论文部分内容阅读
粒子群优化算法作为一种群体智能算法,利用群体的优势为寻找复杂问题的解决方案提供了新的思路,所以研究和掌握其特性与规律,是一个具有理论和应用两个方面重要意义的课题,同时对其应用领域的拓展也有重要的现实意义。本文利用控制方法和思想,从算法的收敛性、改进与应用等方面对其展开研究,具体内容如下：(1)粒子群算法的介绍。本文阐述了粒子群优化算法的基本原理和算法流程,全面综述粒子群算法的改进与应用研究现状,并从多方面比较粒子群优化算法与其它进化算法的异同。(2)粒子群算法的收敛性分析。本文在详细介绍两种典型的微粒收敛轨迹分析方法的基础上,应用信号流图与朱利稳定判据在pbest与gbest均动态变化的条件下对粒子群算法进行了收敛性分析,并得到了更为合理的算法收敛参数取值范围,仿真结果证明了本文收敛性分析结论的合理性。(3)基于模糊PID控制器的粒子群算法。由粒子群算法的差分模型可将基本粒子群算法视为一双输入单输出的反馈系统。在此基础上,本文提出将控制理论中的模糊PID控制器与粒子群算法相结合的混合算法——模糊PID-PSO算法。数值仿真结果表明,模糊PID-PSO有效地平衡了算法的局部开掘能力和全局开拓能力,验证了方法的有效性。将模糊PID-PSO应用于Anderson系统的电力系统稳定器(PSS)参数优化问题中,特征值分析表明,经过模糊PID-PSO算法优化参数后得到的PSS显著提高了系统的稳定性。(4)基于多样性反馈的粒子群算法。多样性是影响粒子群算法全局优化性能的关键因素,据此,本文建立了新的多样性评价体系与量化方法,并将反馈控制机制引入粒子群算法,提出了一种基于多样性反馈的改进粒子群算法(DPSO)。数值试验结果表明,DPSO算法具有较好的全局收敛性能。将DPSO算法应用于高维新英格兰系统的PSS参数优化问题中,进一步验证了方法的有效性。