基于改进麻雀算法的卷绕张力控制系统

为了在卷绕系统中建立稳定的张力控制系统，课题组使用自抗扰控制器设计了控制系统。提出采用麻雀算法(SSA)优化整定自抗扰控制器的参数。针对SSA以跳跃的方式寻优、已陷入局部最优和原点收敛性强的缺点，提出基于粒子群算法(PSO)的改进麻雀算法(PGSSA)；该方法引入了PSO的速度算子，修改麻雀算法的发现者和跟随者的位置来更新公式，增强麻雀算法的全局搜索能力。由于麻雀算法的种群多样性比较差，提出引入遗传算法的交叉和变异操作，以保证种群的多样性，避免PGSSA过早陷入局部最优。选择复卷机的收卷过程作为控制对象模型，利用MATLAB/Simulink软件平台，分别采用PGSSA和SSA对ADRC控制器和PID控制器参数进行仿真。结果表明：PGSSA的收敛速度和精度都优于SSA。ADRC控制器对扰动的反应速度和抑制能力、阶跃响应的性能指标优于PID控制器。     

单参数模糊PID在塑料挤出机温度控制系统中的应用

论述了SIMAT IC S7-300可编程控制器在塑料挤出机温度控制系统中的应用,控制回路采用单参数模糊P ID(比例、积分、微分)脉宽调功法。控制系统把单参数模糊P ID控制和PLC(可变程序逻辑控制器)的逻辑判断指令结合起来,使P ID控制更为灵活,能较好地满足生产过程的要求。详细描述了该系统的工作原理和PLC的硬件组成、软件编制。     

一种基于模糊辨识器的自适应交流伺服系统

提出用模糊辨识器对交流伺服系统离线进行辨识，使用遗传算法（GA）对辨识器参数寻优，用BP算法对控制器FNC最后一层权值在线调整，论述了用GA对控制器模糊隶属函数的参数优化训练方法。仿真结果证明了控制策略的有效性。     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机(SVM)模型进行预测.针对SVM模型中参数难以确定的问题,采用粒子群(PSO)算法进行参数寻优,保证预测的精确度.将PSO-SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO-SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律.     

混合量子算法在旅行商问题中的应用研究

针对旅行商问题(TSP)的特点提出了一种新的解码方式,结合了进化计算(EA)和微粒群算法(PSO)的思想,构造了独特的混合量子算法(HQA).为进一步提高算法的性能,构造了改进混合量子算法(IHQA).IHQA在更新个体时能够指导惯性权重进行动态变化,决定个体在下一代被吸引或扩散.经测试证明,两种混合算法均表现出强大的寻优能力,IHQA效率更高.     

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PSO算法优化RBF神经网络的基金净值预测研究

为了更精确地对基金净值进行预测,针对基金净值变化具有非线性和随机性等特点,提出基于粒子群优化RBF神经网络的基金净值预测模型。利用具有全局寻优的PSO算法对RBF神经网络的参数进行优化,并用经PSO算法优化的RBF神经网络对基金净值进行预测分析。仿真实验结果表明:与使用BP神经网络和RBF神经网络的基金价格预测方法相比较,PSO算法优化的RBF神经网络能够准确地预测基金价格的变化趋势,具有较高的预测精度,对于用户选择基金有着非常重要的意义。     

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。     

电力系统无功优化的一种新算法

本文提出了一种应用新的粒子群优化(NPSO)算法求解电力系统无功优化的新方法。给出了适合无功优化问题的具体实现方法以及应用NPSO算法求解电力系统无功优化的步骤。对IEEE30节点测试系统进行了无功优化计算。并与粒子群优化(PSO)算法的测试结果进行了比较。仿真结果表明,与PSO算法相比,应用NPSO算法求解无功优化问题是有效的。     

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。     

项目网络组织协同治理绩效影响因素分析

为了能够更加准确地判断结构损伤位置和程度,本文提出了基于粒子群优化支持向量机（PSO SVM）方法对斜拉桥主梁进行损伤识别的新方法。该方法以最敏感索张力指标作为损伤识别指标,利用粒子群（PSO）算法寻找支持向量机（SVM）最优参数,建立SVM预测模型,以不同位置、不同损伤程度下最敏感索的张力指标作为SVM的训练和测试输入,由SVM的输出确定损伤位置。通过对实验室的模型斜拉桥的主梁损伤进行了仿真验证,结果表明：采用PSO算法很好地解决了采用SVM方法进行损伤识别时的参数选择随机性难题,实现了对SVM模型参数     

PFC-PID控制在加热炉炉膛压力控制中的应用

针对工业P ID控制器不能很好兼顾抗干扰性与鲁棒性的缺点,将预测函数控制(PFC)与P ID控制相结合,提出一种具有PFC-P ID控制结构的新型预测函数控制器并成功地应用到工业焦化加热炉炉膛压力的控制中。由于其控制策略实现了目标和控制的分层,因此其控制效果要优于仅存在P ID控制的情形。实际工业应用表明了该方法的有效性。     

基于海鸥算法的库区货位分配及优化研究

针对自动化立体仓库库区货位分配存在的出入库速度慢、货架稳定性差以及货品相关性低的问题，课题组提出了一种优化方法。首先，进行数学模型的搭建，为各目标函数分配权重，对比较重要的目标函数进行人为增量，提升目标函数的计算值敏感程度，达到自我分辨的目的；其次，通过引入非线性动态移动参数，提出一种改进的海鸥算法，并采用6种基准测试函数来验证改进算法的寻优能力。结果表明改进后的算法在精度以及寻优速度上都优于原始算法。该模型能够提升货物的出入库速度和货品相关性，保证货架稳定性，可有效提升立体仓库利用率。     

用PSO方法搜索基于MLE的ARMA模型参数

针对小样本条件下用矩估计(ME)方法获取ARMA模型参数粗略的缺点,将粒子群优化算法(PSO)用于小样本ARMA模型参数的极大似然估计(MLE),以获得概率上最优的数字解。在分析基于ARMA模型似然函数的基础上,详细分析了PSO的思想、方法和评价指标。以实际例证显示了联合PSO优化方法估计AMAR模型参数的优良特性,并从算法和似然函数角度分别阐释了形成利弊的原因。     

PSO-ε-SVM的回归算法

回归支持向量机的ε不敏感损失函数的参数寻优是一个重要的问题,它与支持向量机的行为特性有紧密关系。本文给出了一种基于粒子群优化算法的、对ε不敏感损失函数的ε参数寻优的方法,仿真结果表明:采用基于粒子群优化算法的寻优方法寻找ε参数,需要重复训练回归支持向量机模型的次数明显小于格点搜索方法,节省了大量的时间并且能找到较优的ε值。     

一种改进决策树算法的探讨

ID3算法是示例学习中建立决策树的一种重要的方法.介绍了 ID3决策树算法的基本思想,讨论了ID3决策树算法中的难点和不足,结合实例给出了利用信息增益度法来改进ID3算法的详细过程.     

应用神经网络粒子群算法的多用户检测

为了减少最优多有户检测器的计算复杂度,提出了一种融合粒子群优化算法和神经网络的神经网络粒子群优化算法,并设计了一种解决CDMA通信系统的多用户检测问题的新方法。该方法是把神经网络嵌入到粒子群优化算法的每一代中以改进算法性能。通过混合神经网络到PSO中,还可以加快PSO的收敛速度,减少计算复杂度。仿真结果证明了所设计的检测器无论抗多址干扰能力和抗远近效应能力都优于应用Hopfield神经网络、遗传算法和粒子群算法的多用户检测器。     

模具钢干铣削试验及参数优化研究

为了对铣削力做进一步的研究,以及预测铣削参数的改变对铣削力变化的影响,文章建立了铣削力预测模型,引 入了PSO优化算法。试验采用正交设计方法,干式铣削SKD61模具钢;KISTLER测力仪测量铣削力;HRsoft_DW数采软 件采集试验数据,并对数据进行极差分析。研究结果表明每齿进给量是铣削参数中影响铣削力最为主要的因素。研究 验证了PSO算法对铣削参数优化问题具有有效性。     

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。