下载文档原格式
基于改进自适应粒子群算法的MPPT追踪系统
刘吉庆;王艳
【期刊名称】《湖南工业大学学报》
【年(卷),期】2024(38)5
【摘要】为优化最大功率点追踪(MPPT)技术的追踪精度和追踪时间,提出一种改进自适应粒子群算法(APSO)。
对传统PSO算法进行优化,引入自适应惯性权重和非线性学习因子,使其在全局寻优-局部寻优-全局寻优状态下加速MPPT追踪,最后搭建光伏发电系统对自适应粒子群算法进行仿真验证。
试验证明:相比于传统PSO算法,改进的APSO算法追踪精度更高,收敛速度更快。
未遮挡环境(STC)恒温和变温下收敛速度提升了30.6%和39.2%,局部遮挡(PSC)恒温和变温下收敛速度提升了54.0%和53.7%,改进的APSO算法在PSC环境下更具优势;PSO算法最大功率稳定后占空比存在震荡现象,而APSO算法的占空比为稳定状态,提高了系统的稳定性能。
【总页数】8页(P18-25)
【作者】刘吉庆;王艳
【作者单位】湖南科技大学信息与电气工程学院
【正文语种】中文
【中图分类】TM615;TP18
【相关文献】
1.基于改进粒子群算法掘进机液压系统自适应控制研究
2.基于改进单神经元自适应控制的光伏发电系统MPPT研究
3.基于自适应粒子群算法在光伏阵列多峰值系统MPPT的控制
4.基于改进莱维飞行粒子群算法的光伏系统MPPT方法
5.基于改进粒子群算法的光伏系统MPPT控制研究
因版权原因，仅展示原文概要，查看原文内容请购买。
改进的粒子群优化算法背景介绍：一、改进策略之多目标优化传统粒子群优化算法主要应用于单目标优化问题，而在现实世界中，很多问题往往涉及到多个冲突的目标。
为了解决多目标优化问题，研究者们提出了多目标粒子群优化算法 (Multi-Objective Particle Swarm Optimization，简称MOPSO)。
MOPSO通过引入非劣解集合来存储多个个体的最优解，并利用粒子速度更新策略进行优化。
同时还可以利用进化算法中的支配关系和拥挤度等概念来评估和选择个体，从而实现多目标优化。
二、改进策略之自适应权重传统粒子群优化算法中，个体和全局最优解对于粒子速度更新的权重是固定的。
然而，在问题的不同阶段，个体和全局最优解的重要程度可能会发生变化。
为了提高算法的性能，研究者们提出了自适应权重粒子群优化算法 (Adaptive Weight Particle Swarm Optimization，简称AWPSO)。
AWPSO通过学习因子和自适应因子来调整个体和全局最优解的权重，以实现针对问题不同阶段的自适应调整。
通过自适应权重，能够更好地平衡全局和局部能力，提高算法收敛速度。
三、改进策略之混合算法为了提高算法的收敛速度和性能，研究者们提出了将粒子群优化算法与其他优化算法进行混合的方法。
常见的混合算法有粒子群优化算法与遗传算法、模拟退火算法等的组合。
混合算法的思想是通过不同算法的优势互补，形成一种新的优化策略。
例如，将粒子群优化算法的全局能力与遗传算法的局部能力结合，能够更好地解决高维复杂问题。
四、改进策略之应用领域改进的粒子群优化算法在各个领域都有广泛的应用。
例如，在工程领域中，可以应用于电力系统优化、网络规划、图像处理等问题的求解。
在经济领域中，可以应用于股票预测、组合优化等问题的求解。
在机器学习领域中，可以应用于特征选择、模型参数优化等问题的求解。
总结：改进的粒子群优化算法通过引入多目标优化、自适应权重、混合算法以及在各个领域的应用等策略，提高了传统粒子群优化算法的性能和收敛速度。
改进的粒子群算法粒子群算法(PSO)是一种优化算法，通过模拟鸟群觅食的行为寻找最优解。
传统的PSO 算法存在着易陷入局部最优解、收敛速度慢等问题，为了解决这些问题，研究人员不断对PSO算法进行改进。
本文将介绍几种改进的PSO算法。
1.变异粒子群算法(MPSO)传统的PSO算法只考虑粒子的速度和位置，而MPSO算法在此基础上增加了变异操作，使得算法更具有全局搜索能力。
MPSO算法中，每一次迭代时，一部分粒子会发生变异，变异的粒子会向当前最优解和随机位置进行搜索。
2.改进型自适应粒子群算法(IAPSO)IAPSO算法采用了逐步缩小的惯性权重和动态变化的学习因子，可以加速算法的收敛速度。
另外，IAPSO算法还引入了多角度策略，加强了算法的搜索能力。
3.带有惩罚项的粒子群算法(IPSO)IPSO算法在传统的PSO算法中加入了惩罚项，使得算法可以更好地处理约束优化问题。
在更新粒子的位置时，IPSO算法会检测当前位置是否违背了约束条件，如果违背了，则对该粒子进行惩罚处理，使得算法能够快速收敛到满足约束条件的最优解。
4.细粒度粒子群算法(GPSO)GPSO算法并不像其他改进的PSO算法那样在算法运行流程中引入新的因素，而是仅仅在初始化时对算法进行改进。
GPSO算法将一部分粒子划分为近似最优的种子粒子，其他粒子从相近的种子粒子出发，从而加速算法的收敛速度。
5.基于熵权的粒子群算法(EPSO)EPSO算法在传统的PSO算法中引入了熵权理论，并在更新速度和位置时利用熵权确定权重系数，达到了优化多目标问题的目的。
EPSO算法的权重系数的确定基于熵权理论，具有客观性和系统性。
此外，EPSO算法还增加了距离度量操作，用于处理问题中的约束条件。
综上所述，改进的PSO算法不仅有助于解决算法收敛速度慢、易陷入局部最优解的问题，更可以应用到具体的优化实际问题中。
因此，选择合适的改进的PSO算法，对于实际问题的解决具有重要的现实意义。
一种基于线性动态参数的自适应粒子群优化算法
张磊;吴义国;魏星
【期刊名称】《现代计算机（专业版）》
【年(卷),期】2011(000)005
【摘要】提出一种权重因子和认知因子线性自适应性改变的粒子群优化算法(APSO-LDP),该算法中个体学习因子和社会学习因子都可以按设定的方式进行线性适应性改变.其中个体学习因子的线性减少、社会学习因子的线性增大,有助于粒子群前期的多样性和后期的跟随最优粒子,而惯性权重的线性减少更达到快速收敛和局部搜索能力的平衡.实验表明,该改进算法具有较好的寻优能力.
【总页数】4页(P15-18)
【作者】张磊;吴义国;魏星
【作者单位】广东工业大学计算机学院,广州510006;广东工业大学计算机学院,广州510006;广东工业大学计算机学院,广州510006
【正文语种】中文
【相关文献】
1.一种自适应动态控制参数的粒子群优化算法 [J], 徐从东;陈春
2.一种基于自适应输入-输出线性化的无刷直流电机参数辨识方法 [J], 揭贵生;马伟明
3.一种基于非线性系统的动态感知系数的自适应粒子群优化算法 [J], 郭振雄;陈玉叶;肖可;何俊杰;刘畅;潘书万;陈松岩
4.一种基于神经网络模型的非线性自适应控制系统参数辨识算法 [J], 刘迪;赵建华
5.一种动态非线性改变惯性权的自适应粒子群优化算法 [J], 高磊
因版权原因，仅展示原文概要，查看原文内容请购买。
粒子群优化算法改进及展望
华欣
【期刊名称】《电脑编程技巧与维护》
【年(卷),期】2009(000)024
【摘要】粒子群优化算法是一种启发式全局优化技术,一种基于群智能的演化计算方法.本文给出了多种改进形式以及与其他算法的比较,并提出了未来可能的研究方向.
【总页数】3页(P16-17,21)
【作者】华欣
【作者单位】空军航空大学计算机教研室,长春,130012
【正文语种】中文
【相关文献】
1.基于粒子群优化的KNN分类算法改进研究 [J], 吴敬学
2.基于柯西分布的粒子群优化算法改进 [J], 黎红玲;罗林;蒲冬梅;刘好斌
3.带自适应变异的粒子群优化算法改进研究 [J], 冯浩;李现伟
4.基于膜计算粒子群优化的FastSLAM算法改进 [J], 韩涛; 黄友锐; 周宁亚; 徐善永; 许家昌; 鲍士水
5.基于模拟退火——粒子群优化算法改进的区间型Campbell-Bennett异常检测模型 [J], 杨茂;李廉;尹督荣;杨志刚
因版权原因，仅展示原文概要，查看原文内容请购买。
自适应粒子群优化算法自适应粒子群优化算法（Adaptive Particle Swarm Optimization，简称APSO）是一种基于粒子群优化算法（Particle Swarm Optimization，简称PSO）的改进算法。
PSO算法是一种群体智能优化算法，模拟鸟群觅食行为来求解优化问题。
与传统PSO算法相比，APSO算法在粒子个体的位置和速度更新方面进行了优化，增强了算法的鲁棒性和全局能力。
APSO算法的关键改进之一是引入自适应策略来调整个体的速度和位置更新。
传统PSO算法中，个体的速度与当前速度和历史最优位置有关。
而在APSO算法中，个体的速度与自适应权重有关，该权重能够自动调整以适应不同的空间和优化问题。
自适应权重的调整基于个体的历史最优位置和整个粒子群的全局最优位置。
在每次迭代中，根据粒子群的全局情况来动态调整权重，使得速度的更新更加灵活和可靠。
另一个关键改进是引入自适应的惯性因子（inertia weight）来调整粒子的速度。
传统PSO算法中，惯性因子是一个常数，控制了速度的更新。
在APSO算法中，惯性因子根据粒子群的性能和进程进行自适应调整。
对于空间广阔、优化问题复杂的情况，惯性因子较大以促进全局；对于空间狭窄、优化问题简单的情况，惯性因子较小以促进局部。
通过调整惯性因子，粒子的速度和位置更新更具有灵活性和针对性，可以更好地适应不同的优化问题。
此外，APSO算法还引入了自适应的局域半径（search range）来控制粒子的范围。
传统PSO算法中，粒子的范围是固定的，很容易陷入局部最优解。
而在APSO算法中，根据全局最优位置和当前最优位置的距离进行自适应调整，当距离较大时，范围增加；当距离较小时，范围减小。
通过自适应调整范围，可以提高算法的全局能力，减少陷入局部最优解的风险。
综上所述，自适应粒子群优化算法（APSO）是一种改进的PSO算法，通过引入自适应策略来调整个体的速度和位置更新，增强了算法的鲁棒性和全局能力。
改进粒子群算法粒子群算法(Particle Swarm Optimization, PSO)是一种启发式算法，用于求解优化问题。
它是通过模拟鸟群或鱼群等生物群体的行为而开发的算法，具有较好的全局搜索性能和快速收敛特性。
然而，传统的PSO算法存在一些问题，如早熟收敛、局部最优等。
下面我们将介绍一些改进粒子群算法的方法。
1. 多群体PSO算法多群体粒子群算法(Multiple Swarm Particle Swarm Optimization, MSPSO)，是一种新型的PSO算法。
它能够有效地克服传统PSO算法的局部最优问题。
该算法不同于传统PSO算法,它的粒子群初始位置是在多个初始位置进行搜索，然后合并粒子最终达到全局优化。
2. 改进的种群动态变异策略的PSO算法种群动态变异策略粒子群算法（Dynamic Mutation Strategy Particle Swarm Optimization, DMSPSO）利用粒子的最佳位置和种群均值来改变突变概率，以使种群的多样性得以保持。
改进了传统粒子群算法中的局部搜索能力和收敛速度。
3. 采用时间序列分析的PSO算法时间序列分析PSO算法(Time Series Analysis Particle Swarm Optimization, TSAPSO)是一种基于时间序列分析的PSO算法。
该算法采用时间序列分析方法，通过分析时间序列间的关系，提高了算法的全局搜索能力和精度。
同时，该算法还可以克服传统PSO算法的早熟收敛问题。
4. 多策略筛选算法的PSO算法多策略筛选算法的粒子群算法(Multiple Strategy Filtering Particle Swarm Optimization, MSFPSO)是一种新型的PSO算法。
该算法采用多个策略进行迭代，通过筛选和动态调整策略，以达到最优解。
该算法具有较强的适应性和搜索性能，可应用于各种优化问题。
改进粒子群算法求解广义Usher油田开发动态预测模型王传飞;韦涛;孙建芳【摘要】广义Usher累积产油量和含水率预测模型属于超越函数,涉及未知参数多,求解具有一定的难度。
针对该模型特点,对标准粒子群优化算法进行了改进,提出了一种基于Sigmod函数的非线性惯性权重的改进粒子群优化算法,这在非线性函数优化中能够较好地保证算法收敛性,避免算法陷于局部最优。
通过实际油田开发数据对广义Usher预测模型进行了求解,结果表明,用改进的粒子群优化算法求解非线性函数具有较强的可靠性和实用性。
【期刊名称】《新疆石油地质》【年(卷),期】2012(033)001【总页数】4页(P102-105)【关键词】广义Usher预测模型;粒子群;惯性权重;累积产油量;含水率【作者】王传飞;韦涛;孙建芳【作者单位】中国石化胜利油田有限责任公司地质科学研究院,山东东营257015;中国石化胜利油田有限责任公司地质科学研究院,山东东营257015;中国石化胜利油田有限责任公司地质科学研究院,山东东营257015【正文语种】中文【中图分类】TE33广义Usher预测模型是非常著名的增长模型，它可以蜕化成Usher模型、Weibull模型、Logistic模型和Gompertz模型[1]，具有广泛的代表性，因此在油田开发动态分析中得到了广泛的应用。
但由于该模型属于超越函数，未知参数多，因此求解具有一定的难度。
许多学者提出了很多求解方法[2-4]。
但采用这些方法求解模型需进行繁琐的公式推导及变换，造成数据点不光滑，给模型求解带来了很多困难。
本文尝试采用了粒子群优化算法求解广义Usher开发动态预测模型，并对标准粒子群优化算法进行了改进，以满足求解模型参数的需要。
1 广义Usher预测模型广义Usher预测模型是描述增长信息随时间而变动的数学模型，其微分表达式为[1]对（1）式进行积分，通解为为了简化模型，令则有对于水驱开发油田，累积产油量呈现增长趋势发展，根据公式中参数意义，可将L 变换为最大可采储量N R，y变换为累积产油量N p，则广义Usher累积产油量预测模型表达式为由于在实际应用时，油田所关心的是阶段产量，即年产量，在计算时可以采用以下2种方式：将N R对时间t微分，可以得出瞬时产油量Q o本文采用（7）式进行年产油量计算。
