一种基于PSO-ABC的全局优化算法

针对粒子群算法和蜂群算法在寻优中存在的一些早熟和收敛速精度不高等问题,论文分别时粒子算法和蜂群算法的更新策略以及更新公式进行了改进,利用改进的粒子群算法和改进的蜂群算法同时对一个粒子位置进行部分算术更新的方法,提出了一种新混合的优化算法.并将其在12个多极值基准函数进行全局最优化测试,实验结果表明,笔者提出的混合优化算法收敛的速度和收敛精度大大提高了,其性大大优于改进的粒子群算法（CLPSO算法）和人工蜂群算法,对于高、低维复杂函数的优化均适用.     

一种改进樽海鞘群算法优化K-Means的小麦覆盖度提取方法

针对K-Means算法对初始聚类中心的依赖性较高,容易出现局部最优停滞的问题,提出一种改进樽海鞘群算法优化 K-Means 的小麦覆盖度提取算法。首先,将小麦图像转换到HSV色彩空间;然后,用改进樽海鞘群算法进行全局寻优,以获得全局最优值作为K-Means算法的初始聚类中心,接着运用K-Means算法进行局部寻优,直到迭代完成;最终,输出经过分割的小麦图像。为了评估算法性能,使用12个基准函数对ISSA及其他智能优化算法进行对比测试,同时将改进樽海鞘群算法优化K-Means应用于小麦覆盖度提取。结果表明,ISSA算法在优化精度和收敛速度上均超越其他算法,鲁棒性也得到了显著提高。与其他算法相比,ISSA-K算法分割后的小麦图像纹理比较清晰,效果更佳,同时具有更加高效的优势,可用于小麦覆盖度的提取,具有较强的实用性。     

粒子群算法的改进及其在求解约束优化问题中的应用

在用粒子群算法求解约束优化问题时, 处理好约束条件 是取得好的优化效果的关键. 通过对约束问题特征和粒子群算法结构的研究, 提出求解约束 优化问题一种改进的粒子群算法, 该算法让每个粒子都具有双适应值, 通过双适应值决定粒 子优劣, 并提出了自适应保留不可行粒子的策略. 实验证明, 改进的算法是可行的, 且在 精度与稳定性上明显优于采用罚函数的粒子群算法和遗传算法等算法.     

基于样本均值和中位值的粒子群优化定位算法

针对室内LOS/NLOS混合环境,提出基于假设检验的方法确定NLOS状态,并采用具有收缩因子的粒子群优化算法进行定位.在采样值存在异常情况时,样本中位值性能优于样本均值.因此,在LOS和NLOS状态下,分别采用样本均值和样本中位值建立最小平方误差代价函数.为了增强算法的全局和局部搜索能力,在粒子群优化算法的基础上引入收缩因子.仿真实验表明,在NLOS遮挡比较严重的情况下,所提出的基于样本均值和样本中位值改进的粒子群优化定位算法较只采用样本均值改进的粒子群优化算法和一般的粒子群优化算法定位精度高.     

融合和声搜索的混沌粒子群优化算法及工业应用

针对粒子群算法在优化过程中容易出现"早熟"现象,提出一种融合和声搜索及混沌的改进混合粒子群优化算法。混沌粒子群算法运行稳定,具有较好的鲁棒性和适应性。和声搜索算法是一种模拟乐队调音获得完美和声过程的元启发优化算法,具有较强的全局搜索性能。通过对4个标准函数的测试比较,结果表明:改进的融合和声搜索的混沌粒子群优化算法(chaos particle swarm optimization algorithm with harmony search,CPSO-HS)跳出局部最优位置能力强,收敛速度快,稳定性高。改进的CPSO-HS算法已成功应用于重油热解模型的参数估计。     

面向多模态函数的自适应混沌爬山微粒群算法

针对微粒群算法在多模态函数优化中难以找到全部极值点以及陷入局部最优和后期收敛速度慢等缺陷,提出了一种基于熵的自适应混沌爬山微粒群算法.算法根据熵的值来衡量种群多样性,当发现种群多样性匮乏时,采用动态混沌机制增强多样性;后期融入了局部收敛速度较快的爬山算法提高微粒群算法的后期收敛速度.4种典型多模态函数测试结果表明该算法在求解复杂多模态函数优化问题方面的可行性.     

基于高斯学习多峰延迟粒子群优化算法

为克服粒子群在解决多峰函数复杂问题时存在收敛速度慢和极易陷入局部最优值的缺点,提出了一种基于高斯学习多峰延迟粒子群混合算法。首先引入改进的高斯学习提高算法的收敛速度,然后在此基础上,针对4 种进化状态在算法中引入延迟因子避免局部最优问题。通过对6 个单峰多峰测试函数进行仿真实验,验证了GLPSO( Gaussian Learning PSO) 算法具有更好的收敛速度,同时验证了GLMDPSO( Gaussian Learning Multimodal Delayed PSO) 算法在处理多峰函数复杂问题时具备更好的全局搜寻能力。因此,改进算法在解决多峰函数寻优问题时可有效跳出停滞状态,提高收敛速度并具有较好的寻优能力。     

一种基于改进的磷虾群和粒子群的混合算法

针对基本磷虾群(KH)算法在求解高位复杂优化问题时容易陷入局部最优、求解精度低等缺点,提出了一种基于改进的磷虾群和粒子群的混合算法(AIPSOKH).该算法首先对KH算法中的觅食权重和诱导权重采用非线性递减策略,然后将其与惯性权重线性递减的粒子群算法(LDWPSO)混合,采用双子种群同时计算的并行策略进行迭代计算,借鉴自然选择中适者生存的进化机制提升母种群中个体的质量,以此来避免算法陷入局部最优,并提升其求解精度.最后通过8个标准测试函数的对比实验表明,在全局搜索能力和求解精度上与提到的2种算法相比都有着显著优势.     

基于改进鸡群算法的PID参数整定

PID参数整定一直是控制工程研究的热点,利用传统的方法整定参数得到的系统性能往往较差,为解决PID参数整定问题,提高系统性能,提出一种基于改进鸡群算法(CSO)的PID参数整定方法。改进鸡群算法的目的是提高鸡群算法的收敛速度与精度,增强算法跳出局部最优的能力,4个标准测试函数的测试结果验证了改进的有效性。利用改进鸡群算法对4类典型工业过程的PID参数进行整定,以时间乘绝对误差积分函数(ITAE)为优化目标,Matlab仿真结果表明：通过改进鸡群算法整定PID参数得到的系统性能比传统的Z-N参数整定法以及Matlab遗传算法(GA)工具箱参数整定得到的系统性能有很大的提高。     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。     

面向单目标优化的集成粒子群算法

串行粒子群算法广泛应用于多个领域,出现了多个变种,但解决不同种类的优化问题时性能有差异.为提高串行粒子群算法对各种优化问题的适应能力,提出一种集成粒子群优化算法.新算法使用Matlab的单程序多数据并行结构发挥单节点多核计算能力,通过设置外部档案分享不同粒子群的全局最佳位置,促进不同串行粒子群算法之间的信息交流,综合利用不同串行粒子群算法在解决不同类型优化问题的优势.在广泛使用的测试函数集上开展仿真实验,结果验证了新算法的有效性,与多个知名的串行粒子群算法相比,新算法在寻优性能上优势明显.新算法不仅能够提高粒子群算法的适应能力,而且,所采用的算法框架也适应于其他群智能算法,改善了算法的性能.     

改进的粒子群算法及在数值函数优化中应用

为提高粒子群算法的优化能力,提出了一种改进的粒子群优化算法。在该算法中,采用Beta分布初始化种群,采用逆不完全伽马函数更新惯性权重,在速度更新式中,引入了基于差分进化的新算子,对于粒子的越界处理,采用了基于边界对称映射的新方法。以50个不同类型的数值函数作为优化实例,基于威尔柯克斯符号秩检验的测试结果表明,该算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和量子行为粒子群算法。     

基于聚集度改进的多过程搜索鸟群算法

针对鸟群算法在寻优后期极易陷入局部最优和过早收敛等问题,引进个体异向觅食过程、飞行转移过程、位置异化过程搜索策略,提出一种基于聚集度改进的多过程搜索鸟群算法。通过引进种群相似度和聚集度的概念来描述鸟群在觅食过程中位置的变化,增加鸟群觅食的可行性搜索范围;在鸟群寻优之后依概率重新随机赋值寻优位置,从而有利于鸟群全局寻优与局部寻优之间的平衡;在模拟鸟群飞行过程中引进学习机制以克服原始鸟群中个体信息交流的单一性,增加鸟群内部信息流动的多样化从而有效提升算法活力,进而改善算法后期易陷入局部最优的状况。实验分析表明,改进方法可以有效提升鸟群的寻优能力、收敛速度和解的稳定性等性能。     

融合多种策略的改进粒子群算法及其在电子商务多级物流中的应用研究

为了提高粒子群优化算法(PSO)求解复杂优化问题的能力,本文对基于细菌趋化的粒子群优化算法(PSOBC)进行改进。PSOBC算法是PSO算法的一种新思路,可以有效地克服其易陷入局部最优、后期粒子多样性差的缺点,故将一般反向学习策略和自适应惯性权重与PSOBC算法相结合,得到一种改进的粒子群优化算法。改进的粒子群优化算法的开发能力和勘探能力都得到了很大的提高;在求解复杂性优化问题时种群能够在搜索范围内快速收敛到局部最优处,并且当种群密度足够小时,及时增大种群密度即进行去全局寻优。最后将改进后算法应用到电子商务多级物流中心选址及路径规划问题上。     

动态改变惯性权重的新模式粒子群算法

针对标准粒子群算法在求解复杂优化问题时易陷入局部最优、收敛精度不高和收敛成功率低的不足,提出了一种改进的粒子群算法.通过算法所处的迭代阶段和粒子的分布情况动态改变惯性权重的值,并根据每个粒子的更新情况调整其飞行的起点.最后4个测试函数仿真结果表明,在求解复杂优化问题时,改进后算法的收敛精度和收敛成功率均有明显提高.     

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。     

一种新的求解优化问题的混合粒子群算法

将粒子群优化算法与一种自适应局部搜索算法相结合,提出了一种新的混合粒子群优化算法,使粒子群算法寻优过程中的全局搜索能力和局部搜索能力良好平衡;采用了典型函数和模糊神经网络优化问题对算法性能进行测试,并与其它方法进行比较.实验结果表明,这种混合粒子群优化算法能获得质量更好的解,具有较高的收敛性,特别是在高维复杂函数优化上具有很强的竞争力,其性能大大优于单一的优化方法.     

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。     

一种新的求解优化问题的混合粒子群算法

将粒子群优化算法与一种自适应局部搜索算法相结合,提出了一种新的混合粒子群优化算法,使粒子群算法寻优过程中的全局搜索能力和局部搜索能力良好平衡;采用了典型函数和模糊神经网络优化问题对算法性能进行测试,并与其它方法进行比较.实验结果表明,这种混合粒子群优化算法能获得质量更好的解,具有较高的收敛性,特别是在高维复杂函数优化上具有很强的竞争力,其性能大大优于单一的优化方法.     

全局最优的SLNR预编码功率分配算法

针对多用户多输入多输出系统,基于总可达速率最大化原则,研究了基于信漏噪比(signal-to-leakage-and-noise ratio, SLNR)预编码功率分配算法。为解决传统算法仅能通过迭代求解,性能不好的问题,提出了可直接求得全局最优解的解决方案。导出了仅含一种变量的目标函数,将功率分配问题转化为有约束条件的非凸优化问题。为解决这个优化问题,提出一种基于鸟群算法(bird swarm algorithm, BSA)实现全局最优的解决方案;为弥补该算法复杂度高的缺点,提出一种基于几何规划(geometric programming, GP)的近似全局最优算法。仿真表明,基于BSA的算法能够实现最大的系统总速率,且随着发射信噪比、基站天线数及用户数变化,性能提升效果能够得到保持;基于GP的算法,在复杂度与性能方面得到折衷,且相比基于BSA的算法,误码率性能更优。