粒子群算法的改進及其在自抗擾控制器參數(shù)優(yōu)化中的應用.pdf

1、粒子群優(yōu)化算法是模擬鳥類覓食行為而發(fā)展起來的一種基于群體智能的隨機搜索方法，因其算法概念簡單、易于實現(xiàn)、收斂速度快等優(yōu)點，現(xiàn)已廣泛應用于眾多學科和工程領域。然而，粒子群算法本身也存在諸如收斂精度低、后期收斂速度慢及對復雜函數(shù)易出現(xiàn)早熟收斂等缺陷。因此，針對這些缺陷進行算法的改進研究具有重要的理論意義和應用價值。
　　針對粒子群算法求解復雜函數(shù)性能欠佳的問題，本文在分析其原理及改進原則的基礎上，為了擴大優(yōu)秀粒子之間的信息交流，先對標

2、準粒子群算法的速度迭代公式提出改進，以加快算法收斂速度；然后根據(jù)適應度方差和本次迭代最優(yōu)值來確定是否執(zhí)行重復搜索策略，以提高種群多樣性，從而抑制粒子陷入局部最優(yōu)；最后對全局最優(yōu)值進行小波學習，加強全局搜索能力，同時對當前最優(yōu)解進行局部精細搜索，以提高算法的收斂精度。12個標準函數(shù)測試結果表明，該改進算法收斂速度較快、求解精度高，避免了早熟收斂，優(yōu)化性能得到提高。
　　在標準粒子群算法框架的基礎上，本文提出了一種融合單純形的免疫粒子

3、群優(yōu)化算法(NMIPSO)。其基本思想是：在算法進化過程中融入基于云變異的免疫克隆選擇算子，以抑制粒子因陷入局部最優(yōu)而出現(xiàn)早熟收斂；算法后期引入經典搜索算法NM單純形法，以提高算法的收斂精度。典型的多峰函數(shù)測試結果表明，該算法能有效擺脫局部最優(yōu)解，準確搜索到多峰函數(shù)的多個全局極值點。
　　自抗擾控制器參數(shù)眾多難以調整，制約了這一優(yōu)良控制器的廣泛工程應用。為此，本文將NMIPSO應用到自抗擾控制器參數(shù)優(yōu)化整定中，參考ITAE性能指標