基于免疫粒子群混合优化算法的新型派梯策略

基于人工免疫优化算法和粒子群算法的优缺点可以互补的特性,提出了免疫粒子群混合优化算法,并将其应用于混合电梯群控系统中进行派梯优化.将仿真结果与人工免疫优化算法、粒子群优化算法的结果进行对比,发现免疫粒子群混合优化算法显著地提高了混合电梯群控系统的长时等待率和电梯运行量,而平均等待时间的改善不明显,说明免疫粒子群混合优化算法在优化派梯方案方面表现出良好的效果,具有优越性.     

基于改进粒子群算法优化电梯群控系统

给出的粒子群优化算法是一种群智能优化技术,利用群体和个体的智能行为来求解组合优化问题,并将多目标问题分别在粒子的各子种群中以内在并行的方式搜索多个非劣解,同时对各子种群粒子的适应度采用积分排序,较好地解决了电梯群控系统的多目标问题。充分弥补了传统方法解决多目标问题出现的不足。针对不同客流强度进行分析,分别得到不同平均的候梯时间和乘梯时间,结果表明采用此种改进的粒子群算法充分保证了算法的收敛速度和精度。     

基于蚁群算法的电梯群控系统节能策略的优化研究

电梯群控系统的目标是分配电梯服务以满足各层客户的呼叫需求,属典型的组合优化问题,而蚁群算法常用于解决离散组合优化问题.其良好的全局优化能力与快速收敛特性适合于电梯群控.然而当前的调度算法主要集中在减少乘客的等待和乘坐时间上,却忽略了电梯群的耗能问题.为实现节能的目标,建立了能量目标函数和电梯群控系统的蚁群模型,并给出了优化方案和收敛的算法.模拟结果证明了算法的有效性.     

基于蚁群算法的电梯群控系统节能策略的优化研究

电梯群控系统的目标是分配电梯服务以满足各层客户的呼叫需求,属典型的组合优化问题,而蚁群算法常用于解决离散组合优化问题．其良好的全局优化能力与快速收敛特性适合于电梯群控．然而当前的调度算法主要集中在减少乘客的等待和乘坐时间上,却忽略了电梯群的耗能问题．为实现节能的目标,建立了能量目标函数和电梯群控系统的蚁群模型,并给出了优化方案和收敛的算法．模拟结果证明了算法的有效性．     

一种新的混合粒子群优化算法

将禁忌搜索思想引入粒子群优化算法中,改进惯性权重,添加罚函数重新构造适应度函数;在此基础上,提出了一种基于禁忌搜索的新的混合粒子群优化算法(NHPSO),通过4个标准测试函数实验,结果表明:NHPSO算法比基本粒子群优化算法(PSO)具有更好的全局寻优能力、更快的收敛速度以及获得更高精度解的能力。     

电梯群控系统调度算法的研究

本文主要介绍了基于专家系统的算法,基于模糊控制的算法,基于神经网络系统算法以及遗传算法在电梯群控系统中的应用.     

基于樽海鞘群与粒子群混合优化算法的特征选择

针对现有特征选择方法中存在的收敛速度慢和计算效率低等问题,提出了一种基于樽海鞘群与粒子群优化的混合优化(hybrid optimization of salp swarm algorithm and particle swarm optimization,HOSSPSO)特征选择方法,该方法在樽海鞘群算法(salp swarm algorithm,SSA)的基础上,引入粒子群优化(particle swarm optimization,PSO),提高了SSA的收敛速度,改进了探索和开发步骤的效率,增加了解空间更多的灵活性和多样性,使得方法能够迅速获得全局最优值.为了验证算法的性能,在2个实验序列上进行了测试:第一个实验序列使用基准函数,将HOSSPSO与标准SSA、PSO进行了比较;第二个实验序列采用不同的UCI数据集,通过提出的算法确定最佳特征集.实验结果表明,相比于其他优化算法,HOSSPSO的性能更具优势,在多项评估指标中获得较好的效果,能以极少量的特征获得最大的分类精度.     

混沌免疫粒子群优化算法在BP网络训练中的应用

将人工免疫系统中的克隆选择和混沌算法引入粒子群优化算法,提出一种混沌免疫粒子群优化算法.算法的主要特点是利用克隆和混沌变异等操作,提高收敛速度和种群的多样性.结合Iris分类问题,将新算法应用到BP网络的权值优化中,并和基于标准PSO算法的方法和单纯BP网络训练进行比较.实验结果表明,该算法性能优于所比较的两种算法,并且具有良好的收敛性和稳定性.     

基于CANBUS的电梯群控系统的算法与实现

为了满足高层建筑和智能化建筑的需要,在研究电梯群控系统运行特点的基础上,提出了多目标的电梯群控系统算法.采用最优化理论的分析方法,分析电梯群控模型及调度策略,以及最大限度地降低系统能耗的群控系统,并基于CAN总线的技术特点,给出了群控系统的实现方案,对电梯群控理论的研究有一定的促进作用.     

基于混合粒子群优化算法的机组负荷最优调度

粒子群优化(too)算法是一种现代启发式算法,提出一种基于混合粒子群优化算法的机组负荷的调度方法,该方法考虑了机组的经济性和安全可靠性.优化了机组的调度运行方式.     

基于人工免疫粒子群优化算法的动态聚类分析

模糊C-均值聚类算法受初始化影响较大,在迭代时容易陷入局部极小值。将粒子群优化算法与模糊G-均值聚类算法相结合,提出一种新颖的动态聚类算法。该算法利用人工免疫思想改进粒子群优化过程,在很大程度上避免了粒子群算法和聚类算法早熟现象的发生,全局搜索能力和局部搜索能力优于同类算法。利用聚类理论中的经验规则kmax≤√n确定聚类数k的搜索范围,在最优粒子基础上进化新一级种群,该方案可有效提高算法的收敛速度。两组数据的仿真实验表明,新算法优于传统模糊C-均值聚类算法,具有收敛速度快和解的精度高的特点。     

免疫粒子群优化算法及性能分析

针对基本粒子群算法的容易陷入局部极小值,搜索精度不高等缺点,将免疫算法和粒子群优化算法(Particle Swarm Optimization,PSO算法)相结合,并加以改进,利用免疫算法能够保持个体多样性的特点,可使粒子群优化算法.达到摆脱局部极值点能力,从而提高算法进化过程中的收敛精度和速度.使用四个经典的测试函数...     

1个单纯形搜索法和免疫进化的微粒群算法的混合算法

基于单纯形搜索法和免疫进化微粒群算法,提出1个求解无约束最优化问题的新的混合算法—单纯形搜索法和免疫进化微粒群算法的混合算法.由于它不需要梯度信息,所以具有易实施、收敛速度快和计算准确的优点.为了证明混合算法能够改进免疫进化微粒群算法的性能,首先利用6个测试函数进行仿真计算比较,计算结果表明,新的混合算法在求解质量和收敛速率上都优于其它进化算法(IEPSO,PSOPC,GSPSO,LSPSO and CPSO);其次,将新混合算法和最新的3种混合算法进行鲁棒性分析比较,结果表明,新混合算法在解的搜索质量、效率和关于初始点的鲁棒性方面都优于其它算法.     

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.     

基于粒子群和人工蜂群算法的混合优化算法

提出一种基于粒子群(PSO)和人工蜂群算法(ABC)相结合的新型混合优化算法—PSOABC。该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由人工蜂群算法进化而来,并且在人工蜂群算法中按轮盘赌的方式选择个体进化所需的随机个体。此外,算法采用一种信息分享机制,使两个种群中的个体可以实现协同进化。对4个基准函数进行仿真实验并与ABC进行比较,表明本文提出的算法能有效地改善寻优性能,增强摆脱局部极值的能力。     

基于粒子群优化的升降机驱动装置控制策略

针对由于施工升降机驱动装置存在非线性因素,导致吊笼驱动装置运动精度低和响应慢的问题,提出了一种基于粒子群优化的比例、积分和微分(proportional integral derivative, PID)控制策略。首先,建立异步电机的矢量变频控制模型,基于MATLAB/Simulink通过偏差耦合控制策略实现三电机同步控制模型搭建,并设计了粒子群PID控制器以及模糊PID控制器;然后在ADAMS软件中建立驱动装置的虚拟样机,通过ADAMS的Controls接口模块与MATLAB实现机电联合仿真;最后根据施工升降机实际运行工况进行联合仿真验证并分析控制策略可行性。研究结果表明：粒子群PID控制器提升了吊笼位置控制精度与响应速度,粒子群优化PID系统响应时间相较于PID控制系统提升38%,相比模糊PID提升6%,系统稳态误差分别提升62%、98%,满足实际运行需求。     

基于免疫粒子群优化的移动Sink路径规划算法

为了减少能量空洞和延长网络生命周期,在无线传感网中采用移动 Sink 的方式收集节点采集的数据是解决能量效率问题的有效措施．采集路径的规划问题类似于旅行商问题,无法得到多项式时间的解．提出了将人工免疫算法和粒子群算法相结合,针对移动 sink 数据收集的路径规划问题寻求近似最优解,仿真结果表明: 与其他算法进行性能比较,所提出的优化算法能够有效减少能耗和缩短遍历路径．     

带时间窗车辆路径问题的混合粒子群算法

将粒子群优化算法与模拟退火算法结合,提出了一种求解车辆路径问题的混合粒子群算法.实例计算及与遗传算法比较的结果表明:应用混合粒子群算法可以快速地求得带时间窗车辆路径问题的优化解;该算法是一种求解离散组合优化问题的有效方法.     

基于遗传算法的电梯群控鲁棒优化模型

针对电梯群控调度过程中交通流不确定的问题,建立了鲁棒优化模型,利用遗传算法对所建模型进行求解.对于不确定线性优化问题,研究了不确定集的选择以及模型鲁棒对等式转化方法.仿真实验中,利用电梯群控虚拟仿真环境对鲁棒优化调度算法在不同交通流下进行了验证.以300人/15 min的混合交通流模式为例,鲁棒优化算法的平均候梯时间比静态分区算法降低12.77 s;平均乘梯时间比最小等待时间算法降低9.7 s;电梯启停次数比静态分区算法少8次.实验结果表明,鲁棒优化调度算法对不同交通模式具有更好的适应性,可以减小交通流不确定性的影响,提高电梯群控调度性能.