基于改进粒子群优化算法的PID控制器参数整定

针对标准粒子群优化算法优化PID控制器参数存在的早熟以及陷入局部最优等问题,引入粒子二阶振荡环节、反向学习、自适应惯性权重,并结合设计的惯性权重动态调整策略、粒子越界随机反射墙,提出一种新型分阶段迭代的改进粒子群优化算法。在6个标准测试函数上进行测试,其性能相比于一些已有的改进粒子群优化算法更加优秀。将这些算法用于自动电压调节器系统的PID控制器参数整定,仿真结果表明,所提出的改进粒子群优化算法整定的PID控制器的控制效果更好。

基于分工和模糊控制的粒子群算法

为解决粒子群算法在求解复杂优化问题时容易陷入局部最优、寻优精度低、后期收敛慢等问题,提出一种基于分工和模糊控制的粒子群算法,使用分工、参数自适应调整和融合距离因素的模拟退火三种策略对粒子群算法进行改进。将粒子分为侦察粒子和后卫粒子,侦察粒子负责进行探索,后卫粒子向个体最优解和全局最优解学习,保证种群多样性并加快搜索速度;使用Sigmoid函数调节惯性权重,模糊逻辑控制学习因子,以平衡算法的探索和开发能力;以模拟退火机制更新全局最优粒子,同时兼顾距离因素,增强算法跳出局部最优解的能力。采用25个标准测试函数进行仿真实验,仿真结果表明,改进算法在收敛精度、速度和稳定性上都有更好表现。

群体智能算法在路面参数反分析中的适用性及优选策略

随着群体智能算法在路面参数反演中的成功应用,复杂多元非线性优化难题得以解决,但算法的选择仍然是路面参数反分析问题中亟待解决的难题。针对路面参数反分析中模型复杂、反演参数众多、绝大多数运算时间消耗在正算程序上等问题,选择8种常见的群体智能算法,开展限定正算调用次数下算法性能相关研究,并以考虑材料横观各向同性以及层间接触状态的路面结构参数反演问题为例,对群体智能算法进行实际测试。结果表明:不同算法各具特点,其中,粒子群算法、遗传算法、头脑风暴算法、人工蜂群算法以及烟花算法在多峰问题上具有较好的适用性;萤火虫算法在解决最优解附近存在平缓区域的问题时具有较快的收敛速度;对于遗传算法,实数编码方式后期收敛速度较二进制编码方式有所提高,但对于多峰问题的搜索能力有所下降;鱼群算法、混合蛙跳算法仅有在较大正算调用次数下才有较好的寻优能力。对于路面参数反演问题,从弯沉曲线匹配上看,粒子群算法、遗传算法、头脑风暴算法以及萤火虫算法均有较好的反演结果;而从相关系数上看,头脑风暴算法具有最佳反演结果。

基于群体智能算法的巡飞弹向心攻击优化方法及实验分析

近几年,无人机巡飞弹打击成为一种重要的作战方式。针对巡飞弹向心攻击问题,选用蝙蝠优化算法、人工蜂群算法、粒子群算法、鲸鱼优化算法,设计一种基于群体智能算法的巡飞弹向心攻击优化方法,通过实验设计和结果分析对比四种群体智能优化算法,以提高巡飞弹向心攻击的作战效率。实验验证了该方法的有效性,且结果表明人工蜂群算法和粒子群算法总体表现较优。

一种改进的基于群体分工协作的粒子群算法

针对标准粒子群算法中种群多样性丧失导致过早收敛、陷入局部最优解等问题,借鉴自然界中动物群体分工协作的现象,引入粒子协作模式概念,不同协作模式代表了粒子的不同行为模式,群体分工协作可有效保持种群多样性、增强算法寻优能力和改善早熟收敛问题,基于分工协作优点提出一种基于微粒群体分工协作的粒子群优化算法.使用几种典型的基准测试函数进行仿真试验,结果显示改进后的算法寻优能力显著高于标准粒子群算法,与其他改进算法相比较,所提算法的寻优能力具有一定优势.

融合粒子群与蚁群算法优化XML群体智能搜索

随着Web技术及其应用的快速发展,XML已经成为互联网上信息表示和数据交换的一个重要标准,其作用已深入到网络社区的每个角落;针对XML文档进行群体搜索的特点与不足,提出利用群智能算法的概率变换规则对其进行改进,首先采用路径离散化规则,结合XML半结构化的特点及概率知识,再融合粒子群算法与蚁群算法进行动态群体搜索,而群体自适应杂交、多次编码、迭代选择等不仅可以提高数据搜索的范围、精度和收敛的效率,而且可以避免早熟,降低算法的复杂度.仿真实验表明这种融合方法具有更好的查询效果.

基于岛屿群体模型的并行粒子群优化算法

为改善粒子群优化算法对大规模多变量求解的性能,提出了基于岛屿群体模型的并行粒子群优化算法.对粒子群优化算法机理和本质并行性进行分析,设计和实现了一种并行粒子群优化算法.实验结果表明,基于岛屿群体模型的并行粒子群优化算法不仅提高了求解效率,而且改善了早收敛现象,算法的性能比经典粒子群优化算法有了很大提高.

基于粒子群算法的群体动画研究与实现

针对标准粒子群算法易陷入局部最优的问题,提出选择粒子视野范围内具有最优适应度值的粒子作为该粒子本次迭代所需的全局极值,测试结果证明改进算法的全局收敛能力明显提高。将该算法用于群体动画中。仿真实验表明个体具有良好的人工智能性,能够真实模拟群体行为。

新型多群体协同进化粒子群优化算法

在基本的MCPSO算法中除了主群与从群的信息交流,从群之间没有信息交流。为了解决这一问题,提出了一种具有中心交流机制的改进MCPSO算法,该策略可以实现各个从群之间的信息交流,从而加快算法收敛。仿真实验结果表明改进后的算法具有较好的求解精度和较快的收敛速度。

基于粒子群算法的群体路径生成方法研究与实现

对群体行为进行模拟一直是计算机图形学方面的研究热点,如何表现出个体运动的独立性和群体运动的整体性是群体行为模拟的困难所在。首先对群体行为进行分析,然后将粒子群算法的群体智能性用于群体路径生成中,既使用了粒子群算法初始生成思想,又针对不同的群体行为进行了修改,从而产生一种新的能够快速完成群体路径生成的方法和手段。

基于克隆选择和粒子群思想的动态多群体优化算法

针对粒子群算法和克隆选择原理的特点,提出了基于克隆选择和粒子群思想的动态多群体优化算法.该算法将整个群体分为若干子群体,在子群体内部应用基本的粒子群算法,以子群体作为抗体设计了克隆、变异、选择和受体编辑算子.变异算子使子群体动态变化实现子群体间相互交换信息,具有良好的全局搜索能力.实验结果表明,该算法具有寻优能力强、搜索精度高的优点,可用于工程问题中具有各种特性的复杂函数优化.

基于群体适应度方差的粒子群优化算法

由于粒子群算法在进化后期存在搜索速度较慢,容易陷入局部最优点以及搜索到解的时间较长且精度不高的缺点,所以对算法进行改进的研究就成为一个必要的课题。通过利用混沌的遍历性和随机性的特点,引入基于Tent映射的混沌理论机制,使算法在进化后期一旦陷入局部最优点就可以跳出局部最优点的位置,并且通过群体适应度方差的计算来判断当前群体的离散程度或聚集程度,进而判断是否需要以一定的概率选择微粒个体去进行混沌更新。几个测试函数的仿真实验结果也表明了该算法在搜索时间上、解的精度上都要远远优于标准的粒子群算法,是一种可行的优化工具,有一定的应用前景。

自适应群体结构的粒子群优化算法

粒子群优化算法中,群体结构的组织模式直接决定了粒子间信息的共享和交流方式.根据复杂网络形成过程中的动力学原理,提出了一种自适应群体结构的粒子群优化算法.算法初期粒子空间分布分散,搜索过程中不断产生新的连接,群体的搜索模式由L best模型逐渐进化为G best模型,群体结构的这种进化方式有利于算法早期的"勘探"和后期的"开采".实验结果表明,新算法在收敛性能上获得了较大提高.

双吸引子多群体粒子群算法解决动态优化问题(英文)

提出了一种新的"双吸引子多群体粒子群优化算法"(BMPSO)。与传统的粒子群优化算法(PSO)相比,BMPSO的主要特点是它使用了两个"群体吸引子"和两种搜索粒子。两种搜索粒子具有不同范围的搜索特性,一种利于进行全局搜索而另一种利于进行局部搜索。并且通过引入一种新的"传递"机制,两部分粒子可以更有效地共享搜索信息。实验表明,BMPSO算法在Moving Peaks Benchmark(MPB)测试问题上具有很好的性能表现。

面向大规模特征选择的自监督数据驱动粒子群优化算法

大规模特征选择问题的求解通常面临两大挑战:一是真实标签不足,难以引导算法进行特征选择;二是搜索空间规模大,难以搜索到满意的高质量解。为此,提出了新型的面向大规模特征选择的自监督数据驱动粒子群优化算法。第一,提出了自监督数据驱动特征选择的新型算法框架,可不依赖于真实标签进行特征选择。第二,提出了基于离散区域编码的搜索策略,帮助算法在大规模搜索空间中找到更优解。第三,基于上述的框架和方法,提出了自监督数据驱动粒子群优化算法,实现对问题的求解。在大规模特征数据集上的实验结果显示,提出的算法与主流有监督算法表现相当,并比前沿无监督算法具有更高的特征选择效率。

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。

基于群体爬山策略的混合粒子群优化算法

针对粒子群优化算法(PSO)在求解高维复杂优化问题时存在搜索精度不高和易陷入局部最优解的缺陷,借鉴混合蛙跳算法(SFLA)的群体爬山思想,提出一种基于群体爬山策略的混合粒子群优化算法(CMCPSO),并证明了CMCPSO算法的全局收敛性。对四个典型高维连续优化函数的求解表明,该算法不仅保持了PSO算法的快速收敛能力,而且吸收了SFLA算法局部精细搜索和保持种群多样性的优点,具有良好的全局收敛性。

适应值引导下的粒子群算法群体特性分析

模拟现实中复杂网络的自组织生长过程,使粒子群算法在寻优的同时,以适应值为引导动态演化群体结构,以适应值相关的概率增加或删除粒子之间的连接,适应值好的粒子获得更多的连接机会,适应值差的粒子则以更大的概率断开与其他粒子的关联。通过仿真实验研究探讨算法搜索过程中群体结构的特性,以此为切入点进行群体结构与算法搜索性能相关性的研究。

一种基于群体行为动力学的粒子群优化算法

为进一步提高智能算法的精度与效率,基于智能群体系统集群行为以及集群协调控制策略模型提出了行为动力学方程,结合经典粒子群优化(particle swarm optimization,PSO)算法,提出了群体动力学粒子群优化(collective dynamics particle swarm optimization,CDPSO)算法,并对其进行分析。结果表明,该算法改善了经典粒子算法全局搜索能力,提高了传统算法聚类精度以及收敛速度,为最优值搜索与选择提供更佳的策略。

自适应变异粒子群算法

为了解决粒子群种群多样性低、容易陷入局部最优的缺点,结合最优粒子和其他粒子在种群中的不同作用,给出了一种自适应变异粒子群算法。算法中最优粒子根据种群进化程度,自适应调整自身搜索邻域大小,增强种群的局部搜索能力;对非最优粒子的位置进行小概率的随机初始化,当其速度为零时,速度自适应变化,以便增强种群多样性和全局搜索能力。仿真实验中,将算法应用于6个典型复杂函数优化问题,并与其他变异粒子群算法比较,结果表明,增强种群多样性的同时提高了局部搜索能力。