基于改进PSO算法的电力系统无功优化

本文采用的无功优化数学模型虑了系统的实际约束条件和无功调节手段,能够准确直观地反映电力系统无功优化的实际问题。在此基础上对基于粒子群算法的无功优化作了深入的研究,尝试利用粒子群优化算法对无功优化问题进行求解。对常规粒子群算法的搜索策略进行了改进,对约束条件、离散变量都采取了一定的改进处理措施。以IEEE-6节点系统为例进行了仿真计算,验证了本文模型和算法的正确性、适用性和经济性。     

基于改进粒子群算法的基站选址优化模型

科学技术的快速发展促进了通信网络规模的不断扩大。伴随通信宽带使用量的逐渐增长,基站的覆盖能力正在缩小,使得覆盖同样的区域,所需要的基站数量变得更多。建立基于改进粒子群算法的基站选址优化模型,利用此模型,可以得出新建基站的最优站址,规划新基站的建立,这些新建基站能解决信号覆盖较弱区域的覆盖问题。基于改进粒子群算法的基站选址优化模型,可以为各大运营商在规划建立新基站时提供指导性帮助。     

无约束的粒子群优化算法

粒子群优化算法最早是针对无约束连续优化问题而提出的。通过总结传统粒子群优化算法改进的研究工作,介绍了一种针对无约束函数优化问题的基于混沌搜索的粒子群算法和一种结合模拟退火策略的粒子群算法。这两种算法实用性较强、优化效果明显。     

基于改进粒子群算法的盾构掘进施工优化研究

盾构掘进优化能够提高施工的稳定性,确保施工效率和施工质量,因此,将改进粒子群算法应用于盾构掘进施工优化中.文章分析了盾构掘进施工参数对施工质量的影响,并设计了施工优化的数学模型;研究了改进粒子群算法,提出了惯性权重的调节算法和设计盾构掘进施工优化的算法流程;最后进行了盾构掘进施工优化的仿真分析.结果表明:该算法能够有效地控制盾构掘进施工的沉降量,从而确保了盾构掘进施工质量.     

基于混沌的粒子群优化算法研究与进展

粒子群优化算法因简单、容易实现,被越来越多地应用于众多应用领域,但其存在着容易陷入局部最优等缺点。混沌是一种普遍的非线性现象,具有随机性、遍历性和内在规律性的特点,尤其是混沌的遍历性特点,使其可以作为搜索过程中避免陷入局部极小的一种优化机制。将二者结合求解优化问题,改善了粒子群摆脱陷入局部极值的能力,提高了算法收敛速度。论述了混沌粒子群优化算法的研究进展。     

粒子群算法的收敛性和多样性分析与优化

针对粒子群优化算法的收敛性和多样性问题,提出一种基于混沌优化的震荡粒子群优化算法。该算法利用混沌特性和震荡环节扩大粒子搜索的遍历性,将混沌状态引入到优化变量使粒子获得持续搜索的能力。实验测试证明该算法不仅能保持种群的多样性,而且能有效避免算法陷入早熟收敛现象。     

模拟退火改进粒子群优化算法求解优化问题

针对粒子群优化算法后期易陷于局部最小的缺点,引入模拟退火思想,建立模拟退火—粒子群优化算法。通过求解函数优化问题对比实验,表明改进后的粒子群优化算法增强全局寻优能力,搜索成功率大为提高。     

计算机仿真在运筹学优化算法教学中的应用——以偏粒子群算法为例

以运筹学的优化算法知识点教学为例,介绍计算机仿真技术在课程教学、可视化展示中的应用。在运筹学课程体系中,优化算法的教学由于其较为复杂的计算公式或计算过程,相对较多的优化思想而难以深入。为了解决这一教学实践中出现的困境,探索采用非常直观地教学手段—计算机仿真教学方法,通过计算机演示配合课堂教学,给学生一个相对容易接受的教学体验。通过优化算法中具有代表性的偏粒子群算法为例,详细描述了教学目标、教学内容等细节,重点介绍了计算机仿真的教学过程。鉴于计算机仿真方法在课程教学中的特色之处,通过优化算法教学实践探索,为相似的本科教学内容和知识点的教学提供了范式。     

基于粒子群优化永磁同步电机控制仿真

提出了一种新的永磁同步电机控制策略,即利用粒子群算法对PID控制器的3个比例因子参数进行全局优化,充分发挥PID控制器的鲁棒性。为了验证该方法的有效性,利用Malab仿真工具进行仿真验证,观察控制系统的一阶动态响应。结果表明：系统具有很强的鲁棒性,能够很好地跟踪负载变化,动态响应快,速度跟随准确。     

一种改进的权均值粒子群优化算法

针对粒子群优化算法的早熟收敛和进化后期收敛速度慢等问题,提出了权均值粒子群优化算法。通过在"认知"部分和"社会"部分加入随机权值更新粒子的飞行速度,使粒子能够很快地收敛到全局最优点。典型函数的仿真结果表明,该算法不仅具有较好的全局收敛性能和较快的收敛速度,而且有效地避免了早熟收敛问题。     

基于改进粒子群算法的PID参数优化研究

PID控制是典型的工业控制,其核心内容是PID参数优化。为解决参数优化时不能确保得到最佳性能且耗时问题,通过改进粒子群算法学习因子,研究基于相等随机因子粒子群算法的PID参数优化,将其与标准的粒子群算法及迭代次数线性变化的学习因子进行比较。仿真结果表明,该算法性能指标tr、ts、δ%分别为1.782、3.285、14.07%,两种对比算法的tr、ts、δ%分别为1.804、4.825、24.33%和1.802、4.135、16.56%,改进算法提高了PID参数的稳定性、收敛速度和搜索精度,性能指标更优。     

基于Powell算法的改进微粒群算法

提出一种与Powell算法相结合的新型改进微粒群算法——Powell-PSO.改进算法将粒子的搜索过程分为两阶段,第一阶段,将标准微粒群算法的速度公式加以改进进行搜索;第二阶段,将第一阶段的最后一代粒子作为Powell算法的初始点,让Powell算法与PSO算法交替进行.这样既克服了微粒群算法陷入局优的缺点,也大大提高了算法的求解精度,同时提高了收敛速度并保持了微粒的多样性.仿真结果表明：与标准微粒群算法相比,Powell-PSO具有较高求解精度和较强寻优能力,并且不论是对单峰还是多峰函数都能取得较好的优化效果.     

基于改进粒子群算法的图像匹配技术研究

在分析基本粒子群优化算法的基础上,对学习因子进行非线性异步策略调整,改变其固定常数模式,平衡算法在迭代过程中的局部和全局搜索能力;同时引入活力因子,对失活粒子执行变异操作,提高种群多样性。改进算法可以提升对多维空间的全局寻优能力,避免粒子产生早熟收敛现象。将改进粒子群算法引入图像匹配优化问题中,提出了一种基于改进粒子群算法的图像匹配算法,实验结果表明,该算法具有更快的匹配速度以及更高的匹配精度,具有强鲁棒性。     

一种改进的粒子群优化算法

为了克服传统粒子群算法（Pso）的早熟和局部最优问题,通过分析基于惯性权重的粒子群优化在粒子寻优过程中的可行性,提出了一种变惯性权重的改进PSo算法,并对经典的测试函数进行TN试。实验结果证明,与传统PSO算法以及基于惯性权重的PSO相比,改进算法的寻优效果较好,全局搜索能力有显著提高,并能有效地避免早熟收敛问题。     

一种改进的粒子群算法研究

为了克服粒子群算法易发生早熟收敛、后期迭代速度较慢、易陷入局部最优的缺点,提出了一种改进的粒子群算法。该算法采用非线性动态自适应的更新权重,进一步提高收敛速度;通过引入差分进化算法中的交叉算子,以提高算法的全局探索能力,利用差分进化算法的变异策略产生候选解,克服种群多样性的下降,以跳出局部最优。利用该算法对2个测试函数进行寻优,仿真结果表明,文章提出的算法是一种收敛速度快、收敛精度高的全局寻优算法。     

一种并行微粒群的改进算法

在对标准微粒群算法（PSO）分析的基础上,提出了一种并行微粒群算法（PPSO）。文章详细介绍了该并行算法的流程,它改变了原来子种群之间周期性的通讯,而采用即时更新最优值的方法。仿真结果表明,PPSO在收敛速度和达标率方面有显著的优越性。     

云环境下结合改进粒子群优化与检查点技术的容错调度算法

云计算环境中任务执行容易受资源故障影响,导致调度效率与成功率降低。针对该问题,提出一种结合改进粒子群优化与检查点技术的容错调度算法。通过改进粒子群优化算法进行全局搜索,寻找粒子群最优解,以保证任务获取最优资源,减少调度复杂度;同时通过设置检查点,使失效任务从检查点继续执行,实现任务动态恢复,提高调度可靠性。仿真实验表明,与传统算法相比,当任务数量不断增加时该算法可提高任务执行成功率,缩短任务执行时间。     

一种改进的基于粒子群的离线聚类算法

为了解决K-means算法中对于初值的敏感,提出了一种基于粒子群的改进的K-means聚类算法(IPSOFCM).在K-means算法中引入粒子群算法,可有效提高算法的全局搜索能力,有助于粒子更容易跳出局部束缚.实验结果证明,IPSOFCM算法聚类准确度高,稳定性好.