惯性权重

摘要： 针对现有风速预测精度不高等问题,选择一种组合核函数的支持向量机回归模型(SVR),根据粒子的适应度动态自适应地调节算法中惯性权重取值的改进粒子群优化算法优化模型参数,建立基于改进PSO-SVR的短期风速预测模型,通过实例研究验证该方法的有效性与实用性。

摘要： 针对海鸥算法(SOA)在求解最优化问题中的不足和算法性能依赖于参数的选取等缺点,提出一种基于惯性权重的海鸥优化算法(Inertia Seagull optimization algorithm, I-SOA),采用非线性递减的惯性权重计算附加变量A的值来调整的海鸥的位置,通过莱维飞行和随机指数值增加海鸥飞行的随机性,增强算法搜索寻优的全局能力,避免算法寻优搜索陷入局部优值;通过12个基准测试函数将I-SOA与标准PSO,SOA,GA算法进行测试比较.实验对比结果表明,所提出的I-SOA优化算法具有较快的收敛速度、较高的求解精度和全局收敛能力.

摘要： 为解决欠驱动自主式水下航行器的定深控制问题,建立欠驱动自主式水下航行器的数学模型,选用经典的PID控制器对其进行控制。为使控制器的各项性能指标良好,控制器的参数整定选用粒子群优化算法。粒子群算法在迭代过程中容易出现粒子早熟现象,为了避免这一现象,本文引入指数函数,对粒子群迭代公式的惯性权重进行动态调整,延长了粒子的大范围搜索时间。在Matlab 2019b环境下进行仿真,通过纵向对比,证明了改进算法的可行性,将改进后的算法与ZN整定算法进行对比,结果表明,改进粒子群算法表现更佳。

摘要： 在建筑暖通空调系统能耗预测中,在不同负荷比率的作用下预测偏差较高,可靠性需要进一步提高。为此,提出了基于IPSO-Elman神经网络的建筑暖通空调系统能耗预测方法。从正在运行的暖通空调系统中,提取能耗数据,在获得完整的能耗数据后,根据能耗数据的动态变化特点,计算IPSO-Elman神经网络的惯性权重和学习因子,将能耗数据输入到神经网络中,经过多次迭代处理后输出预测结果。实验结果表明所提方法在制冷/热量预测和总耗功率预测时,获得的预测结果准确可靠,提高了预测方法的可靠性。

摘要： 为了更有效地求解0-1背包问题,在基本Jaya算法特点的基础上,提出一种带惯性权重的Jaya算法.算法在二进制编码后采用贪心策略对不可行解修复同时优化可行解,并引入线性递减的惯性权重来平衡迭代过程中全局搜索和局部搜索的关系,在算法迭代初期增强全局搜索的能力,在迭代后期提高搜索的精度.仿真实验表明,提出算法与其他三种算法相比在求解0-1背包问题上具有更好的寻优效果.

摘要： 针对标准WOA算法初始种群分布不均、收敛速度较慢、全局搜索能力弱且易陷入局部最优等问题,提出一种混合策略改进的鲸鱼优化算法。采用Sobol序列初始化种群以使初始解在解空间分布更均匀;通过非线性时变因子和惯性权重平衡并提高全局搜索及局部开发能力,并结合随机性学习策略增加迭代过程中种群的多样性;引入柯西变异提升算法跳出局部最优的能力。通过对12个基准函数和一个水资源需求预测模型的参数估计进行优化实验,结果表明,基于混合策略改进的鲸鱼优化算法在寻优精度及收敛速度上均有明显提升。

摘要： 针对樽海鞘群算法(Salp Swarm Algorithm, SSA)求解精度不足、容易早熟收敛的缺点,提出了一种多策略协同作用的改进樽海鞘群算法(MSSSA)。在领导者位置更新公式中引入指数衰减因子,改善算法的全局收敛速度;在跟随者位置更新公式中引入随机惯性权重算子,以协调并增强算法的局部开采和全局勘探能力;通过加权方式产生潜在食物源,并根据贪婪准则在当前食物源和潜在食物源中保留较优食物源,引导樽海鞘个体向最优解空间运动。采用7个基准函数进行仿真,同时使用Friedman排名检验评价所提算法的性能,测试结果表明,改进算法的寻优精度和收敛速度明显优于标准樽海鞘群算法和多种改进的樽海鞘群算法。

摘要： 针对标准鲸鱼优化算法收敛速度慢、易陷入局部最优等问题,提出一种基于混沌收敛因子和惯性权重的改进鲸鱼优化算法(CWOA)。首先采用均匀化与随机化相结合的方式获取初始种群,以提高种群的多样性进而有效提升算法的收敛速度;然后利用混沌收敛因子和惯性权重非线性协同更新策略来平衡算法的全局探索和局部开发能力;最后对寻优过程中的每代最优个体进行多项式变异,提高跳出局部最优的概率。通过12个标准测试函数来检验改进策略的有效性和算法的寻优性能,通过机械臂末端位置优化问题来检验算法的实际应用效果,并与其他几种群智能优化算法进行了对比。结果表明,CWOA在寻优精度、收敛速度和鲁棒性方面均有明显优势。

摘要： 为了探索出更好解决机器人路径规划问题的方法,提出一种差异演化的寄生樽海鞘群算法.首先在领导者位置更新公式中加入对应的上一代领导者位置信息,加强全局搜索的充分性,同时引入自适应惯性权重,更好平衡领导者在不同进化阶段对于广度和深度搜索的不同需求,提高寻优精度.然后在算法结构中引入具有不同演化策略和寄生行为机制的寄生-宿主双种群及宿主群劣汰思想,增加种群的多样性,提高算法跳出局部极值的能力.理论分析证明了改进算法的时间复杂度与基本算法相同,6种对比算法在10个不同特征的标准测试函数上进行仿真对比测试,实验结果表明:该算法的寻优精度、收敛性能均有显著提高和改善.最后将改进算法与三次埃尔米特插值相结合,以路径上的节点组合为基础定义算法中个体位置的编码方式,以绕开障碍、最短路径为目标构造了适应度函数和约束条件,求解机器人路径规划问题.在不同复杂程度的障碍物场景和不同插值方法下进行的算例求解结果显示,该算法寻优结果的最佳值、平均值和方差整体上明显优于其他5种性能优越的代表性对比算法,也验证了融合埃尔米特插值方法对于求解机器人路径规划问题的优越性和有效性.

摘要： 路径规划问题的求解具有理论与实际应用价值.为寻到最短路径,解决传统算法存在收敛速度不快,寻优精度不高和全局最优值易陷入局部最优解区域的问题,提出一种基于扰动因子和自适应惯性权重的改进樽海鞘群算法(DISSA).首先,在领导者位置更新阶段添加扰动因子,扩大搜索范围来提高局部搜索能力,引导个体探索其他位置,以增加种群的多样性.其次,利用上一代的最优位置来代替上一代前一个体的位置对跟随者的位置更新进行改进,以解决跟随者盲目跟从的问题,并进一步加强算法的局部搜索能力.再次,在改进的跟随者位置更新阶段,引入负双曲正切函数控制的惯性权重来平衡算法的全局搜索和局部搜索能力.选取12个基准测试函数进行仿真实验,对比樽海鞘群算法(SSA)、粒子群算法(PSO)、蚁狮优化算法(ALO)和乌燕欧优化算法(STOA),实验结果表明,所提算法能够有效加快收敛速度,提高寻优精度.最后,将改进算法应用于路径规划问题中,结果证明了该算法较其他算法所寻路径更优.

摘要： 针对标准粒子群优化算法的惯性权重,本文在正切函数惯性权重(TW)和反正切函数惯性权重(ATW)的基础上提出了一种改进方法,使得改进后的惯性权重能够较好实现全局搜索和局部搜索之间的平衡.通过四个标准测试函数对改进前后的PSO性能进行对比,分别分析其平均最优值和标准差,可以清楚的得出改进方法的平均最优值和标准差都比改进前的小,说明改进后的方法具有更好的收敛精度和鲁棒性.比如,对于Griewank多峰函数,TW-ATW方法的平均最优值比TW方法小0.0012,比ATW方法小0.0033,TW-ATW方法的标准差比TW方法小0.0004,比ATW方法小0.0018.通过仿真实验表明改进方法相比改进前具有较快的收敛速度.

摘要： 针对标准粒子群算法在进化过程中搜索空间变小使得种群多样性降低而早熟的问题，提出了一种以种群粒子平均历代最优位置与种群最优位置之间的距离来动态改变惯性权重的粒子群算法。该算法能平衡粒子的全局探索和局部开发能力，避免粒子搜索空间过早变小使得种群多样性下降而出现早熟。通过对4个标准测试函数的仿真实验并与标准粒子群算法相比较，结果表明该算法对于多峰函数优化问题在平均最优值和成功率上都有所改善。

摘要： 为克服粒子群优化算法(Particle Swarm Optimization,PSO)存在的缺陷,提出基于Logistic映射的自适应变尺度混沌粒子群优化算法(Adaptive Chaos PSO,ACPSO).采用混沌方法对粒子进行初始化;根据不同状态下粒子适应值的大小对惯性权重采取不同的调整方法;异步变化的学习因子使粒子随着迭代步数的增加,避免粒子发生早熟收敛现象;当粒子陷入局部最优时,对部分较优粒子采用变尺度混沌局部优化策略.为了检验算法的有效性,将该算法与3种有代表性的算法进行比较,结果表明该算法收敛速度快,求解精度高.

摘要： 配电网重构是确保电力系统安全、稳定、可靠运行的有效方法之一.文中提出了一种结合均匀变异与惯性权重的改进的二进制粒子群算法并用于配电网重构.首先,根据粒子群算法自身特点优化其参数,使惯性权重随迭代次数增加而减小,并引入遗传算法的均匀变异算子,使算法寻优效果更佳.最后,以降低配电网络有功网损为目标,通过IEEE33节点算例比较改进前后的粒子群算法的性能,证明了算法的实用性.

摘要： 热连轧厚度控制一向是权衡板带钢质量的重要因素,是一类非线性、时变性、大时滞的典型对象.常规的串级PID厚度控制系统在干扰大、工矿发生变化时,很难到达理想状态.正是由于这种问题的普遍存在性,本文构造了一种调节惯性权重的自适应混沌粒子群算法,即基于已知的早熟收敛程度和个体本身的适应值的新方法,充分利用混沌优化与粒子群优化的搜索特征,训练神经网络的权值阈值,解决了BP神经网络收敛速度慢和易陷入局部极值的问题,从而实现了对热连轧厚度控制的精度,仿真结果表明与传统PID控制相比较,该算法不仅提高了误差精度,同时也加快了训练收敛的速度,该控制方法稳定可行.

摘要： 人工蜂群算法是一种模拟蜜蜂群智能搜索行为的随机优化算法,已成功用于解决许多优化问题.针对基本人工蜂群算法存在收敛速度和局部寻优方面的缺点,提出了一种具有平衡能力的改进算法.算法中,在观察蜂阶段(onlooker bees),引入惯性权重,使用随着迭代次数动态变化的惯性权重,子来平衡种群的局部搜索和全局探测能力,防止算法陷入局部最优和加快寻优速度;在侦察蜂阶段(scout bees),利用正弦函数搜索操作,正弦函数服从均匀分布,能很好地搜索全部范围,以提高种群多样性.通过对5个基准测试函数进行仿真实验并与原算法进行比较,其结果表明改进的算法在收敛速度和搜索精度上基本优于人工蜂群算法.

摘要： 针对大多盲源分离算法全局收敛性能不理想,收敛速度慢的缺陷,借鉴自适应粒子群算法的思想,利用云模型中云滴的随机性和稳定倾向性特点,提出一种云理论的自适应粒子群(CAPSO)盲源分离算法,以分离信号的峭度为目标函数,用自适应调整策略把粒子群分为三个子群,根据云方法修改普通子群的惯性权重,使惯性权重随着适应度值自适应调整.仿真结果表明,改进算法能完成含噪信号分离,并且有效地避免了早熟收敛,较基本PSO提高了全局搜索能力和收敛速度,分离效果好.

摘要： 把粒子群算法中4种惯性权重、2种学习因子和2种拓扑结构组合构成16种不同的粒子群算法，并用于对5个求全局极小值非线性函数和5个求全局极大值非线性函数的求解。结果表明：线性递减权重W-固定学习因子-Lbest拓扑结构(即Alg6)和非线性递减权重w-固定学习因子-Lbest拓扑结构(即Alg10)在求解误差上比其他算法小;在参数的组合中，Lbest拓扑结构比Gbest拓扑结构误差小;在参数的组合中，固定学习因子比变化的学习因子误差小;在参数的组合中，线性递减和非线性递减惯性权重比固定和随机惯性权重的误差小。

摘要： 本文在Markowitz的“均值一方差”投资组合优化模型中加入交易费用、不允许卖空和投资者原有持股比例等约束条件，构造一种改进“均值一方差”模型。通过分析PSO算法中惯性权重的作用，提出了基于正切函数改进惯性权重的PSO算法(PSO-TANW)，最后运用改进PSO算法和标准PSO算法求解新的投资组合优化模型。实验结果证明了改进PSO算法可以高效、合理地求解投资组合优化模型。

摘要： 提出了一种新的基于自适应变异的动态粒子群优化算法.该算法除了采用动态惯性权重外,还引入了自适应学习因子和新的变异算子.该算法在运行过程中,根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,采用新的变异算子变异增强了该算法跳出局部最优解的能力.对几种典型函数的测试结果表明:新算法具有很强的全局搜索能力,收敛速度和收敛精度也有所提高,并且能有效避免早熟收敛问题.

摘要： 本发明涉及一种冗余惯性测量单元数据融合最优权重估计方法。将惯性测量单元先后六个面朝上放置于大理石平台上，采集各个位置陀螺仪和加速度计数据。利用加权最小二乘法对陀螺仪和加速度计数据进行数据融合将其转换为惯性测量单元坐标系下等效三轴的测量信息，并根据大理石平台天向角速率和加速度恒定的特点，构建关于加权最小二乘权重的非线性方程组。设计约束型果蝇优化算法估计非线性方程组的最小二范数，得到陀螺仪和加速度计加权最小二乘的最优权重。该发明可对冗余惯性测量单元数据融合最优权重进行估计，利用此权重进行数据融合可有效提高冗余惯性测量单元测量精度。本发明属于惯性导航技术领域，可应用于冗余惯性测量单元数据融合。

摘要： 一种惯性权重余弦调整粒子群优化算法的PID参数整定方法，涉及粒子群算法技术领域，包括以下步骤：（1）种群初始化操作；（2）将粒子群个体解码为比例Kp、积分Ki和微分Kd；（3）运行simulink模型，选取误差绝对值乘时间积分ITAE准则作为算法的适应度函数；（4）根据适应度值函数计算初始化群体的适应度值，并得到个体极值pBest和全局极值gBest；（5）根据惯性权重余弦调整公式对惯性权重进行动态调整，并根据进化迭代公式计算速度和位置从而得到新一代的粒子群；（6）由ITAE准则计算更新后的粒子群个体的适应度值；（7）若达到最大迭代次数或精度最小值的终止条件，则进入步骤（8），若未达到终止条件则进入步骤（5）；（8）结束，得到全局最优值。

摘要： 本发明公开了一种基于反馈调整惯性权重的粒子群北斗卫星选择方法，其步骤包括：首先计算出北斗可视卫星的方位角和高度角，得到选择n颗卫星的状态矩阵，并将GDOP值作为卫星选择的目标函数；然后利用一种反馈调整惯性权重的离散粒子群算法搜索能使目标函数值达到最小的卫星组合，在算法的惯性权重中设计的反馈调整机制可以提高算法的收敛速度，快速求解出全局最优解。本发明将改进型离散粒子群算法应用于北斗卫星选择，有效提高了北斗卫星选择的质量和效率，具有广阔的应用前景。

摘要： 本发明公开了一种基于振荡式惯性权重的离散粒子群调度算法，包括如下步骤：S1，对粒子群中每个粒子的参数进行初始化；S2，计算每个粒子的完工时间，并找出全局最优解gbest和个体最优解pbest；S3，对每个粒子的速度和位置进行更新：S4，判断是否达到迭代次数，若达到迭代次数，则终止并输出结果；若未达到迭代次数，则循环进入步骤S2。本发明通过振荡式惯性权重的离散粒子群调度算法大幅度缩短了云计算中的任务调度的时间，提高了对用户请求的反馈速度，提升了云平台的服务质量。

摘要： 本发明属于无线通信技术领域，公开了一种混沌扰动与自适应惯性权重的粒子群优化方法，种群初始化；随机生成每个粒子的位置X、速度V；利用适应值函数fitness计算当前所有粒子的适应值，初始化每个粒子的局部最优解pbest和群体的全局最优解gbest；排序所有粒子并进行混沌扰动操作；进行基于自适应惯性权重的迭代操作。本发明的混沌扰动操作扩大了粒子的搜索范围，之后对比了扰动前后的适应值，选取最优的部分进入下一步，提高了算法的收敛速度。自适应的惯性权重在前期保持较大值可以提升全局搜索能力，后期保持较小值可以提升局部搜索能力，总体上提高寻优精度。

摘要： 本发明公开了一种基于动态惯性权重和多阈值重启条件的改进粒子群MPPT算法，涉及光伏发电技术领域。本发明以粒子与最优解的距离、迭代次数为变量动态解算惯性权重值，相较于固定惯性权重或者权重分段取值法，具有收敛速度快、振荡幅度小的优点，达到根据搜索情况动态调整迭代过程的目的；本发明针对复杂多变的外界环境，设立多阈值重启条件，与常规的定周期扫描法相比，避免了不必要的电压全范围扫描，以及定周期扫描法造成的系统频繁振荡、功率损耗增加、因周期固定导致的跟踪滞后等问题，并且与使用功率变化进行判断的单一条件相比，可以更准确地识别外界环境变化，避免因判断条件单一造成监测失效，导致系统无法正常重启。

摘要： 本发明公开了一种基于改进自适应惯性权重的主动配电网电压控制方法，其步骤包括：1、获取分布式电源的特征参数，对获得的数据进行预处理；2、构建邻接矩阵和无向图模型；3、采用STGCN进行训练确定分区方案；4、在分区方案的基础上设定有源配电系统中以电压偏差和网络损耗最小为目标函数；5、确定约束条件；6、采用自适应惯性权重改进的粒子群优化算法方法进行电压控制的寻优。本发明无需额外获取冗杂的配电网参数即可实现孤岛分区任务，从而能实现电网网损和电压偏差最小的优化控制目标，并能提高电压质量。

摘要： 随机惯性权重粒子群优化方法，包括：通过简化粒子群优化方程和添加极值影响算子，使粒子的个体极值和全局极值在迭代过程中以不同程度的作用来更新粒子位置，以及加入中心位更新的粒子位置两种策略。通过和其它3种优化算法在6个典型基准函数的仿真测试结果表明：本发明算法具有更好的全局收敛能力，且收敛精度、稳定性都有明显的提升。

摘要： 本发明提出了一种基于调整PSO惯性权重的母线短期负荷预测方法及装置，包括：S100：构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；S200：将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；S300：评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复S200；S400：若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。结合BP神经网络的训练效果对惯性权重进行合理的优化，提高了BP神经网络的预测精度。

摘要： 本发明电力系统技术领域，具体地而言为一种基于带惯性权重粒子群算法的安全约束最优潮流计算方法，采用快速分解法、带有惯性权重的粒子群算法以及约束缩减，对电力网络在常见故障下的安全运行进行计算。考虑电力网络中线路短时过载能力这一因素，结合惩罚函数思想，对带安全约束最优潮流模型中拟加入的故障状态约束条件进行缩减，减小问题规模以缩短计算时间。该方法应用到IEEE‑14节点和IEEE‑30节点模型中，并对潮流优化结果进行分析，观察结果对比得到该方法的优越性，优化后系统发电所需燃料费用最少且无功出力合理，系统的经济性以及安全性得到明显改善，电压水平等满足稳定运行要求。