基于k-均值的自适应PSO优化算法

提出了一种新的基于k-均值聚类的自适应PSO优化算法（KCMPSO）．首先通过k-均值聚类方法把粒子群分成若干个子群体,从而在迭代过程中每个粒子根据其个体极值和所在子群体中的最好个体更新自己的位置和速度,其次引入自适应变异算子,有效地增强了粒子群之间信息交换和PSO算法跳出局部最优解的能力．几个典型函数的测试结果表明,该算法是非常有效的．     

基于模糊聚类的粒子群优化算法

粒子群优化算法(PSO)的基础上,提出了基于模糊C-均值聚类(FCM)算法的粒子群优化算法.该算法在每次迭代过程中首先通过FCM算法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和子群中的最优粒子更新自己的速度和位置值.通过典型复杂函数测试表明,基于模糊C-均值(FCM)的粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法.     

基于免疫粒子群的K均值聚类算法

粒子群算法是一类高效求解连续函数优化的随机搜索算法,在K均值聚类算法中得到广泛应用,但是在群体进化后期容易陷入局部极值,针对算法缺点,提出了一个新的聚类算法--基于免疫过程的粒子群K均值聚类算法,并将此算法与K均值聚类算法和粒子群K均值聚类算法进行比较.理论分析和数据实验证明,该算法有较好的全局收敛性,不仅能有效的克服传统的K均值聚类陷入局部极小值的缺点,而且全局收敛能力优于基于粒子群的K均值聚类算法.     

采用多样性引导粒子群算法的干式空心电抗器优化设计

针对粒子群优化(PSO)算法易于早熟收敛的问题,提出了采用多样性引导的吸引-排斥粒子群优化(DGARPSO)算法,并应用于干式空心电抗器的优化设计中.该算法在吸引-排斥粒子群优化(ARPSO)算法中引入变异操作,即当进化群体多样性或个体极值群体多样性小于下限值时,以一定概率对粒子的位置进行变异,从而使得粒子在群体多样性很低时飞离群体的聚集位置,有效减少了PSO算法的早熟收敛现象,同时还比较了均匀变异、高斯变异和柯西变异对优化结果的影响.对50 kV·A干式空心电抗器的仿真结果表明,DGARPSO算法提高了全局搜索能力,比GA算法、PSO算法和ARPSO算法具有更好的寻优性能.     

基于K均值的带变异粒子群聚类算法

针对K均值算法的搜索结果依赖于初始聚类中心以及粒子群算法早熟收敛的缺点,提出了一种基于K均值的带变异粒子群聚类算法.该算法通过粒子群算法来弥补K均值算法的不足,根据粒子的收敛情况判断K均值操作的时机,提高了搜索性能,并采用变异操作来跳出局部极值.分别用K均值算法、PSO-K均值算法和该算法对3种实际数据进行了聚类测试,...     

基于PSO-FCM算法的同调发电机识别

针对同调动态等值法中的同调发电机分群问题,提出了基于粒子群优化(PSO)的模糊c均值聚类(FCM)算法来识别同调发电机.该算法将聚类中心数作为粒子进行编码,利用粒子群优化的并行性和全局搜索能力,通过不断更新粒子的速度和位置实现寻优,克服了模糊c均值聚类对初值的依赖和易陷入局部极值的缺点.文中还构造了聚类有效性函数来进行聚类效果的评价.IEEE10机39节点系统仿真表明,该算法具有快速、准确、简单、易实现的特点,有效解决了同调发电机的识别问题,可用于电力系统不同运行方式下同调发电机的分群.     

多元宇宙优化算法应用于聚类分析

[目的]聚类是数据分析和数据挖掘技术中最重要的概念,其中,k-均值聚类算法是最常用的方法之一.然而,k-均值聚类算法高度依赖于初值,容易陷入局部最优解.为了克服k-均值聚类算法存在的不足,[方法]本研究提出一种利用多元宇宙算法(MVO)解决聚类分析问题的新算法,并进行一些数据集测试实验.[结果]数值模拟实验表明多元宇宙算法解决聚类问题效果优于人工蜂群(ABC)算法,布谷鸟搜索(CS)算法、粒子群优化(PSO)算法等.[结论]在大多数测试数据集的情况下多元宇宙算法解决聚类分析问题具有收敛速度快、聚类精度高和稳定性好的优点.     

混沌粒子群优化模糊聚类的旋转机械故障诊断

提出基于混沌粒子群优化加权模糊聚类的旋转机械故障诊断算法。该算法用混沌粒子群算法取代传统的梯度下降法,优化加权模糊C-均值算法的各个参数,并依据聚类有效性指标确定最优聚类数及聚类中心。应用表明,混沌粒子群算法有效提高了模糊聚类分析的收敛速度和精度,提高了旋转机械故障诊断的准确率。     

一种整合粒子群优化和K-均值的数据聚类算法

针对K-均值聚类算法存在的不足,提出了一种新的整合粒子群优化算法(PSO)和K-均值算法的聚类算法.在新算法中,首先结合使用粒子群优化算法和K-均值算法搜索全局最优解的位置,然后再用K-均值算法在全局最优解附近的局部空间内快速寻找最优聚类中心.通过对4个数据集的实验测试,将此算法与K-均值算法、基于粒子群的K-均值算法进行了比较.实验结果表明,新算法的聚类质量比后两个算法更优.     

基于混沌搜索的简化粒子群优化算法

针对带有收缩因子的粒子群优化算法(CFPSO)容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,采用简化粒子群优化(sCFPSO)方程与混沌搜索技术相结合的方法,提出了基于混沌搜索的简化粒子群优化(CsCFPSO)算法.该算法利用分段线性混沌映射(PWLCM)的遍历性和类随机性来完成混沌搜索,从而加快sCFPSO算法跳出局部极值点而继续优化.经过6个经典测试函数对该算法进行实验,结果表明其对于粒子群优化具有很好的使用价值,它可以准确地消去局部极值,确保收敛速度和精度,该算法是通过缩小种群数和进化代数来实现的.     

两群替代微粒群优化算法及其应用

提出一种两群替代微粒群优化算法（TSSPSO）,并对算法参数进行分析和对算法方程进行修正。该方法将微粒分成飞行方向不同的两分群,其中一分群微粒朝着最优微粒飞行,另一分群微粒朝着相反方向飞行;飞行时,每一微粒不仅受到微粒本身飞行经验和本分群最优微粒的影响,还受到全群最优微粒的影响。搜索时,每一次迭代均以一定的替代率用一分群中若干优势微粒取代另一分群中相同数目的劣势微粒。对4种常用函数的优化问题进行测试并进行比较,结果表明：两群替代微粒群优化算法比基本微粒群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。将两群替代微粒群优化算法用于常压塔汽油干点软测量,建立基于两群替代微粒群优化算法的汽油干点神经网络软测量模型,通过与实际工业数据的比较,表明基于两群替代微粒群神经网络的软测量模型精度高、性能好。     

动态分群的微粒群优化算法

在分析基本微粒群优化算法的基础上,引进分群思想,提出了一种动态分群的微粒群优化算法(DPSO)。根据适应值的大小将微粒群分成两个或多个分群,然后,每个分群采用不同的策略分别搜索,得到输出最优值。将动态分群的微粒群优化算法用于一些常用测试函数的优化问题,实例计算表明:DPSO具有较强的全局寻优能力。将DPSO用于延迟焦化装置粗汽油干点软测量,所建模型的泛化性较好,模型具有较高的精度。     

一种并行自适应微粒群聚类算法

大规模的数据挖掘如聚类问题迫切需要大量计算,提出了自适应微粒群优化的并行聚类算法。通过从多种群并行地开始搜索,基于群体搜索技术的微粒群优化算法减少了初始条件的影响,采用任务并行和部分异步通信策略,降低计算时间。结合并行微粒群算法的自适应参数动态优化特性,克服群体逐渐失去迁移性而停止进化的问题,保持群体多样性从而了避免种群退化。仿真实验证明,该算法在并行机群上运行时,加快了聚类算法的计算速度,提高了聚类质量。     

求解经济负荷分配的自适应混沌粒子群算法

针对电力系统经济负荷分配(economic load dispatch,ELD)这一典型的非凸、非线性的多约束优化问题,提出一种自适应混沌粒子群算法(self adaptive chaotic particle swarm optimization,SACPSO).在混沌粒子群算法(CPSO)的基础上,先利用引入变异算子和社会因子的粒子群算法进行全局搜索,再对搜索得到的先验解进行基于Tent映射的混沌细搜索(CLS),并将逆映射回的决策变量和全局最优粒子的线性组合作为CLS的搜索结果输出.通过6机组、15机组电力系统的仿真,验证了该算法的有效性.     

基于混沌-量子粒子群的分簇路由算法

针对粒子群分簇路由优化算法存在的收敛速度慢、 易陷入局部最优等问题, 提出一种混沌-量子粒子群 的双子粒子群分簇路由算法。 该算法以簇头的能量、 簇头与汇聚节点的距离以及与簇内成员节点的距离构造 最优簇头的代价函数, 主粒子群利用混沌粒子群寻优, 辅粒子群利用量子粒子群寻优, 加入量子波动理论, 使 算法具有较好的全局收敛性。 双子粒子群采用收敛速度快的凹函数递减策略优化权重。 仿真结果验证了该算 法可使无线传感网络节点能量消耗均衡化, 显著延长网络生命周期, 与 LEACH(Low-Energy Adaptive Clustering Hierarchy)协议、 PSO-C(Cluster setup using Particle Swarm Optimization algorithm)协议相比生命周期分别延长了 80. 1%和 41. 4%。     

基于独立权重和分级变异策略的粒子群算法

针对粒子群优化算法中存在的局部收敛问题,提出一种融合惯性权重调整和群体最佳位置变异两种策略的粒子群优化算法.该算法将个体粒子的状态信息引入惯性权重策略,独立调整每个粒子的惯性权值,体现个体粒子对权重需求的差异.在最佳位置变异策略中采用分级思想,根据粒子群的搜索状态选择相应的极值变异方式,使变异操作更具针对性.实验结果表明,该算法对多个测试函数都表现出良好的优化性能,能有效避免局部收敛问题,提高了粒子群的全局搜索能力.     

采用混沌粒子群优化算法的水质模型参数辨识

提出了一种新的适用于水质模型参数辨识的混沌粒子群优化(LCPSO)算法.与粒子群优化(PSO)算法相比,该算法将Logistic混沌搜索嵌入到PSO算法中,利用混沌变量产生初始粒群,并对子代部分粒子群体进行微小扰动,随着搜索过程的深入逐步调整扰动幅度,以克服PSO算法的早熟、易陷入局部极值等固有缺陷.采用标准测试函数,将该算法与遗传算法(GA)和PSO算法进行比较,证明了其收敛速度和寻优能力的优越性.采用实测水质数据,将LCPSO算法应用于具有一定工程价值和复杂程度的Dobbins-Camp BOD-DO水质模型的参数辨识.结果显示,所得水质数据与实测值误差平方和仅为0.150 3,且相对误差在±0.2%范围内,故该算法可为水质模型的参数辨识提供一条新的途径.