基于QPSO小波神经网络的网络异常检测

为了提高网络异常检测中,对异常状态的检测率,降低对正常状态的误判率,提出一种基于量子粒子群优化算法训练小波神经网络进行网络异常检测的新方法.利用量子粒子群优化算法(QPSO)训练小波神经网络,将小波神经网络(WNN)中的参数组合作为优化算法中的一个粒子,在全局空间中搜索具有最优适应值的参数向量.实验数据采用KDD CUP99数据集,实验结果表明:该学习算法与传统的梯度下降法(GD)和粒子群算法(PSO)相比,收敛速度快,具有更好的全局收敛性,提高了异常检测的准确性,同时该方法对于新的异常也有较高检测率.     

基于CPSO算法的岩石蠕变模型非定常参数反演分析

针对粒子群优化(PSO)算法具有全局寻优能力强、无梯度信息、收敛速度快、算法简单但易陷入局部最优解且初始化解的质量不高的特点,利用混沌的遍历性,把混沌机制和粒子群优化算法结合起来,对粒子群优化算法进行了改进,提出了混沌粒子群优化算法,并利用混沌粒子群优化(CPSO)算法对岩石蠕变本构模型的非定常参数进行了反演分析,算例结果表明,采用该混沌粒子群优化算法反演非定常参数是可行的.     

基于改进粒子群优化SVM的多分类入侵检测研究

针对工控网络数据的高维特性以及攻击方式多样性而导致传统入侵检测算法检测准确率低等问题,采用改进粒子群(PSO)算法优化支持向量机的参数,提出改进的PSO-SVM多分类入侵检测方法。该方法将SVM参数作为改进PSO的粒子,将SVM分类准确率作为PSO的目标函数进行全局搜索以确定SVM的最优参数,建立基于改进PSO-SVM的"一对一"多分类工控入侵检测模型。最后采用密西西比州立大学关键基础设施保护中心提出的工控标准数据集进行仿真实验,结果表明,该算法针对不同的攻击方式的平均检测准确率均能达到90%以上,能够准确识别攻击类型,可为工控系统入侵检测提供有效方法。     

基于混合QPSO的LS-SVM参数优化及其应用

针对最小二乘支持向量机(LS-SVM)的参数寻优问题,提出一种基于混合量子粒子群算法(HQPSO)的LS-SVM参数选择方法,以提高LS-SVM模型的学习性能和泛化能力.该算法结合QPSO算法的全局优化能力和Powell的局部寻优能力,分别对粒子初始位置、新局部最优位置以及全局最优位置进行Powell局部寻优,提高求解速度和解的精确性.利用测试函数对该建模方法进行仿真测试,与PSO LS-SVM模型进行比较,并利用湿法炼锌净化过程现场数据进行工业验证.研究结果表明:HQPSO LS-SVM模型具有较好的泛化性能,模型预测精度高,预测结果满足工艺生产的要求.     

基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断

针对LSSVM算法参数优化选取的问题,提出一种结合人工鱼群(AFSA)和粒子群优化(PSO)的混合智能算法,优化LSSVM的参数,利用AFSA算法进行全局寻优搜索参数初值,PSO算法局部更新最优解、加速跳出局部最优.最后通过对风电机组齿轮箱振动加速度数据进行模拟实验,建立了PSO-LSSVM、AFSA-LSSVM和AF...     

基于PSO-TSA模型的网络安全态势要素识别研究

针对网络安全态势感知技术中态势要素提取的质量与效率较低的问题,提出了融合粒子群（Particle Swarm Optimization,PSO）和模拟退火（Simulated Annealing,SA）的态势要素识别模型PSO-TSA.在位置更新模块,利用Metropolis准则对PSO算法中的个体极值和全局极值进行退火优化,增加粒子的选择性,提高态势要素提取质量.在参数优化模块,利用Metropolis准则优化PSO算法中的参数,并对参数优化过程和粒子适应度同时进行评价,避免算法陷入局部最优,提高态势要素识别效率.按照目前网络状态的实际需求,选择了37个网络安全数据字段,搭建了小型网络环境,以获取更加真实的网络安全数据集SDS-W.在开放网络安全数据集和获取的SDS-W数据集上分别进行态势要素识别实验,实验证明,PSO-TSA在时间成本保持不变甚至更少的基础上,态势要素识别的精确度平均提升了5%~7%.     

粒子群优化深度交叉神经网络推荐算法设计研究

深度交叉网络(DCN)因无法针对不同的数据集准确设置超参数,导致点击率预估模型无法达到最优解。基于此,提出粒子群优化深度交叉神经网络推荐算法(PSO-DCN),该算法通过使用粒子群优化算法的全局搜索特性,对深度交叉神经网络层数及每层神经元个数进行全局搜索,并将其最优值放入DCN模型中运行进行参数优化。在不同的数据集上,进行数次实验对比,实验结果表明PSO-DCN在模型训练速度以及测试集上的表现都较优于当前流行的基于深度学习框架的推荐算法。     

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.     

基于全参数自适应变异粒子群算法的单目相机标定

针对传统粒子群方法求解相机内参时的局部最优解问题,提出一种基于全参数自适应调节和变异机制的粒子群单目相机内参优化方法.首先,基于向量约束关系对单应性矩阵进行变形,利用最小二乘法求得相机的初始内参.然后,考虑在迭代过程中局部最优粒子、全局最优粒子对各个粒子的作用不同,分别给出了基于粒距的自适应的局部因子学习调节策略和全局因子学习调节策略;同时,设计了基于粒子群平均粒距的改进的粒子自适应变异率.最后,给出了基于全参数的自适应变异机制的粒子群相机内参优化算法.实验结果表明,与张正友标定方法、传统粒子群优化标定方法相比,该方法具有较好的标定精度和收敛速度.     

基于天体系统粒子群算法的异步电机参数辨识

针对标准粒子群优化(PSO)算法存在易早熟收敛的缺点,提出了一种基于天体系统模型的粒子群优化算法(CSPSO).在CSPSO算法中,参照天文学中的天体系统模型,将种群划分为多个相对独立的天体系统,每个系统按照自己的运行规则在不同的空间中运行,在算法的后期引入混沌优化,最终确定出优化问题的全局最优解.将CSPSO算法应用于异步电机参数辨识问题中,仿真结果表明CSPSO算法比GA算法和PSO算法具有更精确的参数辨识能力.     

基于改进粒子群算法的K均值聚类算法的研究

研究了带压缩因子的粒子群算法,通过配置最优参数以及控制收敛速度来改进粒子群聚类算法,并利用它对IRIS数据集和WINE数据集进行测试.实验结果表明,改进后的算法能控制粒子群的更新速度,并有效改进粒子群算法的准确率和全局收敛性.     

基于引力搜索和粒子群混合优化算法的T-S模型辨识

提出了基于引力搜索(GSA)和粒子群(PSO)混合优化算法(GSAPSO)的T-S模型全局优化辨识方法.该方法充分整合GSA的勘探能力和PSO的开采能力,在GSA中引入PSO的个体最优值和群体最优值,同时改进惯性权重调整算法.T-S模型辨识分为结构辨识和参数辨识,采用聚类方法和GSAPSO算法同时辨识模型的结构和参数,从而实现全局优化辨识.仿真实例和比较分析证明了GSAPSO较标准的PSO和GSA有更强的全局优化能力和更高的辨识精度.     

改进的PSO算法在重油热解模型参数估计中的应用

针对传统的粒子群算法(PSO)在解决复杂的优化问题时易陷入局部最优这一情况,提出了一种改进的粒子群算法(EPSO),该算法在传统的粒子群算法陷入局部最优的情况下引入了单个粒子的"Hooke-Jeeves模式搜索"操作和粒子之间的"启发式交叉"操作。仿真结果表明:EPSO算法的全局搜索性能和收敛速度比传统的PSO算法有明显的提高。采用EPSO算法进行非线性参数估计所得到的重油热解模型,其预报的平均相对误差比传统的PSO算法得到的模型提高了11.98%,比遗传算法(GA)得到的模型提高了38.76%。     

粒子群算法在多目标优化中的应用综述

粒子群优化算法是一种基于群体智能的全局随机寻优算法。它通过粒子搜寻自身的个体最优解和粒子群体的全局最优解来完成更新优化。粒子群算法在很多领域得到了广泛的应用。本文主要论述了多目标PSO约束优化的基本思想、实现情况,并展望了PSO算法在多目标优化中的未来发展方向。     

基于改进粒子群优化算法和极限学习机的混凝土坝变形预测

混凝土坝变形预测是评价大坝运行状态和预测大坝行为的重要方法.但是,混凝土坝的随机荷载和强非线性变形限制了传统多元线性回归模型的应用.而人工神经网络模型则对复杂和高度非线性行为具有良好适应性.针对基于梯度下降法的常规神经网络模型收敛速度慢和过度拟合等问题,提出了一种基于改进型粒子群优化算法选取极限学习机(ELM-IPSO)最优参数的大坝变形预测模型.针对传统粒子群算法搜索时间长、容易陷入局部最优的特点,采用自适应惯性权重和动态调整学习因子,对粒子群算法进行了改进.研究表明,IPSO算法提高了粒子群优化的全局搜索能力,提高了计算效率.应用IPSO优化ELM模型的初始权值和阈值.通过东江混凝土拱坝的实测资料,验证ELM-IPSO模型的预测性能.将计算结果与BPNN模型、ELM模型和传统ELM-PSO模型的结果进行比较.BPNN模型、ELM模型、ELM-PSO模型和ELM-IPSO模型的平方相关系数R2分别为89.15%、91.13%、93.87%和94.36%.ELM模型的R2大于BPNN模型,说明ELM模型比常规的BPNN模型预测精度更高,泛化性能更好.ELM-PSO模型的预测精度大于ELM模型,说明PSO对ELM的优化在提高预测精度方面具有良好的作用.4个模型中,ELM-IPSO模型的R2最大,预测精度最高,这表明提出的ELM-IPSO模型能够有效提高混凝土坝变形的预测能力.     

基于MAPSO优化LSSVM的锅炉燃烧建模研究

针对锅炉燃烧系统智能算法建模,为克服标准粒子群(PSO)优化算法对最小二乘支持向量机(LSSVM)模型参数进行优化时容易陷于局部最优解的缺点,提出一种改进型的蚂蚁?粒子群算法(MAPSO)对LSSVM模型参数进行优化.根据模式搜索的"探测"思想,通过与蚁群算法移动规则的结合改进粒子群算法,增加粒子群算法的小步长局部搜索...     

基于混合智能算法的支持向量机的粮食产量预测

考虑到粮食产量的非线性,提出一种基于混合智能算法的支持向量机的预测模型,针对粒子群算法(PSO)易于陷入局部最优的特点,融合改进的粒子群算法(GAPSO)以及人工鱼群算法(AFSA)得到混合智能算法(GAPSO-AFSA),通过种群自身内部的变异交叉以及族外竞争机制,使得目标函数值向全局最优解快速收敛,提高了算法的全局搜索能力,最终得到支持向量机的最优参数组合.将支持向量机预测模型用于中国粮食产量预测中,通过试验验证了模型的正确性,并证实了该预测模型拥有较好的预测效果.     

基于增量式PID的改进粒子群算法

基于粒子群优化(PSO)算法的简单模型和增量式PID控制原理,引入PID增量算子和4个新随机因子,对标准粒子群优化(SPSO)算法进行了扩展.扩展粒子群算法(EPSO)提升了粒子自身认知能力和社会认知能力,增加了粒子共享的信息量,粒子在运动过程中更加智能化.4个新随机因子的引入,提高了种群的多样性,一定程度上克服了PSO容易陷入局部最优的缺陷,提高了PSO算法全局搜索能力.对6个常用目标函数进行优化仿真,结果表明EPSO算法较SPSO算法收敛速度显著加快,且不易陷入局部极值点.SPSO算法是EPSO算法的一种特殊情形;EPSO算法作为SPSO的扩展,可应用于所有SPSO求解的优化问题.     

基于优化模糊C均值聚类选取相似日的燃气负荷预测

针对短期负荷预测方法中传统的模糊C均值(FCM)聚类容易陷入局部最优和对初始聚类中心敏感的问题,提出利用粒子群优化(PSO)算法的全局搜索特性来优化此缺点.通过优化的FCM聚类来选取与预测日相似的日期作为支持向量机的训练样本,既强化了训练样本的数据规律,又保证数据特征的一致性.实验结果表明,优化预测模型的预测精度优于BP神经网络和支持向量机算法.     

混沌优化PSO-LSSVM算法的短期负荷预测

高渗透率随机性、间歇性分布式电源的大量接入,给传统配电系统的安全、经济和可靠运行带来了一系列的问题,使得传统的负荷预测方法已不再适用.针对这一问题,提出了利用混沌优化粒子群最小二乘支持向量机(PSO-LSSVM)的算法实现对短期电力系统负荷的精确预测.利用粒子群(PSO)算法的全局搜索能力和混沌算法随机、遍历的特性,使其分别克服选参时的盲目性和寻优时粒子群(PSO)算法易出现早熟而陷入局部最优的缺点.最后在Matlab2014a软件平台上验证了混沌优化PSO-LSSVM算法的有效性和收敛性.