,然后进行交叉操作,种群数量保持不变,减少了粒子陷入局部极值的概率,使结果收敛于全局最优解。通过低维度与高维度函数的对比测试,表明新算法具有较为理想的效果。

基于改进惯性权重的PSO算法

针对基本粒子群算法的早熟收敛以及局部和全局搜索的平衡能力差等问题,提出了一种带有平衡因子(α)的非线性衰减的惯性权重粒子群算法(NLDPSO)。通过四个标准测试函数的仿真验证,结果表明,对α进行调整,使得局部和全局搜索的平衡能力达到较佳,大大改善了基本粒子群算法的早熟收敛缺陷,同时,与其他非线性衰减的惯性权重算法比较,文章算法的鲁棒性更高。

基于动态调整惯性权重粒子群算法的冷热电联供系统运行优化

为实现能源梯级利用、冷热电联供系统优化运行,将基本粒子群算法、改进粒子群法、动态调整惯性权重的粒子群(IDWPSO)算法进行对比。结果表明,相较于其他两种算法IDWPSO算法在收敛速度与精度方面都有更好的表现。建立以运行成本和环保成本最小为目标的冷热电联供系统模型,并采用IDWPSO算法优化。结果表明,在满足系统负荷与约束条件下,IDWPSO算法优化后的系统综合成本有所降低,对CCHP系统优化运行具有指导意义。

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。

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。

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。

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.