粒子群算法应用

粒子群算法应用一、粒子群算法（PSO）中的BPSO算法在背包问题中的应用应用二进制粒子群算法解决背包问题的关键是如何编码。这里用x,表示第i个粒子的位置值,每一个粒子位置x,表示成背包问题的一个解。xi=[x,1,xi2,…,xinl,n表示粒子的维数,在背包问题中代表物品数量。ijx的值表示第i粒子是否选择物品j,其取值为o和1。算法过程描述:stePI:初始粒子群:采用二进制编码表示背包问题的候选解,按随机产生n个粒子;随机产生速度;steP2:计算每个粒子的适应值:计算每一个粒子的目标函数值;steP3:更新个体最优值及全群最优:与现有各粒子的目标函数作比较更新个体最优和全局最优;SteP4:计算速度:对每个粒子的每位计算其速度;steP5:产生新的粒子群:steP6:若迭代条件满足,再输出全局最优粒子的目标值。否则转入Ste2。二、意识选择异步粒子群算法在船舶自动舵中应用随着船舶航行及海上作业的发展,人们对船舶航向控制器性能的要求不断提高。船舶动态具有大惯性、大时滞、非线性等特性;载重量、航速等航行工况变化会引起模型参数摄动和结构摄动,从而产生不确定性;量测传感器噪声造成有关信息的不精确性;航行环境干扰严重(风引起偏置力和类似随机游走过程的附加动力,浪造成船舷向及其它自由度上的附加高频振动,流产生船位的动力学偏离等)。由于上述因素的存在,使得船舶操纵构成一个极端复杂的控制问题。船舶航向控制是一个既古老而又现代的研究课题。从发明磁罗经后,国内外学者就开始研究船舶自动控制及其系统的稳定性。至今,船舶航向控制仍然是活跃的研究方向之一。早期的控制方法为Bang一Bang控制、PID控制,后为自适应控制、最优控制、鲁棒控制、非线性控制,直到现在研究的智能控制。目前,最常用的航向控制装置为数字PID自动舵,但这种PID自动舵对高频干扰过于敏感,从而引起频繁操舵。而且,由于船舶航向控制系统的复杂性和工作环境的随机性,很难建立其精确的数学模型。因此,传统PID自动舵很难取得良好的控制效果。为此人们找寻新的灵感去设计和改良P工D自动舵。免疫系统是一种高度进化的生物信息处理系统,能够识别和消除病原体,具有学习、记忆和识别能力.免疫的反馈机制可同时执行两个不协调的任务:快速应答外来的抗原和很快地稳定该免疫系统。免疫系统的总目标是使生物体在抗原和大抗体浓度下受到的总伤害最小,而在控制系统的动态调节过程中,也要求在保证系统稳定性的前提下能快速消除偏差,这与免疫系统的目标一致。因此,借鉴自然免疫系统的自适应自组织的特性,发展起来的免疫反馈算法也必然适用于控制系统。有研究成果表明:该算法在大量干扰和不确定性的环境中都具有很强的鲁棒性和自适应性。目前国内外研究对象基本集中在温度控制等大时滞对象上,还未见关于免疫反馈控制机理在船舶航向控制中的应用研究。为提高船舶航向控制的快速性和鲁棒性,基于传统的PID控制器的特点,将改进的粒子群算法与模糊控制和免疫反馈机理相结合,设计了基于改进粒子群算法的免疫P功船舶自动舵控制器。三、空间压缩多种群粒子群算法在船舶消磁中应用目前大型海军舰船和潜艇一般加装消磁系统,以消除和抵消舰船磁场,减少被磁性水雷或磁性鱼雷攻击的可能性。对于潜艇来说,消磁技术还是潜艇隐身技术的重要组成部分。现在建造的大型舰船与以往相比,吨位、总体尺度、所含铁磁物质的体积、重量都有较大幅度的增加,致使其磁场量值增大,磁场分布情况更加复杂,给消磁系统的设计、施工及调整增加了难度。目前,一种有效途径的解决就是采用分区消磁技术方案。一个完整的消磁系统按功能可以划分为:磁场检测部分、消磁电源和变能装置部分以及消磁电流决策部分。这里将基于空间压缩的多种群PSO粒子群算法引入用于制定消磁电流决策。并根据某舰船实测数据与多种方法进行了对比。结果表明,这种方法可以加快消磁优化决策速度和质量,在船舶消磁线圈系统的优化调整工作中起到很好的效果。四、均匀设计粒子群算法在船舶电力系统重构中应用船舶电力系统网络重构是船舶工程领域的一个新热点,尤其是军事船舶领域,它已被视为未来高性能战舰的重要支撑技术之一。由于发展时间还不长,目前还处于不断的探索阶段。SPS网络重构是一个NP难的组合优化问题,现在通常采用各种启发式算法、随机优化方法来规避穷举搜索。但由于军舰对恢复决策时间上的要求,使得在实际工程中不能通过多次计算来规避随机算法搜索质量和搜索速度的随机性。可以将基于均匀设计的粒子群算法引入来解决这一问题。基于BUD一PSO算法的SPS网络重构实现：.优化问题编码.适应度函数.基于均匀设计的粒子群方法的适应性改造.种群的生成方法.算法的迭代停止条件.个体拓扑映射.个体可恢复判断BUD一PSO算法用于SPs重构具体步骤：1.种群初始化:根据故障提取信息得到压缩的搜索空间,在新空间内利用均匀设计表随机足够数量的粒子,进行离散编码。根据船舶电力系统的特点,将不合理个体淘汰,剩余的粒子作为初始种群,设进化代数T=0。2.个体评价:根据每个粒子离散编码,将其映射成系统的特定网络拓扑结构,然后修改关联矩阵,调用改进节点电势法进行系统计算,根据线路及发电机的容量限制,判断容量约束条件是否满足,若满足,则个体能够恢复。对能恢复的个体,计算各级负载恢复的电量及开关操作数量。根据每个个体的恢复量,计算个体的适应值。3.得到几bestp和bestg,:对能恢复的个体进行排序,将具有最高适应值的粒子作为夙。,。若两个粒子适应值同样高,则具有最少开关操作数目的个体作为种群最佳个体。4.终止条件判断:若迭代代数已达到算法终止条件,则输出种群最佳bestg,终止计算;否则,T+1T,转入步骤5。5.根据粒子速度和位移公式,生成新种群。6.检验速度和位移是否越限,若越限则进行修改。-6.对粒子的新位置进行离散编码。7.再次进行个体评价,并得到新的bestp和bestg。8.跳转到步骤4。粒子群改进的应用一、用粒子群改进复形法求解非线性方程组复形法的每一步都去寻找一较好点取代最差点,但未必总能找到,在找不到时只能剔除最差点,这将导致种群的个数逐渐变少,可能影响算法运行;另外复形法每一步只更换一个点,这也将影响算法的寻优速率。本节拟用粒子群算法的群体搜索改进复形法,充分发挥两种算法的优点,同时综合几何分点、优化度等原理,在更有利于最优搜索的基础上提出粒子群复形法(MCPSO)。二、混沌粒子群算法求解非线性方程组PSO算法本身不具备获取目标函数的全局信息能力,因此在目标函数提供关于最优值信息比较少的情况下,算法易陷局部极值。为此对其拟引入混沌机制,增强算法的全局搜索能力,使每个粒子不仅在个体极值与群体极值的引领下调整自身的位置,同时还将作混沌运动,以致粒子群尽量遍历整个搜索区域,从中获取全局信息,并用以逐代改进个体极值与群体极值。称此算法为混沌粒子群(chaosParticleswarmoPtimiZation,CPSO)。三、分块通近的粒子群算法求解旅行商动态规划方法(d”amicprog艺mnling)是求解优化问题的一种经典确定算法,该方法是基于最优性原理与无后效性而提出的用于求解多阶段决策过程的算法.最优性原理为:最优决策的任何截断仍是最优的;无后效性为:在任何阶段处的截断,后面阶段所作的决策只与该阶段的初态有关,而与其他无关.动态规划方法通过最优性原理与无后效性,把优化的问题进行阶段分解,从而起到把复杂的问题简单化,使计算量大为减少。粒子群优化算法是一种交叉互动的平行搜索算法,是一种企图寻找全局极值的有益尝试。但在求解高维函数的优化问题时,由于各维变量之间的相互制约,所以粒子群算法在求解这类问题时存在不足,而由数值测试结果显示其对维数较低时确实非常有效。动态规划方法的求解过程是把复杂问题逐一分解为较简单的问题,最后得到问题的解,正因这一特点,若将此特点与粒子群算法特性相结合,则必将能改进粒子群算法的优化性能.我们采用固定其中一部分变量,而改变其余一部分变量:即相当于对变量进行分块,利用分块进行逼近被优化函数的最优解,从而把高维优化问题转换为低维优化问题,求其条件优化解,然后再固定另外一部分,以求另一组条件优解。然后利用这些信息进行全面的优化。四、粒子群复形法求解旅行商问题