改进粒子群算法：增强全局搜索与Wiener模型辨识性能

本文档探讨了一种改进的粒子群算法，旨在解决标准粒子群算法在实际应用中遇到的问题，如收敛速度慢、精度不高以及易陷于局部最优解等。这种创新算法结合了细菌觅食算法的全局搜索能力和鲶鱼效应，旨在增强个体进化过程的多样性，从而提高整体优化性能。 作者们首先通过四个经典的测试函数进行仿真实验，实验结果表明，这种混合粒子群算法在全局搜索、收敛速度和精度上表现优于其他已有的改进方法。这些测试函数包括函数如Fibonacci序列、Rastrigin函数、Sphere函数和Rosenbrock函数，它们被广泛用于评估优化算法的性能。 接下来，论文将改进算法应用于Wiener模型参数辨识这一具体工业过程。Wiener模型是一种常见的系统动态模型，常用于描述工业过程中的复杂行为。通过数值仿真，研究人员证实了混合粒子群算法在非线性参数估计方面的优越性，它不仅能够更准确地估计参数值，而且在处理实际工业问题时展现出更强的鲁棒性和适应性。 此外，论文还提到了研究背景，即在2013年11月14日收到投稿，并在2014年1月5日进行了修订，研究得到了国家自然科学基金项目的资助（项目编号21276111）。作者团队由吴憬琳女士和徐保国教授组成，他们的研究领域涵盖了过程控制、智能算法以及优化，特别是关注Wiener模型在工业过程控制中的应用。 关键词部分强调了本文的核心技术，包括改进粒子群算法、细菌觅食算法、鲶鱼效应以及Wiener模型，这些都是论文讨论的主要焦点。论文的发表在工程技术类期刊上，具有较高的学术价值，并且其研究成果对于优化理论和实际工业过程控制有着重要的实践意义。 总结来说，这篇论文提供了一种有效的优化算法改进策略，它在理论上提高了搜索效率，在实际工业问题的Wiener模型辨识中展示了优异的表现，为粒子群优化算法的进一步发展和工程领域的应用开辟了新的可能性。