群體智能優(yōu)化的計算模式和方法研究與應用.pdf

1、本文在給出群體智能優(yōu)化的總體模式和框架模型的基礎上，結合粒子群算法和蟻群算法的基本原理和算法流程，描述了兩種優(yōu)化算法的形式化模型。其中包括模式化描述需要的定義、模式化算法結構、模式化算法偽方程和模式化算法框圖。
　　 提出了對基本粒子群算法的改進方案，加入了動態(tài)變量區(qū)間和重新啟動策略，并用改進后的算法對典型函數(shù)尋優(yōu)?；谏窠?jīng)網(wǎng)絡對熱工系統(tǒng)復雜對象進行系統(tǒng)辨識，利用改進粒子群算法優(yōu)化其最佳延遲時間，提高了辨識精度和辨識效率。在熱工

2、系統(tǒng)的主蒸汽溫度控制系統(tǒng)中應用模糊控制和PID相結合的雙?？刂?，利用改進的粒子群算法優(yōu)化控制器參數(shù)，保證系統(tǒng)無靜態(tài)誤差的同時，縮短了調節(jié)時間、降低了超調量，提高了系統(tǒng)的魯棒性和抗干擾性。
　　 給出了兩種連續(xù)蟻群算法的模型，并分別應用到熱工控制系統(tǒng)PID控制器參數(shù)優(yōu)化和電力系統(tǒng)的經(jīng)濟負荷分配中。兩種模型對應兩種連續(xù)蟻群優(yōu)化空間的分配方案，同時針對基本蟻群算法中經(jīng)常遇到的收斂速度慢、收斂率低等缺陷，模型中加入了局部搜索以及變尺度混

3、沌搜索等機制。
　　 將改進粒子群算法和連續(xù)蟻群算法與模糊C均值聚類（FCM）算法融合，基于群智能優(yōu)化算法全局尋優(yōu)、快速收斂的特點，用群智能優(yōu)化代替FCM算法的基于梯度下降的迭代過程，提高了算法的全局搜索能力，避免其陷入局部極值。仿真結果表明這兩種融合算法的聚類效果優(yōu)于基本FCM算法。
　　 論文的主要創(chuàng)新點有：
　　 1．提出了一種改進的粒子群優(yōu)化算法，由優(yōu)秀粒子構成的子群對尋優(yōu)空間進行壓縮，同時引入了重新啟動