粒子群优化算法及其在水轮机调速器PID参数优化中的应用

粒子群优化算法即Particle Swarm Optimization(PSO)是由Kennedy和Eberhart于1995年提出的一种基于群智能(Swarm Intelligence)方法的演化计算(evolutionary computation)技术.通过同时动态调整惯性权重和加速度权重以平衡运算性能,提出改进的PSO算法,利用改进PSO优化算法优化的PID控制规律使得调节系统具有更好的动态调节特性和鲁棒性.     

混沌粒子群微分进化算法及其在水库发电优化调度中的应用

粒子群优化算法（PSO）与微分进化算法（DE）都是有效的基于群体智能的全局优化算法,但它们都容易过早收敛,陷入局部最优。针对以上问题,提出了混沌粒子群微分进化算法（CPSO—DE）,该算法引入可变的惯性权重和学习因子,以基于logical映射的混沌序列代替标准PSO中的随机序列来对粒子群进行初始化,同时将微分进化算法（DE）中的变异、交叉和选择思想引入标准PSO算法中,改变标准PSO算法单一的进化策略,在全局范围内搜索最优解。作为实证的需要,通过对水库优化调度所存在问题的分析,建立了基于CPSO-DE算法的水库优化调度数学模型与求解算法,并以某水库实际运行数据进行计算,结果表明CPSO-DE算法具有较好的全局最优解,验证了CPSO—DE算法的可行性与健壮性。     

改进微粒群算法及其在水库优化调

介绍了一种新的集群智能算法—微粒群算法（PSO），该算法具有实现简单、参数少且收敛快的特点。针对其易于陷入局部最优的缺陷，文中通过引入遗传算法中的“杂交”算子，并采用自适应的惯性权重，对原算法进行了改进，并将其应用于水库长期优化调度问题。文中用实际算例验证了该算法的有效性，从而为水库优化调度问题提供了一种新的求解途径。     

基于改进PSO算法的电机控制系统PID参数优化

粒子群算法(PSO,Particle Swarm Optimization)作为一种新型的随机优化方法,其算法结构简单,鲁棒性强,在组合优化和自适应控制等领域的非线性优化中有着广泛的应用前景.为此,提出一种改进的PSO优化算法,并将该算法应用于电机控制系统的PID参数优化设计.仿真结果表明,利用改进PSO算法优化的PID参数能有效改善控制系统的性能指标.     

变形监测数据分析的群集智能模型

针对标准微粒群优化算法(PSO)存在早熟收敛和搜索精度低等缺陷,对其惯性权重因子进行改进,并将非均匀变异机制引入PSO,即在算法进行搜索时以一定变异概率对选中的粒子进行变异操作,同时对飞离搜索区域的粒子用新产生的粒子取代,由此得到改进的微粒群优化算法(IPSO)。然后将IPSO用于优化BP神经网络的连接权重和阈值,分析和建立变形监测数据处理的群集智能模型(IPSO-BP),为了进行比较,同时建立了回归分析模型、标准PSO-BP模型,并将3种模型分别应用于某大坝水平位移数据的分析预测,结果表明,IPSO-BP模型收敛速度更快、预报精度更高,是一种新的且有效、可靠的变形数据处理方法。     

自调节退火粒子群改进算法在水电站厂内经济运行新算法

为进一步改善用于求解大型水电站厂内经济运行一般算法的收敛速度及收敛精度,提出了一种混合优化算法—自调节退火粒子群改进算法(ASAPSO)。该算法以粒子群算法(PSO)与模拟退火算法(SA)的协同搜索为搜索机制,在此基础上加入自调节适应惯性权重参数以平衡算法全局与局部收敛性,并同时引入交叉算子、变异算子以提高解的多样性,克服了算法前期精度低、后期收敛速度慢、易于陷入局部最优等缺点。算例结果表明,较PSO算法、退火遗传算法(AGA), ASAPSO算法在收敛性能方面有明显的提高,能有效解决复杂的厂内经济运行问题。     

改进粒子群优化（MPSO）算法在动

基于在水资源不充足的情况下，对都江堰灌区六大渠干水资源的合理分配，使农业效益达到最大。首先建立灌区优化配水模型，并将粒子群优化算法（PSO）及其改进的算法应用于该模型。分别对标准PSO、两种改进PSO（MPSO）算法与遗传算法进行仿真对比，结果显示采用PSO算法及其MPSO在农业经济效益上可获得更好的寻优效果，提高了水资源的利用率。     

免疫粒子群算法及其在水库调度图优先控制线优化中的应用

免疫粒子群优化算法（IA-PSO）是将免疫进化算法（IEA）中的免疫信息处理机制引入到粒子群优化算法（PSO）中,利用其特有的免疫记忆机制、浓度选择机制以及免疫接种的原理,改进PSO算法的全局寻优能力,提高收敛速度。利用IA-PSO算法优化水库调度图优先控制线,结果表明：IA-PSO算法收敛速度快,能够收敛到全局最优解。     

一种水稻田稻飞虱图像识别的混合算法

BP神经网络方法和粒子群(PSO)方法较常用于稻飞虱图像处理。但是,BP算法容易陷入局部极值且收敛速度缓慢;PSO方法容易实现,而其参数较难合理设置。为此,提出一种基于BP和PSO的混合型算法,应用于稻飞虱图像的识别。算法利用PSO方法来优化BP网络权值,提高训练性能。为了避免PSO方法参数难以设定的缺点,采用了基于均匀设计的算法来设定PSO参数。同时,在稻飞虱图像预处理的关键环节,采用HLS模型实现图像的灰度转换。实验结果表明:与BP算法和PSO算法相比,BP-PSO混合算法识别率明显提高,平均正确识别率达到97%,训练时间降到1s以内,满足算法的实时性要求。     

基于CSO-PSO算法的半主动空气悬架系统参数优化研究

针对我国汽车悬架控制系统智能化程度低,难以满足人们生产和生活的需求的问题,开发一种集合有CSO算法和PSO算法优点的混合算法:CSO-PSO算法。利用CSO-PSO算法进行三种不同路况下的半主动空气悬架的空气弹簧刚度优化,并将仿真结果与CSO,PSO算法分别进行比较。仿真结果表明,与CSO算法和PSO算法相比,CSO-PSO算法能够在保证安全性的前提下明显提高车辆乘坐舒适性。在三种仿真路况下,相对于被动悬架系统,CSO-PSO算法优化的半主动悬架系统的车身质心垂向加速度分别提高31.53%、35.14%、27.04%。     

水库优化调度的粒子群算法

提出了在用粒子群算法求解水库优化调度问题时,将模拟退火因子引入罚函数,可以克服不变罚因子的缺陷.采用动态规划法和PSO算法优化调度程序,结果发现PSO算法计算结果更优于动态规划结果.实例计算表明,粒子群算法原理简单,易于编程,占用内存少,求解精度高,适合求解具有复杂约束的水库优化调度问题.     

基于改进的PSO-BP神经网络的参考作物腾发量预测

针对传统PSO算法易陷入局部极值的缺点,提出了一种改进的粒子群算法(ADAPPSO)。该算法通过利用表现为非线性递减特性的自适应惯性权重来有效减少PSO算法在运算过程中出现局部极值的情况。利用ADAPPSO算法对BP神经网络所涉及的一系列参数进行优化,并在此基础上建立ADAPPSO-BP模型对参考作物腾发量(ET_0)进行预测。以商丘地区数据为例,通过平均影响值法(MIV)对变量进行筛选,并在此基础上建立了BP神经网络、PSO-BP和ADAPPSO-BP 3种预测模型。根据相关实验结果表明,BP模型、PSO-BP模型和ADAPPSO-BP模型的决定系数R~2分别为0.898 3、0.952 7和0.960 6,3种模型的平均绝对误差MAE分别为0.355 8、0.240 1和0.205 6。3种模型中,ADAPPSO-BP模型的R~2值最大,MAE最小,这表明提出的ADAPPSO-BP模型能够有效地提高ET_0的预测能力。     

SWAT模型参数自动校准方法对比及适用性研究——以泾河中上游地区为例

应用SWAT 2012模拟泾河中上游流域的月径流量,并结合SWAT-CUP中的Parasol、SUFI-2、GLUE和PSO等4种参数优化算法对模型参数校准,并进行对比及适用性分析。结果表明:4种算法均能满足模拟精度要求,月径流模拟纳什系数(NS)和决定系数(R2)均在0.6以上,且GLUE和SUFI-2算法参数优化后模型模拟精度更高。GLUE算法优化后模型在校准期NS和R2分别为0.84和0.76,验证期为0.85和0.78;SUFI-2算法优化后模型在校准期NS和R2分别为0.81和0.67,验证期为0.86和0.70。如果条件允许,GLUE算法更适合较复杂的流域;SUFI-2算法可以缩短优化时间,但精度略低,因此更适合径流变化情况相对简单的流域。Parasol算法和PSO算法模拟历时长,精度较低,不适用于本流域参数优化,但PSO算法对于双峰径流模拟效果较好,较适用于有春汛出现的地区。     

大型泵站运行优化方法及其应用

为了掌握适于求解具有多变量的大型泵站运行优化问题的现代优化方法,阐述了遗传算法（GA）、基本粒子群算法（PSO）与模拟退火粒子群算法（SA-PSO）的基本原理,分析了算法的异同点,从理论上得出PSO算法较GA算法更简单、更高效.以南水北调东线工程江都泵站系统为例,当泵装置扬程一定时,以各座泵站开机台数和水泵叶片角度为变量,运行费用最少为目标函数,并且满足总抽水流量、单机允许抽水流量以及开机台数等约束条件,建立运行方案优化数学模型,确定各座泵站开机台数、机组运行工况和日运行费用.分别采用遗传算法、基本粒子群算法和模拟退火粒子群算法求解,可行性规则处理约束条件,应用Matlab语言编制优化计算程序.结果表明：SA-PSO算法求解的泵站变角优化运行方案,较在设计角度运行的方案节省运行费用0.99%～4.22%,较GA,PSO算法最优解方案分别节省运行费用0.22%～2.80%和0.02%～0.40%;3种算法的运算时间分别为30,52,25 s.因此,SA-PSO算法较为适合于大型泵站运行优化问题的求解.     

基于PSO算法的木薯收获机拔起速度控制系统参数优化

新型挖拔式木薯收获机拔起速度控制系统控制的重点在于使用PID算法进行闭环控制液压马达的输出。为此,针对传统的PID参数调整优化方法费时费力的问题,以广西大学研制的新型木薯收获机控制系统为对象,采用PSO算法,以液压系统的传递函数为目标,对PID算法进行参数优化,且进行了田间试验验证。结果表明:采用PSO算法,对控制系统参数进行优化可行,且便捷;当木薯收获机控制系统的参数Kp、Ki、Kd分别为0.644 1、2. 726 9、0. 036 2时,控制效果良好,性能稳定。     

基于PSO-PID的拖拉机线控液压转向控制研究

PID控制是典型的控制系统,其核心内容是PID参数优化。为解决拖拉机线控液压转向PID控制参数优化时不能确保得到最佳性能且耗时长的问题,课题组采用了理论分析法及仿真实验法,对线控液压转向系统的模型进行了仿真分析,基于粒子群算法（PSO）优化了PID参数,提出了PSO-PID控制器,并将其控制结果与标准PID进行对比,得出了使整个PID系统性能优异的优化结果。仿真结果表明,PSO算法有效提高了PID参数的稳定性、收敛速度和搜索精度,性能指标更优。     

基于杂交PSO算法的直线电机伺服参数优化

伺服参数整定是影响直线电机系统控制性能优劣的关键因素,针对其参数难以整定的问题,提出一种基于杂交PSO算法的解决方案.通过引入粒子杂交操作,有效增强算法对最优参数的全局搜索能力,并且其收敛速度和精度得到提升.仿真结果表明,应用杂交PSO算法对电机系统数学模型的伺服参数进行整定优化效果明显.对比标准粒子群算法与文献改进粒...     

基于邻域搜索的穴盘苗移钵路径优化蛙跳算法

在农业钵苗培育环节中常出现漏栽或钵苗不健康的情况,补种作业利用钵苗移栽机器人末端执行器从原点出发,从移栽穴盘中选取健康钵苗逐一补种到目的穴盘中,最后回到出发点的过程。本文基于混合蛙跳算法提出了一套解决补种作业过程中自动移钵问题的模型算法,较好解决了末端执行器在补种作业中的路径优化问题。针对自动移钵问题的特殊性,蛙跳算法模型融入了邻域搜索策略、交换因子、交换序和交叉操作等思想,算法简单且稳定性好。本算法有效解决了自动移钵路径的优化问题,移钵路径长度得到了大幅度的优化,提高了移栽效率。     

设施环境中WSAN执行器节点协作算法研究

针对WSN技术应用于设施作物无法摆脱人力监控的局面,提出将WSAN技术应用于设施作物,并针对应用中存在的执行器节点之间的协作问题提出了一种执行器节点协作算法。首先利用执行器节点重新部署算法将执行器节点部署到执行器节点执行区域的中间,然后利用基于密封第一价的拍卖算法将事件区域发生的任务进行拍卖与求解。仿真试验结果表明所提协作算法可以实现设施作物应用中的控制任务被WSAN网络中的执行器节点以协作的方式有效并快速地分配和执行。     

基于EMD与PSO的Nash NBGM(1,1)耦合模型的年径预测研究

针对径流是典型非平稳序列这一特点及目前存在的径流中长期预测精度低的问题,提出一种新的耦合预测方法——基于经验模态分解(Empirical Mode Decomposition,EMD)与粒子群优化算法(Particle Swarm Optimization,PSO)的非线性灰色Bernoulli耦合模型(Nash Nonlinear Grey Bernoulli Model,Nash NGBM)。首先利用EMD方法对汾河上游上静游、汾河水库、寨上和兰村4个水文站的年径流序列进行平稳化处理,分别得到若干个固有模态函数(Intrinsic Mode Function,IMF),对各阶IMF分别建立基于PSO算法的Nash NGBM(1,1)模型并进行预测,趋势项用多项式拟合并进行预测,然后通过重构各预测值得到汾河上游4个水文站年径流量的预测结果,并与单独运用基于PSO算法Nash NGBM(1,1)模型的预测结果进行比较,对模型作出评价。结果表明,基于EMD与PSO算法的Nash NGBM(1,1)耦合模型的拟合精度在92.5%以上,预测精度均达到了100%,其预测精度比单独运用基于PSO算法Nash NGBM(1,1)模型的预测精度有了明显提高;基于EMD与PSO算法的Nash NGBM(1,1)耦合预测方法的提出为径流中长期预测精度的提高提供了新的思路,对区域水资源的合理配置与优化调度具有重要的理论意义和实际价值。