改进的AEA算法及其在参数估计中的应用

群搜索算法(Group Search Optimizer,GSO)是一种新的群智能优化算法,适宜于解决多极值高维度优化问题,但其在优化的后期由于种群多样性不够,容易陷入局部最优。对GSO算法进行了改进,将文化算法的模型运用到GSO算法中,并引入群体适应度方差的概念来判断是否进行影响函数操作以提高收敛效率。将该算法与遗传算法(GA)、粒子群算法(PSO)和基本的GSO算法进行优化测试函数的对比实验,并将其运用于丁烷化工业过程中效益最大化问题的研究,所得结果均验证了改进算法的有效性。     

PSO优化BP神经网络模型在医疗设备故障识别中的应用

目的 提出一种粒子群算法优化后的BP神经网络模型,为呼吸机监测数据和呼吸机故障建立潜在映射关系,从而为呼吸机维修和预防性维护提供参考。方法 介绍了BP神经网络模型、粒子群优化算法以及粒子群算法结合BP神经网络结模型的建立过程,使用2017年1月1日至2020年12月31日我院采集的某型号呼吸机运行数据作为研究对象,按照6∶4的比例随机将故障数据集划分为训练集（246条）和测试集（164条）,分别使用训练集和测试集对BP神经网络模型和粒子群算法优化后的BP神经网络模型进行训练和测试,并使用准确率、AUC值、灵敏度、特异性作为模型评判指标。结果 训练后的粒子群优化的BP神经网络模型对测试集故障数据模式识别的准确率、AUC值、灵敏度、特异性分别为0.921、0.811、0.923、0.942;相对于K-NN、NBC、SVM以及BP模型,PSO-BP神经网络模型准确率分别提高了10.4%、11.0%、5.2%和9.7%,提高效果显著（P<0.05）;AUC值、灵敏度和特异性在一定程度上得到了提高。结论 本文提出的粒子群算法优化后的BP神经网络模型对故障预测效果良好,可为呼吸机故障诊断和预...     

引入迁移和变异策略的改进鸟群算法及其在参数估计中的应用

针对鸟群算法（BSA）易陷入局部最优的问题,提出了一种引入迁移策略和变异策略的改进鸟群算法（IBSA）。在鸟群飞行阶段引入迁移策略有助于提高鸟群向适应度更高位置迁移的能力,提高BSA的收敛速度;在寻优后期引入变异策略,提高鸟群的局部寻优能力,提高了算法的寻优能力。选取6个典型的测试函数进行寻优实验,实验结果表明,与粒子群算法（PSO）、蝙蝠算法（BA）、BSA等算法相比,IBSA具有更高的寻优精度和更快的寻优速度。在此基础上,将IBSA应用于发酵动力学模型参数估计中,与Gauss-Newton、GA、MAEA算法相比,IBSA的参数估计值的偏差平方和最小,具有更高的模型拟合精度。在面对非凸、不可微等复杂寻优问题的情况下,IBSA为研究者提供了一种更加可靠、快速和精确的寻优可能。     

改进的粒子群算法及其在软测量建模中的应用

提出了一种改进的粒子群算法,很好地解决了基本粒子群算法中易陷入局部最优的缺点。通过比较和分析几个标准测试函数的计算结果,改进的粒子群算法的优良性得到充分的证明。改进的粒子群算法被用于优化神经网络的结构和参数,结果表明:不但网络的结构得到控制,而且泛化性能有了较大的提高。同时,算法在优化神经网络上的有效性也在4-CBA含量的软测量建模中得到了很好的证实。     

改进协同粒子群优化算法及其在Flow Shop调度中的应用

针对协同粒子群优化算法存在的停滞现象,提出了一种改进的协同粒子群优化算法。采用优化法的子群协作方式,既保证了收敛速率,又可以防止陷入局部最优。同时引入综合学习策略,增加种群的多样性,防止种群出现停滞现象。在此基础上,又加入了扰动机制,进一步避免算法陷入局部最优。采用该算法对3个经典函数进行测试,并将其应用于Flow Shop调度问题,仿真实验结果表明：新算法有效克服了停滞现象,增强了全局搜索能力,比基本协同粒子群优化算法的优化性能更好。     

利用Alopex改进的粒子群优化算法及其在软测量建模中的应用

提出了一种利用A lopex算法改进的粒子群优化算法,并将其应用于神经网络的建模中。改进的粒子群优化算法改善了粒子群优化算法摆脱局部极小点的能力,对典型函数的测试和基于神经网络的软测量建模表明:改进算法的全局搜索能力有了显著提高,特别是对多峰函数能够有效地避免早熟收敛问题。     

改进的混沌粒子群优化算法

针对传统的简单粒子群算法(SPSO)早熟、易陷入局部最优的缺陷,提出了一种改进的混沌粒子群优化算法(CPSO)。该算法根据混沌算法遍历性的特点,选择合适的混沌映射提取SPSO初始种群,使粒子均匀分布在解空间。当SPSO陷入早熟时,CPSO在最优解周围的区域内进行混沌搜索,取代原来种群中的部分粒子,带领种群跳出局部最优。对7个标准测试函数的寻优测试表明：CPSO算法在寻优精度、速度、稳定性等方面均优于SPSO。     

基于GAs/PSO组合算法的水轮机调速系统PID参数寻优

提出了一种基于GA s/PSO组合算法的P ID控制器参数自整定方法,这种方法兼有遗传算法(GA s)和粒子群算法(PSO)的优点。组合算法种群由GA s和PSO的最佳个体迁移形成,其中GA s采用了实数编码和变异概率自适应,PSO算法采用了带指数衰减的惯性因子的速度更新算法,以加快收敛速度。通过对水轮机调速系统P ID控制器参数寻优仿真比较表明,该组合算法寻优性能比单独的GA s和PSO表现更为优异,且所得系统具有更好的动态性能。     

基于PSO的人工势场法在移动机器人路径规划中的应用

针对栅格法环境模型下PSO算法的结果是一组离散的粒子,需要通过某种准则把离散的粒子变换为连续路径的问题,提出了一 种利用人工势场法把PSO规划的结果自行变换成连续路径的新方法。为了避免人工势场使机器人在障碍物附近产生震荡,采用均值滤 波的方法,规划出一条平滑最优路径。仿真结果表明：该算法能比较容易地得到最优路径,有效地避免路径的震荡现象,同时也可 以在变化的环境中寻找一条路径。     

一种改进的θ-PSO算法

基于相位角的粒子群优化算法θ-PSO在处理一些标准测试函数时比基本的PSO算法有着更好的寻优性能,但该算法在处理一些复杂函数时,也存在不易跳出局部最小的困惑。本文在基本θ-PSO的基础上改进了相位角的更新策略,当粒子相位在到达边界时进行反弹,而不是限制在边界。为进一步提高算法的性能,对改进的算法进行了变异扰动操作,使得该算法在处理一些复杂的测试函数时,有着更好的寻优性能,能在有限步的迭代过程中,克服局部最小,到达优化目标的设定值。     

分段式微粒群优化算法

提出一种分段式微粒群优化算法。该算法将所要搜索的区域分成若干段,首先在每一区段内搜索出区段的最优位置,然后将各区段的最优位置组成一微粒群,继续搜索全局最优位置。通过对5个常用标准测试函数进行优化计算,仿真结果表明:分段式微粒群优化算法能有效地搜索到全局最优解,具有比基本微粒群优化算法更快的搜索速度和更好的优化性能。     

小生境微粒群优化算法

将小生境技术引入到微粒群优化算法之中,设计出一种小生境微粒群优化算法。该算法除了始终赋予微粒生命力,还将位置重叠的差适应值微粒在搜索空间重新启动。通过对4个常用测试函数进行优化计算,仿真结果表明小生境微粒群优化算法比基本微粒群优化算法具有更好的优化性能。     

两群替代微粒群优化算法及其应用

提出一种两群替代微粒群优化算法（TSSPSO），并对算法参数进行分析和对算法方程进行修正。该方法将微粒分成飞行方向不同的两分群，其中一分群微粒朝着最优微粒飞行，另一分群微粒朝着相反方向飞行；飞行时，每一微粒不仅受到微粒本身飞行经验和本分群最优微粒的影响，还受到全群最优微粒的影响。搜索时，每一次迭代均以一定的替代率用一分群中若干优势微粒取代另一分群中相同数目的劣势微粒。对4种常用函数的优化问题进行测试并进行比较，结果表明：两群替代微粒群优化算法比基本微粒群优化算法更容易找到全局最优解，优化效率和优化性能明显提高。将两群替代微粒群优化算法用于常压塔汽油干点软测量，建立基于两群替代微粒群优化算法的汽油干点神经网络软测量模型，通过与实际工业数据的比较，表明基于两群替代微粒群神经网络的软测量模型精度高、性能好。     

动态分群的微粒群优化算法

在分析基本微粒群优化算法的基础上,引进分群思想,提出了一种动态分群的微粒群优化算法(DPSO)。根据适应值的大小将微粒群分成两个或多个分群,然后,每个分群采用不同的策略分别搜索,得到输出最优值。将动态分群的微粒群优化算法用于一些常用测试函数的优化问题,实例计算表明:DPSO具有较强的全局寻优能力。将DPSO用于延迟焦化装置粗汽油干点软测量,所建模型的泛化性较好,模型具有较高的精度。     

基于改进粒子群优化算法的闭环时滞系统辨识

闭环时滞模型参数的辨识一直是先进工业控制领域的一个重要课题。然而由于时滞的存在,被控量不能及时地反映系统所承受的扰动,从而产生明显的超调,使得控制系统的稳定性变差。本文充分利用粒子群优化算法收敛速度较快和混沌运动遍历性的优点,提出了一种基于混沌优化思想的混沌粒子群优化算法来直接辨识含有滞后环节的被控对象的闭环传递函数,而不用将其转化为状态方程。将闭环时滞系统的传递函数通过z变换转化为离散的差分方程,对于滞后环节的处理,用一阶Pade近似。利用CPSO的全局优化能力来极小化误差准则函数,从而获得模型参数的估计值。仿真实验结果证明：该方法收敛速度较快、辨识得到的参数精度较高,适用于实际的工业生产。该方法与辅助变量最小二乘方法相比,计算量小、过程简单、不用计算多重积分、辨识速度较快、辨识精度高。     

非满载车辆路径问题的改进粒子群优化算法

将局部版粒子群算法应用于非满载车辆路径问题,设计了一种实数编码方案,线性调整惯性权值,改进粒子更新公式,建立了解决该问题的粒子群算法。用该算法求解了两个车辆路径问题的算例,并与遗传算法和标准粒子群算法进行了比较。结果表明:该算法提高了搜索最优路径的成功率,能更有效地求解非满载车辆路径问题。