基于粒子群算法的自适应多目标优化

本文描述了一种新颖的基于粒子群的多目标优化方法,即自适应多目标粒子群优化。该算法采用自适应的方法,使惯性权重和加速度系数随时间的变化而改变,从而有助于算法更有效的探索搜索空间。对三个典型多目标测试函数所作实验的结果验证了该方法的有效性和快速性。     

基于改进多目标粒子群优化算法的发酵过程补料优化控制

提出了一种基于改进多目标粒子群优化算法(MOPSO)的发酵过程补料优化控制方法,并将该方法用于工业酵母发酵过程补料速率的优化控制。改进的MOPSO算法利用约束违反程度信息修正种群的学习进化公式,减缓了部分粒子在约束边界附近的飞行速度,提高了算法的全局搜索能力。仿真实验结果表明,改进的MOPSO算法能够获得最优的补料轨迹,有效地实现了工业酵母发酵过程补料速率的多目标优化控制。     

一种自适应多样性保持的多目标粒子群算法

提出一种自适应多样性保持的多目标粒子群算法(ADMMOPSO)。该算法引入多样性保持阈值(λα)来控制非劣解的分布,当多样性指标高于阈值λα时,引入一种基于网格的全局最优粒子的选择策略增加种群向真实Pareto前沿收敛的概率,并提升非劣解的多样性。通过4个测试问题和3个测试标准,并与其他算法进行比较,结果表明ADMMOPSO获得了质量较高的非劣解。     

NSGA-II与改进粒子群算法相结合的储能优化配置

储能系统的选址定容在接入新能源的电力系统中具有重要意义,合理选择储能容量可以很好地平抑风电接入后的系统有功功率波动,同时减少能源浪费。本文提出了一种混合智能优化算法(Hybrid Intelligent Optimization Algorithm,HIOA),以电压偏差、负荷波动最小及最少储能配置容量为目标进行优化配置。该算法将多目标粒子群算法改进后(IMOPSO)与精英非支配排序算法(NSGA-II)结合,与常规多目标粒子群算法相比,大幅提高了算法的寻优性能,保证了Pareto 解的多样性和分布性。通过非支配排序求解获得Pareto 最优解集,采用逼近理想解排序(technique for order preference by similarity to an ideal solution,TOPSIS)选出储能的最优接入方案。通过IEEE-33 节点测试系统的仿真实验验证了本文所提算法的准确性及有效性,在求解配电网储能选址定容问题中有很好的收敛性和全局寻优能力。     

基于改进多目标粒子群优化算法的配电网削峰填谷优化

电力系统削峰填谷优化作为负荷管理的重要手段,而储能系统在削峰填谷的功能显得尤为突出,以负荷峰谷差为目标的单目标优化已经无法全面评价储能系统在削峰填谷上的优势,为更好地体现储能系统在负荷管理上的优势,考虑以经济效益为调度目标的多目标优化问题(multi-objective optimization problem,MOP)显得尤为重要。基于此以负荷峰谷标准差和分时电价构建了配电网削峰填谷的多目标优化模型进行研究。提出基于拥挤距离排序的改进多目标粒子群优化(multi-objective particle swarm optimization,MOPSO)算法,为改善算法陷入局部最优提出了变异机制的二次寻优,通过设置一定容量的外部档案存储非支配的帕累托(Pareto)最优解,最终获得Pareto最优前沿面。最后通过采用模糊隶属度法求解折中最优解,算例分析验证了本文所提模型的实用性和改进算法的有效性。     

基于搜索空间自适应分割的多目标粒子群优化算法

提出一种基于搜索空间自适应分割的多目标粒子群优化算法, 根据粒子的搜索能力和规模与子搜索空间的体积呈多维标准正态分布变换, 精细分割搜索空间, 向划分出的子搜索空间分布粒子实现优化, 分割在迭代时持续进行, 直至获得最优解集. 实验结果表明: 该方法解决了多目标粒子群优化算法易陷入局部极值的问题; 在反向世代距离性能指标上, 该算法与一些典型的多目标粒子群优化算法相比, 其种群多样性和解的收敛性优势显著.     

基于多目标粒子群优化的服务选择算法

基于多目标粒子群优化算法提出一种高效的服务选择算法(MOPSOSS).首先将服务选择问题建模为带QoS约束的多目标组合优化问题;其次,根据支配的概念构造远小于原子服务集的新子服务集;最后基于多目标粒子群优化算法求解由新子服务集构成的服务选择问题,从而获得一组满足约束的pareto最优解.理论分析表明,MOPSOSS能正确、高效地求出原问题的全局最优解.与遗传算法(GA)的对比结果表明当问题规模大于150时,MOPSOSS的平均运行时间仅为GA的7%,求出的解的个数是GA的1.15倍,75%的解能支配GA求出的解,分布广度是GA的1.5倍.随着约束强度的增加,MOPSOSS的平均运行时间减少,而解的质量并无显著下降.与GA相比,MOPSOSS能用更短的时间求出更多高质量的解.     

基于自适应网格混合机制的多目标粒子群算法

当粒子群算法(PSO)解决多目标优化问题时,由于PSO有较快的收敛效果,使得种群在寻优过程中多样性不足,易使算法早熟收敛.为有效设计多目标粒子群算法,提出基于自适应网格混合机制的多目标粒子群算法(ammmMOPSO).该算法采用自适应网格和混合机制的一种双重维护策略,以保证外部存档中的非劣解分布均匀,避免种群快速退化,...     

多目标粒子群优化算法研究

在过去的十多年,粒子群算法对多目标优化问题的应用研究取得了较大的进展．本文首先描述多目标粒子群优化算法（MOPSO）的基本流程,然后从算法设计与应用等方面回顾MOPSO的研究进展,最后对该算法未来的研究进行了分析和展望.     

粒子群算法在多目标优化中的应用综述

粒子群优化算法是一种基于群体智能的全局随机寻优算法。它通过粒子搜寻自身的个体最优解和粒子群体的全局最优解来完成更新优化。粒子群算法在很多领域得到了广泛的应用。本文主要论述了多目标PSO约束优化的基本思想、实现情况,并展望了PSO算法在多目标优化中的未来发展方向。     

一种改进的自适应粒子群优化算法

针对粒子群优化算法中出现对大规模问题搜索失败,分析了粒子群优化算法的收敛性,指出了粒子速度与搜索失败的关系,提出了一种根据速度信息自适应调整参数的粒子群优化算法,该算法在满足收敛性的条件下,搜索过程中粒子根据理想的速度自适应调整参数进行搜索。修改后的算法经过大量测试函数上的模拟实验验证,并与其他算法进行了比较。实验结果表明,该算法能克服基本PSO算法在求解高维、多峰等复杂非线性优化问题时易陷入局部最优和不收敛等搜索失败的问题。     

基于PSO的图像自适应模糊增强算法

在介绍常规图像自适应模糊增强算法和粒子群优化算法的基本原理的基础上,针对常规图像模糊增强算法中自动获取模糊控制参数耗时较长,执行效率低的问题,提出了一种应用粒子群优化算法结合图像灰度直方图特征进行图像自适应模糊增强的新方法.实际图像增强实验的结果表明方法效率比常规图像自适应模糊增强算法有很大的提高.     

求解约束优化问题的改进粒子群优化算法

针对约束优化问题,提出了一种改进的粒子群优化算法.该算法利用罚函数法将约束优化问题处理为无约束优化问题,并利用可行基规则来更新个体极值和全局极值,使不可行的粒子尽快飞向可行域,显著提高了算法的全局搜索能力.在标准粒子群算法研究基础上,为了提高粒子群算法求解非线性复杂优化问题的性能,对速度方程和惯性权重做了改进.数值算例表明,该算法是求解约束优化问题的一种较为有效的全局优化算法.     

一种动态非线性改变惯性权的自适应粒子群优化算法

惯性权值线性递减(LDI)的粒子群算法不能很好地反映粒子搜索过程的复杂非线性行为,收敛速度和收敛精度仍不够理想。对此,提出一种动态非线性改变惯性权(DNI)的自适应粒子群算法。在该算法中通过引入非线性指数函数来描述惯性权值在进化过程中的动态变化特性,并通过数值实验确定了非线性函数关键控制参数的合适取值范围。通过典型测试函数验证算法的性能,并与文献报道的已有结果比较。实验表明:对单峰值函数优化问题,DNI自适应粒子群算法收敛速度明显优于LDI算法;对多峰值函数优化问题,DNI算法跳出局部最优的能力及收敛精度也好于LDI算法。     

一种新的改进粒子群算法

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构.通过构造单个粒子的多个进化方向和类似于蚂蚁群算法信息素表的选择机制,保留了粒子的多种可能进化方向,并对全局最优解进行变异.提高了粒子间的多样性差异,从而改善算法能力.改进后的粒子群算法的性能优于带线性递减权重的粒子群算法.     

基于反馈学习粒子群算法的极值搜索控制

将基于反馈学习的粒子群 (Feedback Learning Particle Swarm Optimization,FLPSO) 算法引入极值搜索控制中,并且应用经典跟踪参考信号的方法,进一步改善极值搜索控制的性能.仿真结果显示,算法使系统控制输出平稳,并且系统性能输出快速渐进收敛到最优值,改善了基于格拉姆矩阵设计的极值搜索控制算法中存在的输出震荡问题.     

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。     

基于粒子群寻优的汽车自适应巡航预测控制

为进一步提升多目标自适应巡航系统预测控制精度,提出一种基于粒子群寻优的汽车自适应巡航预测控制算法.首先建立一种包含前车加速度扰动的自适应巡航系统车间纵向运动学模型,并对其线性离散化;其次综合车距误差、相对车速、自车加速度和冲击度,设计二次型多目标优化性能指标函数和多参数约束条件,构建自适应巡航预测控制优化命题;最后为便于问题求解,将目标函数和约束条件推导转化为以预测控制增量为优化变量的规范形式,并基于粒子群优化算法求解自适应巡航预测控制的最优控制律.通过Matlab/Simulink多工况仿真结果表明,粒子群算法求解的最优控制律能够控制自车保持更好的跟踪性和自适应性.      

基于微粒群优化的快速K-近邻分类算法

随着全球信息化的出现,手工分类索引已经不适用于大规模信息的处理,自动分类的研究得到迅速发展。K-近邻法是具有一定效率的自动分类算法。本文将其与智能优化技术结合,用于基于机器学习的文本分类过程中。实验结果表明,对于庞大的文档集合分类,该算法提高了分类的速度和精度。     

一种新的粒子群算法与人工鱼群算法的混合算法

通过分析粒子群算法和人工鱼群算法的优缺点,利用粒子群算法收敛速度快及人工鱼群算法能较好地收敛到全局最优解的特点,提出了一种新的混合算法.算法以粒子群为基础进行设计,根据人工鱼群的公告板、群聚和随行策略的模式对粒子群进行速度与位置变更,使原有的粒子群变成具有一定智能的粒子,从而达到提高搜索精度及效率的目的.通过Generalize-Schwefel等3个经典函数进行优化仿真后发现,该混合算法具有搜索精度更高及收敛速度更快的特点,同时该算法在求解高维问题时具有明显优势.