针对Stewart平台的奇异性分析，以雅可比矩阵行列式为目标函数，将奇异性分析问题转化为在并联机构可达工作空间内的连续优化问题。通过对基本蚁群算法中的全局搜索、局部搜索以及信息素更新规则等环节进行有效的调整，构成了更加适用于连续优化问题求解的改进蚁群算法。采用该算法进行了Stewart平台的奇异性分析，结果证实了改进蚁群算法具有较好的全局优化能力和较快的收敛速度，从而为解决并联机构奇异性分析这一类问题提供了有价值的参考。
2023-03-12 00:15:54
301KB
1
粒子群算法解决TSP问题的关键在于全局最优值的定义和本次种群最优值的定义，本算例通过对点的位置进行最优值的定义，每次迭代各个点以概率的形式朝着全局最优和本次最优靠近。程序可直接运行，有部分程序说明。
2023-03-10 21:07:12
4KB
1
运用粒子群算法实现对几种测试函数最优解的搜寻，可对算法进行改进，提升算法的寻优性能。
粒子群算法几种改进方法：
1.权重改进：非线性权重、自适应权重等。
2.学习因子：学子因子动态调整
3.速度更新改进
4.加入新算子等等。
2023-03-06 15:43:26
752KB
1
通过研究电力负荷预测中支持向量机的参数优化问题，将改进后新的粒子群算法导入支持向量机参数中，从而建立一种新的电力负荷预测模型（IPSO-SVM）。首先将支持向量机参数编码为粒子初始位置向量，然后通过对粒子个体之间信息交流、协作的分析找到支持向量机的最优参数，并针对标准粒子群算法的缺陷进行一定的改进，从而应用于电力负荷的建模与预测，最后通过仿真对比实验来测试它的性能。实验结果表明，这种新的电力负荷预测模型能够获得较高精度的电力负荷预测结果，大大减少了训练时间，能够满足电力负荷在线预测要求。
2023-03-02 19:43:10
1.31MB
1
%%清空环境?
clear all;
clc;
%%参数设置?
w=0.6;%惯性因子?
c1=2;%加速常数
c2=2;%加速常数?
Dim=3;%维数
SwarmSize=50;%粒子群规模?
ObjFun=@PIDcl;%待优化函数句柄?
MaxIter=100;%最大迭代次数?
MinFit=-Inf;%最小适应值
Vmax=1;
Vmin=-1;
Ub=[10 10 10];
Lb=[0 0 0];
%%粒子群初始化?
Range=ones(SwarmSize,1)*(Ub-Lb);
Swarm=rand(SwarmSize,Dim).*Range+ones(SwarmSize,1)*Lb;%初始化粒子群
VStep=rand(SwarmSize,Dim)*(Vmax-Vmin)+Vmin;%初始化速度
fSwarm=zeros(SwarmSize,1);
for i=1:SwarmSize
fSwarm(i,:)=feval(ObjFun,Swarm(i,:));%粒子群的适应值计算
end
%%个体极值和群体极值
[bestfbestindex]=min(fSwarm);
zbest=Swarm(bestindex,:);%全局最佳
gbest=Swarm;%个体最佳
fgbest=fSwarm;%个体最佳适应值
fzbest=bestf;%全局最佳适应值
%%迭代寻优
iter=0;
y_fitness=zeros(1,MaxIter);%预先产生4个空矩阵?
K_p=zeros(1,MaxIter);
K_i=zeros(1,MaxIter);
K_d=zeros(1,MaxIter);
while ((iterMinFit))
for j=1:SwarmSize
%速度更新
VStep(j,:)=w*VStep(j,:)+c1*rand*(gbest(j,:)-Swarm(j,:))+c2*rand*(zbest-Swarm(j,:));
if VStep(j,:)>Vmax,VStep(j,:)=Vmax;
end
if VStep(j,:)Ub(k),Swarm(j,k)=Ub(k);
end
if Swarm(j,k)
2023-03-02 19:29:21
1.83MB