共查询到20条相似文献，搜索用时 18 毫秒
1.
针对传统粒子群算法在求解梯级水库调度问题时,容易陷入局部最优而早熟收敛的问题,提出自适应粒子群算法。该改进算法结合种群进化程度自适应调整算法控制参数,从而克服传统粒子群算法参数固定引起的搜索能力不足的问题。同时,采用种群局部重建策略解决种群进化后期多样性下降的问题。将改进的粒子群算法应用于清江梯级水电站的发电调度求解,模拟计算结果表明,文章提出的改进算法具有较强的全局寻优能力,可以进一步提高算法的搜索性能和求解精度。 相似文献
2.
3.
差分进化算法(Differential Evolution Algorithms,DE)和粒子群算法(Particle Swarm Optimization,PSO)是一种基于种群的全局优化的通用的启发式算法,已经用来求解很多的问题。本文提出一种基于DE和PSO的双进化方式的种群进化策略。对于种群中的每个粒子可以随机选择按照差分进化或者按照粒子群进化。为了提高进化的收敛速度,对于每一代粒子选择一个最优的粒子提供给按照PSO算法进化的粒子使用。通过4个标准函数测试该算法并与PSO和DE算法进行比较,实验证明该算法是一种求解精度高,速度快,鲁棒性好的算法。 相似文献
4.
5.
6.
粒子群优化算法(PSO)是一种基于种群搜索策略的自适应随机优化算法,本文在分析基本PSO算法进化原理的基础上,提出了一种PID参数进行自整定的计算框架,这种改进的PSO算法应用于PID参数整定,对整个控制器参数空间进行高效并行搜索,提高其优化性能。以某超临界电厂主汽温度为研究对象,通过MATLAB仿真证明了所提出算法的有效性和所设计控制器的优越性。 相似文献
7.
《黑龙江科技信息》2016,(29)
电力系统的无功优化问题的操作变量既有连续变量又有离散变量,同时它还是混合了多个变量和多个约束条件的一个非线性的规划问题。本文中阐述的粒子群优化算法PSO(Particle Swarm Optimization)算法,是一种应用于电力系统无功优化的算法,是针对无功优化问题的特点提出的。考虑到算法的一些问题,通过引入动态的惯性权重和收缩因子来达到对原有算法的改进目的,改进粒子群优化算法MPSO(Modified Particle Swarm Optimization)算法作为一种新的算法被提出来,同时结合了电力系统无功优化的实际情况,证明了改进的粒子群算法的良好的实用效果。 相似文献
8.
研究了考试系统中一个关键的技术——组卷算法,提出了应用粒子群优化算法组卷。PSO算法源于蜜蜂群觅食,是一种智能寻优算法,它首先初始化一群随机粒子（随机解）,然后通过迭代找到最优解。PSO算法组卷是一个离散性求解问题,这是对PSO算法应用上的一个扩展。 相似文献
9.
结合第四方物流的内涵与发展现状,从第四方物流企业调度管理优化决策问题出发,通过引入惯性权重因子和收缩因子对标准粒子群算法进行改进,然后与模拟退火算法相结合,形成改进的模拟退火粒子群(MSA-PSO)算法,求解第四方物流企业调度管理优化问题。在阐述算法原理和运算流程后,分别运用标准粒子群算法、模拟退火算法和本算法对6个基准测试函数进行仿真试验来检验比较算法的性能。结果显示:改进后的模拟退火粒子群算法计算精度和寻优结果优于标准粒子群算法和模拟退火算法。 相似文献
10.
针对蝙蝠算法求解Job-shop调度问题的局限性,采用字符串编码、NEH初始化种群粒子和增加随机扰动的方法,对现有蝙蝠算法进行改进。通过对Job-shop调度问题基准算例的求解,并和模拟退火算法、标准遗传算法和粒子群算法进行比较,验证了该算法操作简单,收敛速度快,结果精度高,能有效求解Job-shop调度问题。 相似文献
11.
《科技通报》2015,(10)
为了提高云计算环境下网络资源访问和调度能力,需要增强网络资源的活跃度,传统方法采用源信息系统最小方差粒子群优化算法实现资源活跃度增强调度,直接交互式多源信息的缺陷,导致信息访问的滞后和时延。提出一种基于粒子群(PSO)递阶进化的多出口网络资源活跃度增强算法,构建多出口网络资源调度和网络系统结构,粒子群进化按照属性的数据波动进行递阶分层,得到一个资源数据聚类的高密度区域,使得每一个初始种群中的个体都应有一个解,在多波束搜索PSO空间中实现粒子群PSO递阶进化,提高网络资源访问的活跃度。仿真实验表明,采用该算法,能避免粒子群在进行网络资源搜索调度过程中陷入局部最优,有效提高控制搜索精度,运行时间较短,能有效增强多出口网络资源的活跃度,进而提高了资源搜索成功率。 相似文献
12.
13.
PID控制在工业生产中得到广泛的应用,其性能指标取决于PID参数的选取。粒子群算法是一种常见的智能化算法,简单便于实现,文章采取基于自然选择改进的粒子群算法优化PID控制器的参数,与经典的粒子群算法相比较,文章所提出的算法有效地避免了经典粒子群算法过早陷入局部最优的问题,具有较高的求解效率。 相似文献
14.
基于PSO和滚动优化的不确定环境下移动机器人动态路径规划 总被引：1，自引：0，他引：1
针对全局环境未知且存在动态障碍物情况下的移动机器人路径规划问题,本文提出了一种结合粒子群算法(PSO)和滚动优化策略的动态路径规划方法。通过在一系列移动空间窗口中进行在线规划来充分利用机器人实时测得的局部环境信息,并用粒子群算法求解每一个移动窗口内的最优路径。为及时躲避动态障碍物,提出了一种适用于动态未知环境下的适应度函数。仿真试验表明,该方法克服了现有局部路径规划方法的高复杂性的缺点,算法操作简单、具有全局寻优能力、收敛速度快、鲁棒性好,可以满足机器人在复杂的未知动态环境下路径规划的实时性要求。 相似文献
15.
粒子群优化(PSO)粒子滤波算法比较而言,容易陷入局部最优,因此算法的准确度就会降低。本文在解决该问题时引入了一种基于鱼群的PSO粒子滤波算法。此算法是通过鱼群优化在采样过程中找到全局最优的相对位置,使其能够向全局最优的位置逐渐接近,同时提高估计有效的粒子数目,从而能够更有效的减少粒子退化与枯竭问题。实验表明,此算法与PSO粒子滤波算法相比,在估计准确度方面有了较大的提升。 相似文献
16.
17.
18.
交通流量预测是智能交通系统研究的重要组成部分。提出了一种粒子群(PSO)优化RBF神经网络的交通流量预测方法。该方法以误差能量函数为适应度函数,利用PSO算法对RBF神经网络参数进行优化,有效克服交通流量数据非周期性、非线性和随机性等问题。仿真实验结果证明比单纯用RBF预测模型精度高、收敛速度快,表明粒子群优化的RBF神经网络模型具有良好的应用价值。 相似文献
19.
20.
针对现有水资源配置模型存在的不精确问题,在现有水资源模型基础上增加了决策偏好系数和排放污染物种类以提高模型精确性,以吉林市水资源基础数据初始化水资源优化配置模型,针对目前对模型进行优化的粒子群算法易出现局部最优等情况,引入萤火虫算法对其进行改进,通过萤火虫趋向最优解的原理改善粒子群算法出现局部最优的情况,并加速其收敛速度。应用改进粒子群算法对模型进行优化求解,得出水资源优化配置方案,以满足经济效益、社会效益、生态环境效益的全面要求。 相似文献