基于改进粒子群优化算法的混沌系统参数估计方法

估计混沌系统的未知参数是混沌控制与同步中必须解决的关键问题.利用群集智能的新进展粒子群优化算法(PSO)的全局搜索能力，从初始粒子群的产生、目标函数的处理的角度改进PSO，将改进的PSO引入混沌系统参数估计和在线估计.仿真试验表明，改进算法具有良好的适应性、较高的收敛可靠性及精度，对信号叠加噪声的情形也具有较高的鲁棒性，是混沌系统参数估计的一种成功算法. 关键词： 混沌系统 参数估计 在线估计 粒子群优化算法     

量子粒子群优化算法的收敛性分析及控制参数研究

通过分析粒子群优化算法的特点,将粒子放在量子空间来描述,建立粒子的量子势能场模型,并结合群体的群集性推导了量子粒子群优化(QPSO)算法.在随机算法全局收敛定理的框架下,讨论了QPSO算法的收敛性,证明QPSO算法是一种全局收敛的算法.针对QPSO算法的唯一控制参数,提出了三种控制策略,结合标准测试函数的仿真结果给出了具有实际指导意义的控制参数选择方法.     

基于量子并行粒子群优化算法的分数阶混沌系统参数估计

分数阶混沌系统参数估计的本质是多维参数优化问题, 其对于实现分数阶混沌控制与同步至关重要. 提出一种基于量子并行特性的粒子群优化新算法, 用于解决分数阶混沌的系统参数估计问题. 利用量子计算的并行特性, 设计出了一种新的量子编码, 使每代运算的可计算次数呈指数增加. 在此基础上, 构建了由量子当前旋转角、个体最优旋转角和全局最优旋转角共同组成的粒子演化方程, 以约束粒子在量子空间中的运动行为, 使算法的搜索能力得到了较大提高. 以分数阶Lorenz混沌系统和分数阶Chen混沌系统的参数估计为例, 进行了未知参数估计的数值仿真, 结果显示本算法具有良好的有效性、鲁棒性和通用性.     

基于量子粒子群算法的混沌系统参数辨识

针对混沌系统参数辨识问题, 在基本群智能算法粒子群优化算法的基础上, 提出量子粒子群算法, 测试函数证明了算法具有良好的全局优化能力. 进而将其应用于混沌系统参数辨识问题, 将参数辨识问题转化为多维函数空间上的优化问题. 通过对平衡板热对流典型混沌系统Lorenz系统进行研究, 并与基本算法和遗传算法比较. 仿真实验证明, 算法的有效性, 对混沌理论的发展有着非常重要的意义. 关键词： 量子粒子群算法 混沌系统 系统辨识     

基于混沌蚂蚁群算法的Lorenz混沌系统的参数估计

通过构造一个适当的适应度函数，首先将混沌系统的参数估计问题转化为参数的寻优问题，之后利用混沌蚂蚁群算法的全局优化搜索能力对这个问题进行求解.以典型的Lorenz混沌系统为例进行了数值模拟.实验数值仿真结果表明，使用该方法可以对混沌系统的未知参数进行有效地估计.     

基于粒子群优化的混沌系统比例-积分-微分控制

基于比例-积分-微分(PID)控制算法的简单性和实用性,但对于复杂非线性系统控制时参数的难以确定问题,运用集群智能中的改进粒子群算法进行PID控制器的优化,并应用于若干混沌系统的控制.对Hénon混沌、Duffing混沌、六辊UC 轧机混沌、Nagumo-sato神经元混沌、Chen氏混沌以及永磁同步电动机混沌的控制进行了仿真研究.研究结果表明： 用PID进行混沌系统的输出反馈控制是有效的,从而拓宽了PID控制的应用范围; 用简单方法控制复杂混沌系统是完全可能的,对混沌系统的控制具有较好的参考价值; 粒子 关键词： 混沌 比例-积分-微分控制 粒子群优化算法     

基于量子粒子群算法的自适应随机共振方法研究

为提升随机共振理论在微弱信号检测领域中的实用性,以随机共振系统参数为研究对象,提出了基于量子粒子群算法的自适应随机共振方法.首先将自适应随机共振问题转化为多参数并行寻优问题,然后分别在Langevin系统和Duffing振子系统下进行仿真实验.在Langevin系统中,将量子粒子群算法和描点法进行了寻优结果对比;在Duffing振子系统中,Duffing振子系统的寻优结果则直接与Langevin系统的寻优结果进行了对比.实验结果表明:在寻优结果和寻优效率上,基于量子粒子群算法的自适应随机共振方法要明显高于描点法;在相同条件下,Duffing振子系统的寻优结果要优于Langevin系统的寻优结果;在两种系统下,输入信号信噪比越低就越能体现出量子粒子群算法的优越性.最后还对随机共振系统参数的寻优结果进行了规律性总结.     

量子势阱粒子群优化算法的改进研究

为提高量子势阱粒子群优化算法的优化能力, 通过分析目前量子势阱粒子群优化算法的设计过程, 提出了改进的量子势阱粒子群优化算法. 首先, 分别基于Delta势阱、谐振子和方势阱 提出了改进的量子势阱粒子群优化算法, 并提出了基于统计量均值的控制参数设计方法. 然后, 在势阱中心的设计方面, 为强调全局最优粒子的指导作用, 提出了基于自身最优粒子加权平均和动态随机变量的两种设计策略. 实验结果表明, 三种势阱粒子群优化算法性能比较接近, 都优于原算法, 且Delta势阱模型略优于其他两种.     

2维静磁场多参量微动粒子群优化算法

提出一种微动粒子群优化算法,针对2维静磁场多参量优化问题,在给出轴上目标轴向磁感应强度分布曲线的前提下,可以得到趋近于该分布曲线的磁结构。该算法分为前后两阶段:第一阶段采用前后试探法(微动),同时也参照最优粒子的信息;第二阶段采用基本粒子群优化算法。微动粒子群优化算法可以发挥多核计算机在工程设计上的潜力,而且即使粒子数目很少,也能不断趋近目标解。     

基于粒子群算法的多阈值图像分割方法

在对粒子群优化算法的基本原理和方法进行简要概述的基础上,提出了一种基于粒子群的多阈值图像分割算法。算法采用信息熵构建优化目标函数,提出了新的粒子更新准测,并以此对图像进行了多阈值优化搜索。实验表明,该算法不仅能对图像进行正确的分割,而且还具有稳定性高,易于实现,速度快等特点。     

2维静磁场多参量微动粒子群优化算法

提出一种微动粒子群优化算法,针对2维静磁场多参量优化问题,在给出轴上目标轴向磁感应强度分布曲线的前提下,可以得到趋近于该分布曲线的磁结构。该算法分为前后两阶段:第一阶段采用前后试探法(微动),同时也参照最优粒子的信息;第二阶段采用基本粒子群优化算法。微动粒子群优化算法可以发挥多核计算机在工程设计上的潜力,而且即使粒子数目很少,也能不断趋近目标解。     

改进的粒子群优化目标跟踪方法

针对粒子群优化算法应用在目标跟踪时,其惯性权重调节机制的局限性,提出了改进的粒子群优化目标跟踪方法。首先,对目标及粒子群算法中相应参数进行初始化;接着,引入粒子进化率的概念,对惯性权重调节机制进行改进,根据每代每个粒子的不同状态及时调整惯性权重;然后,在更新粒子的速度和位置的同时,更新个体最优解和全局最优解,进行下一次迭代;最后,比较粒子的适应度,选择相似性函数值最大的区域为目标。实验结果表明,该方法与使用自适应惯性权重调节机制的粒子群优化目标跟踪方法相比,减少了获取相同适应度所需的迭代次数,运算效率提高了42.9%。实现了目标在相似性函数出现"多峰"情况下的准确定位,对目标出现部分遮挡的情况具有很好的适应性。     

基于免疫双态微粒群的混沌系统自抗扰控制

利用人工免疫算法及粒子群优化算法融合的优点,提出了一种免疫双态微粒群算法(immune binary-state particle swarm optimization, IBPSO)的自抗扰控制器(IBPSO-ADRC),应用于混沌系统控制,构建一种混沌系统自抗扰控制系统.实验研究表明:该控制方法无需了解动态系统精确模型,具有响应速度快,有效抑制混沌系统参数摄动及较强抗干扰能力的特点. 关键词： 人工免疫系统 微粒群算法 混沌系统 自抗扰控制器     

基于混沌粒子群优化算法的异结构混沌反同步自抗扰控制

针对一类连续时间异结构混沌系统, 利用自抗扰控制很强的鲁棒性, 提出了一种异结构混沌系统反同步的自抗扰控制策略.针对所设计的自抗扰控制器参数较多, 难以整定的问题, 提出了应用混沌粒子群优化算法对控制器进行参数寻优设计. 以Lorenz系统和Chua系统两个异结构混沌系统为例进行仿真验证, 由仿真结果可知, 该方法可以实现异结构混沌系统较快的反同步控制, 且具有很强的抗干扰能力. 关键词： 异结构混沌系统反同步 自抗扰控制器 混沌粒子群优化算法 参数寻优     

Inverse problem for particle size distributions of atmospheric aerosols using stochastic particle swarm optimization

As a part of resolving optical properties in atmosphere radiative transfer calculations, this paper focuses on obtaining aerosol optical thicknesses (AOTs) in the visible and near infrared wave band through indirect method by gleaning the values of aerosol particle size distribution parameters. Although various inverse techniques have been applied to obtain values for these parameters, we choose a stochastic particle swarm optimization (SPSO) algorithm to perform an inverse calculation. Computational performances of different inverse methods are investigated and the influence of swarm size on the inverse problem of computation particles is examined. Next, computational efficiencies of various particle size distributions and the influences of the measured errors on computational accuracy are compared. Finally, we recover particle size distributions for atmospheric aerosols over Beijing using the measured AOT data (at wavelengths λ=0.400, 0.690, 0.870, and 1.020 μm) obtained from AERONET at different times and then calculate other AOT values for this band based on the inverse results. With calculations agreeing with measured data, the SPSO algorithm shows good practicability.     

基于粒子群优化算法的自适应图像分割方法

提出了一种基于粒子群优化算法的图像分割新方法。粒子群优化(PSO)算法是一类随机全局优化技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域缩短了寻找阈值的时间。将PSO用于基于改进的最佳加权熵阈值法的图像分割中,试验结果表明,该方法不仅能够避免陷入局部极值,而且其速度得到了明显的改善,是一种有效的图像分割新方法。     

基于粒子群算法的有机半导体NPB传输特性辨识

为了研究有机半导体材料的载流子传输特性,制备了单层器件ITO/NPB/Ag,建立了该器件的理论导纳模型.利用正弦小信号频域测试法得到该器件在不同直流偏压下的频率特性样本.定义了同时包含有机半导体阻抗实部和虚部的模型参数辨识问题的目标函数,采用粒子群算法对包括载流子迁移时间τdc,色散度参数M和α在内的模型参数进行辨识.为了验证提出方法的有效性,建立了器件的等效电路模型,并用最小二乘算法辨识出等效电路的时间常数τc.实验上对1000 nm和1200 nm的单层器件进行频域测试,经计算发现τdc和τc之间具有相同的比例关系,通过对计算出的空穴迁移率μdc进行指数拟合发现,两种厚度的NPB器件的空穴迁移率与电场强度呈指数增加,且满足著名的Poole-Frenkel公式.     

基于二进制粒子群算法的认知无线电决策引擎

提出了基于粒子群算法的认知无线电决策引擎,并提出了一种种群自适应粒子群算法,利用粒子群算法调整优化无线电参数,运用多载波系统对算法性能进行了仿真分析.实验结果表明基于二进制粒子群算法的认知决策引擎在收敛速度、收敛精度和算法稳定性上都要明显优于经典遗传算法,基于种群自适应粒子群算法的决策引擎则能进一步提高算法初期性能,满足认知无线电实时性要求. 关键词： 认知无线电 粒子群算法 遗传算法 认知决策引擎     

Structural optimization of Au–Pd bimetallic nanoparticles with improved particle swarm optimization method

Due to the dependence of the chemical and physical properties of the bimetallic nanoparticles(NPs) on their structures,a fundamental understanding of their structural characteristics is crucial for their syntheses and wide applications. In this article, a systematical atomic-level investigation of Au–Pd bimetallic NPs is conducted by using the improved particle swarm optimization(IPSO) with quantum correction Sutton–Chen potentials(Q-SC) at different Au/Pd ratios and different sizes. In the IPSO, the simulated annealing is introduced into the classical particle swarm optimization(PSO) to improve the effectiveness and reliability. In addition, the influences of initial structure, particle size and composition on structural stability and structural features are also studied. The simulation results reveal that the initial structures have little effects on the stable structures, but influence the converging rate greatly, and the convergence rate of the mixing initial structure is clearly faster than those of the core-shell and phase structures. We find that the Au–Pd NPs prefer the structures with Au-rich in the outer layers while Pd-rich in the inner ones. Especially, when the Au/Pd ratio is 6:4, the structure of the nanoparticle(NP) presents a standardized Pd_(core) Au_(shell) structure.     

基于粒子群优化支持向量机的太阳电池温度预测

建立通用而精确的太阳电池热模型对光伏系统的建模、输出功率与转换效率的损失分析至关重要. 基于复杂的太阳电池温度机理, 分别研究了太阳电池温度的稳态热模型(steady state thermal model, SSTM)和支持向量机(support vector machines, SVM) 方法建立的精确预测热模型. 首先, 基于空气温度、太阳辐射强度、风速3个最主要因素与太阳电池温度的近似线性关系, 在已有SSTM的基础上, 建立并校正了太阳电池的SSTM并采用差分进化算法提取模型的未知参数. 其次, 为提高SVM的模型预测精度, 采用粒子群优化(particle swarm optimization, PSO) 算法对SVM的核参数和惩罚因子进行动态寻优, 在确定输入/输出样本集并划分训练集和测试集的基础上, 建立了基于粒子群优化支持向量机(PSO-SVM)的太阳电池温度精确预测热模型. 最后, 搭建实验平台, 在实验操作过程中减弱空气湿度、太阳入射角和热迟滞效应等因素对太阳电池温度的耦合. 通过实验对比表明, 建立的预测热模型性能可靠、全面、简洁, 其参数寻优算法优于遗传算法和交叉校验法, 模型预测精度优于反向传播神经网络(back propagation neural network) 和SSTM.