基于混沌粒子群优化算法的二维熵图像分割方法

针对二维熵图像分割方法在求取最佳阈值时存在计算量大及微粒群算法容易陷入局部最优且速度较慢等等问题,提出了基于混沌粒子群优化算法的二维熵图像分割方法。该方法考虑了图像中像素点灰度——邻域灰度均值对作为阈值对图像进行分割;利用混沌运动随机性、遍历性和初值敏感性,将混沌粒子群优化算法与阈值法相结合在二维空间作全局搜索。实验结果表明了基于混沌粒子群优化算法的二维熵图像分割法用于阈值寻优减少了搜索时间,提高了收敛率。     

一种基于混沌粒子群的泥沙颗粒图像优化算法

针对泥沙颗粒图像与其它领域的颗粒图像的类同性,利用图像处理技术计算泥沙颗粒,提出了一种基于混沌粒子群的泥沙颗粒图像优化算法。该算法在运行的初期为了避免收敛早熟,增强了群体的多样性;通过设定的特定格式迭代产生混沌序列,有效的避免多样性的下降和早熟收敛的产生。在运行的中后期,能够在全局的最优区域进行更加精细的搜索,找到全局最优解的速度更快。实验结果表明,算法较好地解决了河流复杂泥沙颗粒图像的优化问题。     

SA-PSO算法在CNN边缘提取模板设计中的应用

提出了一种用于边缘提取的细胞神经网络(CNN)模板的设计方法,该方法在基本粒子群算法的基础上引入模拟退火机制,形成模拟退火粒子群算法(SA-PSO)对模板参数值进行搜寻。在搜索过程中,用退火温度调节粒子的突跳概率,轮盘赌策略确定粒子的全局最优的替代值,这样能有效避免基本PSO算法容易陷入局部最优解的问题。同时,为了保证每轮搜寻产生的解均能使CNN网络稳定,用CNN反馈模板的研究结论对粒子群解空间进行约束。模拟实验表明,文章算法设计出的CNN模板有良好的边缘提取能力。     

改进的混沌粒子群优化算法

针对传统的简单粒子群算法(SPSO)早熟、易陷入局部最优的缺陷,提出了一种改进的混沌粒子群优化算法(CPSO)。该算法根据混沌算法遍历性的特点,选择合适的混沌映射提取SPSO初始种群,使粒子均匀分布在解空间。当SPSO陷入早熟时,CPSO在最优解周围的区域内进行混沌搜索,取代原来种群中的部分粒子,带领种群跳出局部最优。对7个标准测试函数的寻优测试表明:CPSO算法在寻优精度、速度、稳定性等方面均优于SPSO。     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

基于粒子群优化算法的神经网络钻削参数优化

神经网络模型能有效模拟非线性输入输出关系,但其常规训练算法为BP或其它梯度算法,导致训练时间较长且易陷入局部极小点,本文探讨用粒子群优化算法训练神经网络,并应用到钻削加工参数优化中,试验表明粒子群优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也得到了较大的提高。     

基于Tent映射的混沌粒子群优化算法

针对粒子群算法在迭代后期易陷入局部最优的不足,采用Tent映射所产生的混沌序列在粒子个体最优点和全局最优点附近进行混沌搜索,利用混沌搜索的全局遍历性和随机性提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能。几个典型测试函数的仿真结果证明了该算法的可行性。     

混沌免疫粒子群优化算法在BP网络训练中的应用

将人工免疫系统中的克隆选择和混沌算法引入粒子群优化算法,提出一种混沌免疫粒子群优化算法.算法的主要特点是利用克隆和混沌变异等操作,提高收敛速度和种群的多样性.结合Iris分类问题,将新算法应用到BP网络的权值优化中,并和基于标准PSO算法的方法和单纯BP网络训练进行比较.实验结果表明,该算法性能优于所比较的两种算法,并且具有良好的收敛性和稳定性.     

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.     

基于随机权重混沌粒子群反向神经网络算法的RFID定位算法

为了提高射频识别 (radio frequency identification,RFID)定位系统的准确性与可靠性,并改善反向传播神经网络算法在RFID定位算法中收敛速度慢、精度低、稳定性差的缺点,提出一种基于随机权重的混沌粒子群优化反向传播神经网络定位方法 (random weight chaotic particle swarm optimization back-propagation neural networks,RW-CPSO-BP)。在运用RW-CPSO-BP算法对标签进行轨迹预测过程中,首先对3个阅读器接收到的标签接收信号强度指标值 (received signal strength indicator,RSSI)先用均值滤波进行预处理,然后再进行归一化处理,将处理过的数据分为两组在RW-CPSO-BP模型中进行训练,从而得到误差曲线。经过RW-CPSO-BP优化过权值和阈值的BP模型能较好地定位移动标签,而且克服了陷入局部最优解的问题。仿真结果表明,RW-CPSO-BP算法收敛速度和稳定性明显高于BP网络,误差也较BP网络低,更加适合用于进行复杂环境下的RFID定位。     

基于混沌量子粒子群算法的置换流水车间调度

流水车间调度问题广泛存在于企业生产过程中,优化的调度方案可以提高企业生产效率,降低生产成本。提出了基于混沌量子粒子群优化算法并应用于求解置换流水车间调度问题,该算法在量子粒子群算法(QPSO)的基础上,引入了混沌机制,在保持QPSO算法收敛速度快的同时,利用混沌机制的遍历性,克服了QPSO易陷入局部极小值的缺点。同时提出了一种新的混沌变量到工件排序的编码方案,能够完整保留混沌的遍历性。仿真结果验证了所提出的新的调度算法能更好地探索更优解,同时不失去量子粒子群算法的收敛速度。     

基于细胞神经网络的图像边缘检测研究

提出一种数字图像边缘检测算法,采用差分进化算法优化细胞神经网络,通过简单的训练图像对细胞神经网络的模板参数进行适应性调整,得到边缘检测算子,采用该算子提取图像的边缘.实验结果验证了算法的有效性,该算法能够获得较好的图像边缘.     

分段式微粒群优化算法

提出一种分段式微粒群优化算法。该算法将所要搜索的区域分成若干段,首先在每一区段内搜索出区段的最优位置,然后将各区段的最优位置组成一微粒群,继续搜索全局最优位置。通过对5个常用标准测试函数进行优化计算,仿真结果表明:分段式微粒群优化算法能有效地搜索到全局最优解,具有比基本微粒群优化算法更快的搜索速度和更好的优化性能。     

高速收敛混沌粒子群算法的云计算任务调度

针对传统粒子群算法在处理云计算任务调度问题时,存在求解精度不高、容易陷入早熟收敛等缺陷,提出一种改进的高速收敛混沌粒子群算法.首先,采用混沌序列对初始化过程进行优化;其次,利用适应度方差对早熟现象进行有效诊断,并对算法在负梯度方向进行修正,使其跳出局部最优,实现高速收敛.仿真实验表明:改进后的粒子群算法能有效地避免早熟,收敛速度及求解精度都明显提高,非常适合云计算任务调度.     

小生境微粒群优化算法

将小生境技术引入到微粒群优化算法之中,设计出一种小生境微粒群优化算法。该算法除了始终赋予微粒生命力,还将位置重叠的差适应值微粒在搜索空间重新启动。通过对4个常用测试函数进行优化计算,仿真结果表明小生境微粒群优化算法比基本微粒群优化算法具有更好的优化性能。     

改进型耗散粒子群优化算法

通过对标准粒子群优化算法中惯性权重的分析和对耗散理论的研究,提出了一种惯性权重正弦调整的耗散粒子群优化算法(S-DPSO),并对该算法进行了深入的分析和研究.通过对4个典型函数的仿真测试,试验结果表明S-DPSO在收敛速度和全局收敛性方面都比标准粒子群优化算法、随机惯性权重粒子群优化算法、惯性权重正弦调整粒子群优化算法、耗散粒子群优化算法和随机惯性权重耗散粒子群优化算法有明显改进.理论分析和仿真试验验证了S-DPSO的正确性和有效性.     

基于混沌粒子群优化算法的电力线检测

提出了一种基于混沌粒子群的直线检测算法,并将其应用于电力线自动检测.首先利用Sobel算子对图像进行边缘检测得到候选边缘点;然后从中随机选择若干点对作为初始粒子,每个粒子代表一条直线,并以与其共线的候选边缘点的数目作为其适应度值,迭代过程中用混沌粒子替代最差粒子;最后选择适应度值最高的粒子作为所要检测的直线.实验结果表明:与Hough变换等算法相比,该算法可以有效减少重复计算,提高检测效率和准确率.     

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法。新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化。新算法不依赖于函数梯度信息,不需要手动调节网络结构。粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能。两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度。