学位论文 > 优秀研究生学位论文题录展示

基于控制方法的粒子群算法改进及应用研究

作　者: 凌君
导　师: 何大阔
学　校: 东北大学
专　业: 控制理论与控制工程
关键词: 粒子群优化算法收敛性模糊PID控制器电力系统稳定器多样性
分类号: TP301.6
类　型: 硕士论文
年　份: 2009年
下　载: 34次
引　用: 0次
阅　读: 论文下载

内容摘要

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。

全文目录

摘要  5-6
Abstract  6-11
第1章绪论  11-17
  1.1 问题的提出  11-14
  1.2 本文的研究思路  14-15
  1.3 本文的主要研究工作  15-17
第2章粒子群算法简介  17-23
  2.1 基本粒子群算法  17-18
  2.2 基本粒子群算法的流程  18
  2.3 粒子群算法的改进研究  18-20
  2.4 粒子群优化算法的应用现状  20-21
  2.5 粒子群算法与其它进化算法的比较  21-22
  2.6 小结  22-23
第3章粒子群算法收敛性分析  23-39
  3.1 pbest和gbest均为恒定值  23-25
    3.1.1 微粒速度、位置变化过程分析  23-24
    3.1.2 微粒运动轨迹稳定性分析  24-25
  3.2 pbest时变,gbest时不变  25-29
    3.2.1 微粒运动模型转换  25-28
    3.2.2 微粒运动轨迹稳定性分析  28-29
  3.3 pbest和gbest均时变  29-33
    3.3.1 微粒运动模型转换  29-30
    3.3.2 微粒运动轨迹稳定性分析  30-33
  3.4 仿真实验  33-38
  3.5 小结  38-39
第4章基于模糊PID控制器的粒子群算法  39-59
  4.1 基本粒子群算法的控制理论分析  39-41
  4.2 模糊PID控制器  41-44
  4.3 模糊PID-PSO算法  44-47
    4.3.1 模糊PID-PSO算法的提出  44-45
    4.3.2 模糊PID-PSO算法的收敛性分析  45-46
    4.3.3 参数选择  46
    4.3.4 算法流程  46-47
  4.4 仿真实验  47-53
    4.4.1 测试函数与实验环境  47-48
    4.4.2 算法仿真结果及分析  48-53
  4.5 模糊PID-PSO算法在PSS参数优化中的应用  53-57
    4.5.1 PSS的产生背景  53
    4.5.2 含PSS的电力系统数学模型  53-56
    4.5.3 基于模糊PID-PSO算法的PSS参数优化  56-57
  4.6 小结  57-59
第5章基于多样性反馈的粒子群算法  59-73
  5.1 多样性分析  59-60
  5.2 多样性评价指标  60-61
    5.2.1 基于个体差异程度的多样性指标  60-61
    5.2.2 基于适应值差异程度的多样性指标  61
  5.3 减聚类算法  61-64
  5.4 DPSO算法  64-67
    5.4.1 算法模型分析  64-65
    5.4.2 多样性参考输入的确定  65
    5.4.3 模糊控制器的设计  65-66
    5.4.4 算法流程  66-67
  5.5 仿真实验  67-69
    5.5.1 测试函数与实验环境  67
    5.5.2 算法仿真结果及分析  67-69
  5.6 DPSO算法在PSS参数优化中的应用  69-71
  5.7 小结  71-73
第6章总结与展望  73-75
  6.1 主要工作总结  73
  6.2 后续研究展望  73-75
参考文献  75-79
致谢  79-80
攻读硕士学位期间发表的论文  80

基于控制方法的粒子群算法改进及应用研究

内容摘要

全文目录

相似论文