粒子群优化(PSO)算法是一种新兴的群体智能优化技术,由于其原理简单、参数少、效果好等优点已经广泛应用于求解各类复杂优化问题.而影响该算法收敛速度和精度的2个主要因素是粒子个体极值与全局极值的更新方式.通过分析粒子的飞行轨迹...粒子群优化(PSO)算法是一种新兴的群体智能优化技术,由于其原理简单、参数少、效果好等优点已经广泛应用于求解各类复杂优化问题.而影响该算法收敛速度和精度的2个主要因素是粒子个体极值与全局极值的更新方式.通过分析粒子的飞行轨迹和引入广义中心粒子和狭义中心粒子,提出双中心粒子群优化(double center particle swarm optimization,DCPSO)算法,在不增加算法复杂度条件下对粒子的个体极值和全局极值更新方式进行更新,从而改善了算法的收敛速度和精度.采用Rosenbrock和Rastrigrin等6个经典测试函数,按照固定迭达次数和固定时间长度运行2种方式进行测试,验证了新算法的可行性和有效性.展开更多
针对人工鱼群算法的寻优速度慢,后期收敛性差等缺陷提出了一种并行运行方式的改进人工鱼群算法(Improvement Artificial Fish Swarm Algorithm,IAFSA)。进而应用IAFSA算法对BP神经网络初始权值进行寻优,以解决BP网络初始权值选取困难且...针对人工鱼群算法的寻优速度慢,后期收敛性差等缺陷提出了一种并行运行方式的改进人工鱼群算法(Improvement Artificial Fish Swarm Algorithm,IAFSA)。进而应用IAFSA算法对BP神经网络初始权值进行寻优,以解决BP网络初始权值选取困难且优化过程中容易陷入局部极值的问题。最后,将IAFSA-BP网络混合算法应用于PID参数的优化,从而克服了PID控制参数难以整定的难题。通过仿真实验,结果表明:改进的人工鱼群算法寻优速度更快,优化值更加合理。应用IAFSA-BP混合算法得到的PID控制参数使得系统响应更快,稳态误差更小,系统性能得到提升。展开更多
文摘粒子群优化(PSO)算法是一种新兴的群体智能优化技术,由于其原理简单、参数少、效果好等优点已经广泛应用于求解各类复杂优化问题.而影响该算法收敛速度和精度的2个主要因素是粒子个体极值与全局极值的更新方式.通过分析粒子的飞行轨迹和引入广义中心粒子和狭义中心粒子,提出双中心粒子群优化(double center particle swarm optimization,DCPSO)算法,在不增加算法复杂度条件下对粒子的个体极值和全局极值更新方式进行更新,从而改善了算法的收敛速度和精度.采用Rosenbrock和Rastrigrin等6个经典测试函数,按照固定迭达次数和固定时间长度运行2种方式进行测试,验证了新算法的可行性和有效性.
文摘针对人工鱼群算法的寻优速度慢,后期收敛性差等缺陷提出了一种并行运行方式的改进人工鱼群算法(Improvement Artificial Fish Swarm Algorithm,IAFSA)。进而应用IAFSA算法对BP神经网络初始权值进行寻优,以解决BP网络初始权值选取困难且优化过程中容易陷入局部极值的问题。最后,将IAFSA-BP网络混合算法应用于PID参数的优化,从而克服了PID控制参数难以整定的难题。通过仿真实验,结果表明:改进的人工鱼群算法寻优速度更快,优化值更加合理。应用IAFSA-BP混合算法得到的PID控制参数使得系统响应更快,稳态误差更小,系统性能得到提升。
