带飞行时间因子的改进粒子群优化算法

对于粒子群优化算法(PSO)的研究内容涉及到许多方面。目前,针对PSO算法的研究大致可以分为算法的理论研究、算法的改进研究以及算法的应用研究。该文主要是对PSO算法的改进进行了研究,提出了一种带飞行时间因子的改进的粒子群优化算法(MPSO),并通过实验验证了MPSO优化性能较之PSO有了很大的提高。

一种带自适应飞行时间因子的粒子群算法

作为一种新型智能算法,粒子群算法具有概念简单、易于实现等特点,但也存在容易陷入局部最优的缺点。为了尽可能找到问题的最优解,提高粒子群算法的收敛速度,提出一种带自适应飞行时间因子的粒子群算法,在算法中引入种群多样性和种群进化度两个参数,并根据这两个参数对算法性能的影响,让飞行时间因子随着这两个参数自适应改变。通过对4个基准函数的测试表明,改进后的粒子群算法较其他几种粒子群算法在收敛速度和收敛精度上都有一定提高。

基于改进粒子群优化算法的PID控制器参数优化

PID参数优化是控制领域的热点,其控制效果与比例、积分、微分参数有直接关系.为了改善系统性能,提出用一种改进的粒子群优化算法对PID控制器参数进行优化.该算法引入进化速度因子和聚集度因子对权值进行改进,进而改进了速度更新公式,并引入飞行时间因子以改进位置更新公式.通过3种典型函数证明了该算法的优越性,加快了收敛速度,提高了寻优效率.以典型二阶被控模型为研究对象,将上述算法与其他粒子群算法进行对比,表明改进的粒子群算法得到的PID参数具有更好的控制性能.

基于改进的小生境粒子群算法在函数优化中的应用

为了克服标准粒子群算法在搜索后期中易陷入局部最优等缺点,提出了一种改进的小生境粒子群算法.通过将小生境技术引入标准粒子群算法中,保证了种群的多样性;同时在惯性权重中引入余弦函数,更改算法中认知项和社会项加速因子,加入迭代因素,并在位置更新策略中加入了飞行时间因子等策略,使其更加贴近粒子群算法的客观规律.通过对5个非线性基准测试函数进行数值仿真实验对比,结果表明改进的小生境粒子群算法在非线性的复杂函数优化中具有更好的寻优能力,避免了"早熟"现象,同时还具备收敛速度快,搜索精度高等特点.

一种基于改进粒子群算法的K-means算法

针对K-means算法对初始聚类中心敏感、算法容易收敛于局部解等问题,运用了增加飞行时间因子的粒子群算法,提高粒子群算法性能.利用改进的粒子群算法与K-means算法相结合,提高了基于粒子群算法的K-means算法性能.数值试验验证了提出算法的收敛性,且最优解的精度优于K-means算法、PSO算法和PSO-K算法.