求解复杂旅行商问题的混合粒子群算法

针对粒子群算法在解决组合优化时存在早熟和易陷入局部最优的问题,提出一种求解旅行商问题( TSP)的混合 粒子群算法。将粒子群算法与遗传算法结合,引入遗传算法中的交叉和变异操作,通过个体极值和群体极值的交叉以及 粒子自身变异的方式增加种群的多样性,避免粒子陷入局部最优,提高算法的局部搜索能力。仿真结果表明,新的混合 粒子群算法在解决TSP问题时具有较好的收敛性及优化效果。     

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。     

永磁同步电机超螺旋滑模自抗扰调速系统设计

针对永磁同步电机调速系统中,非线性自抗扰控制(ADRC)存在参数过多和线性自抗扰控制(LADRC)快速性较差等问题,基于超螺旋滑模算法的快速性特点,提出了超螺旋滑模自抗扰控制(STSM-ADRC)策略。将超螺旋滑模算法引入到自抗扰控制中,对自抗扰控制中的非线性状态误差反馈控制率和跟踪微分器进行优化,提升系统的快速性能,简化参数整定,并采用李雅普诺夫函数进行稳定性证明。仿真结果表明：超螺旋滑模自抗扰速度控制器提高了PMSM调速系统的快速性和鲁棒性。     

混合策略改进的粒子群算法

针对粒子群算法易陷入局部最优、收敛精度低、收敛速度慢等缺陷,提出了基于混合策略的改进粒子群算法。使用融合Circle映射与精英反向学习的策略初始化种群,提升初始种群的质量,同时加快收敛速度;在粒子速度更新方式中引入蜘蛛移动策略平衡算法的全局搜索与局部搜索;提出了基于自适应t分布的变异策略,增强算法全局搜索和跳出局部最优能力;对15个单峰和多峰函数进行仿真实验,与其他3种算法进行了对比分析,结果表明：所提出的改进算法具有很强的寻优能力与稳定性。     

改进的正弦余弦算法在函数优化问题中的研究

正弦余弦算法(SCA)是2015年提出的一种新型的群智能算法。针对标准正弦余弦算法局部搜索能力差、精度低的缺点,提出改进的正弦余弦算法(简称ISCA)。首先,引入动态惯性权重平衡算法的局部与全局搜索能力;然后,为更进一步加强迭代后期局部搜索能力,将参数r1由线性递减函数变成了指数型递减函数;最后,引入自适应变异因子,增强种群的多样性;最后,将改进的SCA算法对10个经典的单峰、多峰函数进行测试,并同标准SCA算法、粒子群算法(PSO)、遗传算法(GA)进行比较。实验结果表明:ISCA算法优于其他几种算法。     

新型免疫克隆算法在永磁无刷直流电机系统中的应用

为了提高电机控制系统的动态响应和稳定性,提出于一种基于对抗制的优化免疫克隆算法,引入联赛对抗的机 制,在抗体更新的过程中,产生多组具有指向性的抗体,按赛制规则淘汰筛选,以获得最优的PID控制器参数。在永磁无 刷直流电机系统下的仿真结果表明：与一般PID控制器相比,免疫克隆算法优化控制下的永磁无刷直流电机系统具有较 好的动态特性和稳定性能。     

失独之殇：失独家庭的养老困境及其解决对策

将模型参考自适应技术（MRAS）应用于永磁同步电机（PMSM）无速度传感器直接转矩控制系统中。以永磁同步电机本身为参考模型,以电机的电流模型为可调模型,并利用Popov超稳定理论推出自适应律,对转子速度和位置信息进行辨识。考虑到无速度传感器控制系统存在参数变化和负载扰动的鲁棒性问题,将自抗扰控制（ADRC）引入到模型参考自适应无速度传感器调速控制系统中,形成一种新型的复合控制算法。在Matlab/Simulink中建立基于MRAS和ADRC的混合无速度传感器直接转矩控制系统仿真模型,仿真结果表明,该算法具有较好的速度和位置辨识精度、较强的鲁棒性和抗干扰特性、较优的动静态特性。     

基于汉明距离与免疫思想的粒子群算法

针对传统粒子群算法收敛速度慢、无法描述离散问题以及后期容易陷入局部最优解的缺陷等问题,提出一种基于汉明距离与免疫思想的改进粒子群算法(IHPSO)。首先,引入汉明距离表示位置与速度更新,使传统粒子群算法能够求解离散问题;然后,融入免疫接种、免疫选择等免疫思想,定义新的种群更新方式,解决了传统粒子群算法收敛速度慢、易陷入局部最优解的弊端;最后,通过TSP问题的模拟实验证明了改进的粒子群算法在求解速度与精度等方面均有明显提高。     

引入惯性权重的烟花算法

为了增加种群的多样性,算法中加入高斯变异操作产生高斯火花.但是算法在每次迭代的过程中计算成本都很高,运行时间长,易陷入局部最优.本文提出一种引入惯性权重的烟花算法(WFWA),文中引入一种非线性的惯性权重,而且其随着迭代次数的增加而减小,呈递减趋势.从而使算法跳出局部最优,更快地搜索到全局的最优解.通过15种标准测试函数来测试算法的性能,并与其他算法作比较.实验结果表明该算法可以更好的收敛到全局最优解.本文为改进的算法(WFWA)建立Markov模型并证明其全局收敛性.     

基于主成分分析和概率神经网络的入侵检测方法

针对神经网络在入侵检测的应用中存在入侵数据冗余信息多,数据量大,训练时间长,易陷入局部最优等问题,提出了一种基于主成分分析(PCA)和概率神经网络(PNN)的入侵检测方法。首先使用PCA对数据进行特征降维,解决了入侵数据冗余信息多的问题;然后使用PNN建立入侵检测模型;其次,使用粒子群算法(PSO)解决概率神经网络参数的优化问题;最后使用KDD99数据集对该模型进行测试。实验结果表明:该方法能够有效提高检测的效果,而且检测速度明显提高。     

基于个体位置变异的粒子群算法

针对粒子群算法随着迭代次数的增多,其种群多样性降低,粒子群算法容易陷入局部最优的不足,提出了一种基于个体位置变异的粒子群算法。该算法在保证最终收敛的前提下极大扩展了粒子的空间搜索范围,从而降低了粒子群算法发生早熟的可能,并且程序量较小。仿真实验中,将算法应用于6个典型测试函数中,并与其它改进粒子群算法进行比较,结果表明,该算法具有较强的全局寻优能力和较好的收敛速度,明显提高了粒子群算法的优化性能。     

基于高斯白噪声扰动变异的粒子群优化算法

为了有效避免粒子群算法(PSO)早熟和局部收敛的现象,在深入分析PSO算法的基础上,提出了一种基于高斯白噪声扰动变异的粒子群优化算法(GMPSO)。该算法以一定的概率选中粒子进行基于高斯白噪声扰动的变异,并重新随机产生飞离搜索区域的粒子,以克服粒子群后期多样性严重下降的缺点。通过对Benchmark函数的测试表明:GMPSO算法无论是搜索精度、速度还是稳定性均显著优于PSO算法。     

PMSM中基于改进BFO算法的无传感器速度控制方案

针对永磁同步电机(PMSM)矢量控制系统中传统PI速度控制器性能较差的问题,提出一种结合改进型细菌觅食优化(IBFO)算法和分数阶PI控制器的无传感器速度控制方案。首先,利用分数阶PI控制器代替传统PI控制器提高对时变、非线性控制系统的控制性能;然后,对传统BFO算法进行改进,通过融入粒子群优化算法中的信息共享机制,根据个体最优和全局最优来更新细菌位置;最后,以速度控制稳定性和超调量作为适应度函数,通过IBFO算法来优化分数阶PI控制器的参数,以获得最佳控制性能,并通过扩展卡尔曼滤波器(EKF)来估计电机实际转速。实验结果表明:与传统方法相比,提出的控制方法能快速且稳定地控制电机转速,具有较高的应用价值。     

基于粒子群算法的基因表达谱聚类分析方法

双向聚类算法可以发现基因表达谱中隐藏的信息。为了寻找规模较大的基因相似矩阵,结合粒子群算法强大的搜索能力,提出了GP-Cluster双向聚类算法。基于粒子群(PSO)算法,引入Sigmoid函数进行动态调整,并在粒子飞行过程中加入了遗传算法(GA)"优胜劣汰"的思想,增加粒子运动的多变性和随机性,避免算法陷入局部最优。实验结果证明:相比GA算法和PSO算法,改进后的混合粒子群算法GP-Cluster能找到质量更佳的双向聚类,取得更好的聚类效果。     

基于优化VMD与BP神经网络结合的滚动轴承故障诊断方法研究

为解决滚动轴承微弱故障信号不明显、识别故障类型准确率不高及变分模态分解(VMD)分解时参数主要依靠人为设定的问题，提出一种基于麻雀搜索算法(SSA)优化VMD参数与BP神经网络相结合的故障诊断方法。首先，使用麻雀搜索算法对VMD分解的模态分解个数及惩罚因子进行优化，搜索全局得出最优参数组合；利用优化后的参数对故障信号进行VMD分解，将分解后的本征模态分量导入BP神经网络进行模式识别。结果表明：与EMD、未优化VMD相比，优化参数后的VMD具有更高的故障诊断率99.53%,使故障诊断效果进一步提升。     

基于宗族进行裂变选择的自适应遗传算法

提出了一种改进的自适应遗传算法,在选择算子中引入裂变选择的思想,避免种群中超级个体的出现,维持了种群的多样性。该算法改造了交叉算子和变异算子,提高了算法的收敛速度,避免早熟。同时,提出了在宗族中构造子代种群的思想,提高了算法的寻优效率。仿真函数优化的结果验证了该算法能有效地维持种群的多样性并迅速找到最优解。     

粒子群优化算法中的分步式策略

为了解决粒子群优化算法(PSO)在处理高维多极值问题时容易陷入局部最优而早熟的问题,提出了分步式学习策略和分步式评价策略。前者让粒子每次升级只向某一个榜样学习,使粒子能在更有潜力的区域搜索;并简化了其升级规则,使粒子的搜索行为更易被控制。后者对粒子的位置矢量逐维进行评价,使粒子向目标最优位置稳步前进;并通过对维之间的关系的检测,解决了维不可分解的问题。实验证明,新算法具有很好的收敛速度和抗早熟能力。     

基于粒子群算法与改进Ziegler-Nichols算法的PID整定方法

针对Ziegler-Nichols算法设计的PID控制器阶跃响应不理想,不具有灵活性等缺点,提出基于粒子群算法与改进 Ziegler-Nichols算法的PID整定方法。采用粒子群算法优化了Ziegler-Nichols算法中的幅值和相角,设计了具有更好性能 指标的PID控制器。实验结果表明采用该方法进行参数整定后的PID控制器响应速度较快,降低了系统的超调量。     

一种定向交叉的单纯形遗传算法

针对交叉算子产生个体的无方向性特点,提出了一种改进的实数交叉算子.该交叉算子吸收了单纯形法的思想,每次交叉都朝着当代种群最优解的方向进行,以提高算法的局部搜索能力.为了防止算法陷入局部极值,还提出了一种爬坡算子.实验证明,改进算法在提高收敛速度、摆脱局部最优解方面极为有效.     

自抗扰算法在无人车路径跟踪控制中的应用

为了提高无人驾驶车辆路径跟踪的精度与稳定性,设计一种对车辆不确定性和外部干扰具有较强鲁棒性的ADRC控制算法,并基于粒子群优化算法对其关键参数进行整定,进一步提高控制器效果。该控制算法优势在于设计简单,计算量较小,能够实时估计和补偿未知扰动。基于Matlab/CarSim联合仿真平台,对所研究算法与PID算法进行仿真验证。结果表明:在双移线工况下,与PID控制器相比,所提出的ADRC控制算法具有更强的鲁棒性,能够有效改善由道路曲率变化而导致车辆抖动的问题,实现更加精确、稳定的路径跟踪效果。