变尺度混沌量子粒子群算法

利用混沌算子的遍历性,结合量子粒子群的快速收敛性,提出了变尺度混沌量子粒子群算法(CQPSO)。针对标准粒子群容易陷入局部最优的缺陷,CQPSO能快速收敛到最优解。对标准测试函数的测试结果表明:该算法在收敛速度和收敛精度上都得到了大幅度的提高。     

模拟退火并行粒子群优化算法程序设计与研究

针对粒子群优化算法后期收敛差和模拟退火算法全局优化能力强的特点,建立模拟退火并行粒子群优化算法(SA-PSO算法)模型。利用MATLAB语言开发SA-PSO算法工具箱,实现SA-PSO算法的程序设计,高效、稳定地提高算法全局寻优能力。     

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。     

基于卡尔曼滤波和改进粒子群的MPPT算法

针对常规的粒子群算法（particle swarm optimization algorithm，PSO）在应用中存在数据波动大、数据精确采集难度高和追踪速度慢等问题，课题组提出了基于卡尔曼滤波和改进粒子群优化算法的光伏最大功率点跟踪（maximum power point tracking，MPPT）控制器技术，并结合卡尔曼滤波、恒定电压和冒泡排序等方法进行优化。实验结果表明课题组提出的算法可以快速、准确地跟踪到最大功率点，提高了MPPT的响应速度和精度，提高了光伏发电的利用效率。     

基于改进粒子群算法的装配序列规划研究

农业生产性服务业的发展对我国城镇化有积极的影响,且存在着显著的门槛效应。运用Hansen的门限回归思想,设计门限回归模型,并将2005—2013年我国31省的农业生产性服务业发展指标的面板数据作为门限变量值。测算结果表明：当农业生产性服务业发展到一定水平,使其发展指标跨过某个门限值时,地区城镇化率增速水平显著提高。     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。     

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。     

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种玫进型粒子群（Improved Particle Swann Optimizer,IPSO）算法．可以优化BP（Back Propagation）神经网络．并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明：该研究方法能够在预测精度和稳定性方面明显优于传统的PSO—BP神经网络优化证券投资组合方法。     

基于改进模拟退火算法的立体车库车位分配优化

车位分配是立体车库运行的重要环节,决定着立体车库的运行效率,而现有立体车库车位分配研究中考虑的指标多为服务时间和能耗,缺乏相关指标间关系和立体车库顾客损失的分析。为此,以顾客平均服务时间、平均等待时间、平均能耗等作为效率评价指标,分析比较了带有顾客损失制的不同排队模型下立体车库运行效率指标的关系及对车库的影响。在此基础上使用模拟退火算法优化立体车库车位分配,并针对立体车库特征对传统模拟退火算法进行改进。通过对实际车库进行仿真,比较立体车库在就近车位分配方式、分区车位分配方式、传统模拟退火算法车位分配方式和改进模拟退火算法优化下的车位分配方式运行效率指标,验证了基于改进模拟退火算法的优化车位分配方式在降低能耗和提高车库运营利润方面的有效性。     

改进粒子群算法在库存预测中的应用

针对自动化立体仓库库存预测结果存在不准确和时间滞后等问题,课题组提出一种基于改进粒子群算法并结合指数平滑法来构建库存预测模型。分析传统粒子群算法和指数平滑法的原理以及缺点,通过引入附加变量、非线性动态调整惯性权重以及异步变化学习因子的方式,提出一种改进的粒子群算法;并采用4种标准测试函数来验证算法的寻优能力;最后将改进后的算法与平滑指数算法相结合构建预测模型,以某公司生产的导流板实际库存数据为例进行仿真实验,并与常用的几种预测模型进行验证对比。结果表明改进的粒子群算法预测模型的精度更高。该模型能够解决传统预测模型精度不高、适用情况单一等问题,提高企业的库存利用率。     

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。     

基于粒子群算法的弹簧可靠性优化设计

将人工生命中的粒子群优化算法引入弹簧的可靠性优化设计中,根据弹簧可靠性优化设计的特点,提出了一种适用于弹簧可靠性优化设计的约束型粒子群优化算法。实验表明这种方法是有效的,这为机械可靠性优化设计的研究提供了一种新方法。     

基于改进粒子群算法自整定伺服系统PID控制器的研究

伺服系统是一种非线性控制系统.提出用改进粒子群算法自整定伺服系统PID控制器的参数,给出了详细的整定过程,并在MATLAB的simulink中进行了建模仿真,结果表明,与传统的粒子群算法自整定PID控制器相比较,改进粒子群算法应用于伺服系统PID控制器自整定响应速度更快,无超调,稳定性更好.     

三群协同粒子群优化算法

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,提出了一种三群协同粒子群优化算法(TSC-PSO)。搜索时,如果全局极值连续若干代没有改善,粒子未找到全局最优点,就任选某个优群,将其群内粒子和差群粒子交换。仿真结果显示,对一些经典多峰值函数、非凸病态函数,TSC-PSO增强了全局搜索能力,具有比基本PSO更好的优化性能。     

二进制改进粒子群算法在背包问题中的应用

提出了用于求解0 1背包问题的二进制编码的粒子群算法,阐明了该算法求解背包问题的具体实现过程.为了提高粒子群算法的收敛速度,在传统的二进制编码的粒子群算法中嵌入了记忆功能.通过对其他文献中仿真实例的计算和结果比较,表明该算法在寻优能力、计算速度和稳定性方面都超过了文献中提到的遗传算法和模拟退火算法.提出的求解背包问题的二进制改进粒子群算法,同样可以应用于其他离散优化问题.     

基于粒子群算法的网络教学资源优化获取

利用通用搜索引擎可以在网络上获得大量相关的网络教学资源，如何在众多的网络教学资源中迅速、高效地获得理想的教学信息是越来越重要的研究课题。为解决这一问题，本文提出了基于粒子群算法的网络教学资源优化获取方法。首先对每个网络教学资源赋予一定的评价指标，然后利用粒子群算法对搜索列的网络教学资源进行优化排序，从而可以在众多的网络教学资源中迅速、高效地获得优质的教学资源。     

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。     

基于遗传粒子群算法的供水系统优化调度

针对某城市供水系统,建立了大型供水系统的多目标混合离散变量的优化调度模型,采用遗传粒子群混合算法对调度模型进行了求解,实现了该供水系统的直接优化调度,并与传统遗传算法优化调度的过程及结果进行了对比,新算法在优化时间、优化结果及求解效率等方面都具有较强的优越性.     

改进粒子群算法在空压机联动控制中的应用

针对空压机控制系统中的节能减排、均衡调度和管网压力波动等问题,提出了空压机联动控制的多目标优化调 度模型,并以改进惯性权重的粒子群算法进行求解。以灰色系统理论中的灰色关联度作为改进粒子群算法的适应度函 数,对影响空压机联动系统的机组功耗、生产均衡调度和管网压力波动等多目标进行了优化求解。引入的非线性动态调 整惯性权重策略改进了算法的全局收敛能力,有效地提高了粒子搜索过程中的智能性。通过某饮料罐装车间的技术改 造,证明了本算法的有效性。