基于MAPSO算法的小波神经网络训练方法研究

为提高小波神经网络(Wavelet Neural Network,WNN)的建模质量,针对标准粒子群(Particle Swarm Optimization,PSO)算法优化WNN存在的早熟和局部收敛问题,提出一种基于多粒子信息共享(Multi-particle information share)和自适应惯性权重(Adaptive inertia weight)策略的PSO方法(MAPSO)用于WNN训练。多粒子信息共享采用多粒子信息来修正各粒子下一次的行动策略,以降低粒子陷入局部最优的可能性;惯性权重自适应调整根据群体早熟收敛程度,按个体适应度自适应调整惯性权重,以使陷入局部最优粒子跳出。同时,给出了算法实现的基本流程。仿真结果表明MAPSO算法既具有PSO算法的简捷性,又能够提高WNN学习速度和精度及全局搜索能力,是小波网络的有效训练方法。     

一种自适应粒子群优化算法及其仿真研究

分析了粒子群优化(PSO)算法易于发生早熟收敛的原因。在此基础上提出的自适应粒子群优化(APSO)算法根据群体早熟收敛程度和个体适应值自适应地调整粒子的惯性权重,使群体在进化过程中始终保持惯性权重的多样性,在算法的全局收敛性和收敛速度之间做了一个很好的折衷。对两个经典函数仿真的结果表明APSO算法能够有效地避免PSO算法的早熟收敛问题,而且具有较快的收敛速度。     

基于自适应混合算法的智能存取系统动态路径规划

研究了药房智能存取系统拣选路径的动态规划问题,提出了该问题的数学模型,并设计了一种新的自适应混合粒子群遗传算法(Adaptive hybrid particle swarm algorithm).该算法在粒子群遗传混合算法的基础上引入了动态调整和自适应进化的策略.在算法前期粒子群搜索阶段,建立了惯性权重系数、认知系数与收缩因子之间的联动关系,随着惯性权重的动态变化,认知系数与收缩因子也适时进行调整,提高了搜索效率和搜索精度.在算法的后期,采用了遗传算法的自适应交叉和变异的进化过程,对陷入局部最优的粒子群进行打散,使得每次迭代中都能最大限度的获取路径信息,使种群的搜索朝向解空间的不同区域发展.经过对某大型医院智能存取系统的路径规划仿真实验,验证了提出的算法相对于其他算法在求解速度和求解精度上都有较大的提高.     

基于T-S模型的模糊自适应PSO算法

惯性权重的取值对改善微粒群优化(Particle Swarm Optimization,PSO)算法的收敛性起着关键作用.针对惯性权重的取值问题,提出一种基于T-S模型的模糊自适应PSO(T-SPSO)算法.算法根据当前种群最优适应值和惯性权重,自适应更新惯性权重取值,改善了算法收敛性.最后以典型优化问题的实例仿真验证了所提出算法有效性.     

基于粒子能量的自适应粒子群优化算法

群优化是一种随机的群体搜索策略.针对粒子群算法易陷入局部最优和收敛速度慢等不足,提出了根据粒子的能量自适应调整参数的改进算法.该算法基于动力学和热力学的理论,计算每个粒子的能量值,并将优化过程中的群体视为热力学的某一状态,通过退火温度和粒子的能量动态调整算法中的惯性参数,达到对"惰性"粒子的原速度方向给予较大的牵引力的目的.优化过程中,随着系统温度的降低,惯性参数逐渐减小,有利于问题的收敛.算法中采用了带极值扰动策略,加速粒子跳出局部最优的能力.数值实验结果表明,该算法具有收敛精度高和收敛速度快的特点,可快速有效的求解约束和非约束优化问题.     

自适应杂交退火粒子群优化算法

为解决粒子群优化(particle swarm optimization, PSO)算法易早熟、后期收敛慢、收敛精度低等问题, 提出一种自适应杂交退火PSO算法。采用Sigmoid函数控制惯性权重, 平衡粒子的全局搜索和局部搜索能力; 采用双曲正切函数控制加速系数, 平衡粒子的自我认知和社会认知能力, 提高算法精度; 引入模拟退火算子, 使粒子在搜索过程中以一定概率接受差解, 增加粒子跳出局部最优的能力; 在算法后期引入杂交变异算子, 增加种群多样性, 进一步提高算法精度。基于3种标准测试函数对所提算法的性能进行了验证, 并与现有典型PSO算法进行了对比。结果表明, 所提算法在收敛精度及收敛速度上均具有一定提升。最后, 将所提算法应用于阵列天线方向图综合设计, 取得了较现有算法更优的结果。     

一种排异竞争的粒子群优化算法

提出一种基于排异竞争机制的粒子群优化算法。算法取消传统PSO算法中的全局最优值＂gbest＂,通过设定竞争区域,使得当前种群中所有粒子和上一代种群中的精英粒子,一同参与竞争。并采取适应值竞争策略、适应度选择策略和粒子间的排异策略,来保证种群的多样性,避免了算法初期陷入局部极值的可能;并通过对排异策略的动态调整,提高了算法后期的收敛速度和精度。通过对几类典型函数的仿真测试表明,算法具有较好的全局搜索能力和收敛速度。     

改进的PSO算法及其在软测量建模中的应用

通过大量仿真实验,考察了粒子群算法(PSo)中粒子平均速度和算法收敛性之间的关系,提出了一种基于粒子速度反馈信息的自适应调整权重策略,同时在搜索过程中引入混沌序列.给出的收敛性分析证明,该算法可以以概率1收敛到全局最优解.对经典函数的测试计算表明,改进后的PSO算法较好地解决了基本粒子群算法中易陷入局部最优的缺点,在稳定性和收敛精度上均优于普通的PSO算法.改进的粒子群算法被用于优化神经网络的结构和参数,并将基于改进算法的神经网络用于4cBA软测量建模中.实际应用表明,与基于其它智能算法的神经网络相比,该网络不仅有较高的泛化性能,而且有更快的学习速度和较好的实时性.     

混沌粒子群混合优化算法的研究与应用

为使粒子群优化算法(PSO)初始粒子均匀分布在解空间,分析了混沌运动的遍历性并根据粒子间欧式距离大小改进了PSO初始种群提取方法。提出了一种混沌粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和混沌优化算法同时进行。对四个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能好。     

混合粒子群算法在柔性工作车间调度中的应用

混沌是一种新颖的优化技术,具有随机性、遍历性的特点和易跳出局部极值的能力。为了提高粒子群优化算法(PSO)的性能,在PSO中引入混沌,优势互补,提出了一种混合PSO算法,并应用于柔性工作车间调度问题的求解。首先基于混沌对PSO的参数进行自适应优化,实现全局搜索与局部搜索间的有效平衡;然后,在PSO的搜索过程中引入混沌局部搜索策略,来提高解的精度和收敛速度。实验比较结果验证了该算法的全局搜索性能。     

粒子群算法中惯性权重的实验与分析

简要介绍了粒子群算法(PSO)，对算法中的重要参数惯性权重进行了系统的实验，分析了固定权重与时变权重的选择问题，并从问题依赖性、种群大小和拓扑结构等方面详细分析了惯性权重对于算法性能的影响．结果表明，惯性权重的问题依赖性较小，随着种群的增大，其取值应适当减小，局部版本下，惯性权重的选择具有更大的自由度．     

基于AEPSO-SVM算法的雷达HRRP目标识别

针对雷达自动目标识别中的高分辨距离像(high resolution range profile,HRRP)识别问题,提出自适应进化粒子群(adaptive evolution particle swarm optimization, AEPSO)算法优化支持向量机(support vector machine,SVM)的目标分类识别方法。该算法利用非线性自适应惯性权重的调整以适应粒子寻优的非线性变化过程,采用分阶段调节加速因子增强粒子在进化过程中的学习能力,通过引入局部搜索算子在增加粒子多样性的同时有效避免了粒子陷入局部最优陷阱。通过改进的PSO算法优化SVM参数,建立分类识别器模型。将该AEPSO-SVM模型应用到雷达HRRP目标识别中,实验结果表明,该算法对于高分辨雷达目标识别精度高、鲁棒性强。     

具有动态步长和发现概率的布谷鸟搜索算法

为了进一步改善算法搜索过程中存在的求解精度偏低、收敛速度缓慢等现象,提出具有动态步长和发现概率的布谷鸟搜索算法。该算法通过引入步长调整因子动态约束每一代种群的莱维移动步长,使算法的莱维飞行机制具有自适应性。在发现概率上,使用具有均匀分布和F分布特性的随机惯性权重,改变发现概率的固定取值,加强种群的多样性,保持算法全局搜索、局部探索之间的平衡状态。通过实验证明,所提算法具有良好的可行性,其寻优结果、收敛速度均有提高。     

带全局判据的改进量子粒子群优化算法

针对现有量子粒子群优化算法的多参数(≥5)优化问题易收敛到局部最优解、且无法判定优化结果全局性的问题,提出了带全局判据的改进量子粒子群优化算法。在惯性权重自适应调整的量子粒子群优化算法基础上,进行了粒子位置周期性变异,以及随粒子进化速度和聚集度变化的搜索范围变异。依据粒子聚集度大小,建立了判定优化结果全局性的全局收敛判据。以典型标准函数和乘波体外形多参数优化问题为算例,验证了改进算法和全局判据的可靠性。结果表明,改进算法的全局搜索能力明显提高,优化结果真实可靠,全局判据实用性强。     

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索.PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值.通过对PSO算法的深入分析,基于传统的速度--位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力.测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能.     

PSO_ACS混合算法求解VRPSPD问题及仿真

构造PSO_ACS混合算法求解同时送取货的车辆路径问题(VRPSPD),通过将ACS算法中的信息启发式因子和期望值启发式因子用解空间中的粒子位置动态表示,将PSO算法和ACS算法有机结合起来;利用PSO算法自适应改进ACS中的启发因子,从而提高蚁群算法的适应性。并用动态改变惯性权重的参数的方法加快PSO收敛速度。最终采用Dethloff的典型算例进行仿真实验,验证了混合算法的可行性和有效性,在求解最优解和收敛性能方面具有一定的优势。     

网络化防空导弹体系集中式拦截联盟形成方法

集中式拦截联盟(CIC)形成是网络化防空导弹体系(NADMS)中的新问题,旨在确定目标、火力节点以及制导节点三者之间的最优匹配关系,以使得体系整体作战效能最大.根据问题背景,建立了CIC的约束优化问题模型,并选择收敛速度较快的粒子群优化(PSO)算法对模型进行求解.针对PSO的局部收敛问题,从认知心理学角度将人类特有的创造性思维(CT)引入粒子速度更新公式中,通过提升单个粒子的搜索能力来提高整个群体的寻优质量.基于CT过程经典的四阶段模型构建了算法框架,改进了PSO的速度更新公式.根据CIC问题特点,制定了编码策略及相关变量的离散化运算规则.实验结果证明了算法在CIC问题求解质量和收敛速度方面的优越性.     

改进二分粒子群优化算法的阵列方向图综合

针对粒子群优化(particle swarm optimization, PSO)算法收敛速度慢、寻优精度低、计算量大、容易陷入局部最优解等问题,首先提出了一种无需越界检测的归一化粒子群优化(normalized particle swarm optimization, NPSO)算法,NPSO算法具有比PSO算法更佳的有效性和稳定性,其优化速度和收敛精度要远远优于PSO算法,且其计算量要比常规PSO算法采用越界检测调整小。其次,结合狼群算法(wolf pack algorithm, WPA)中的游走行为,在二分粒子群优化(dichotomy particle swarm optimization,DPSO)算法的基础上,通过对二分粒子赋予不同的探索方向,提出了一种WPA-DPSO算法,WPA-DPSO算法具有3层寻优的功能,不仅有效加强了粒子的搜索范围,避免了算法陷入局部最优解,而且有效提高了DPSO算法的收敛速度、优化精度、稳定性和有效性。在NPSO算法和WPA-DPSO算法的基础上,提出了一种混合型PSO算法(WPA-NDPSO),从而有效克服了PSO算法早熟收敛、搜索范围不大、容易收敛到局部极值、计算量大等问题。均匀线阵方向图综合实验表明:WPA-NDPSO算法不仅具有较优的收敛速度和优化精度,而且具有较强的稳定性和较高的有效性。     

基于自适应进化粒子群算法的多目标优化方法

提出一种自适应进化粒子群优化算法(AEPSO),以提高多目标优化 PSO算法的性能.AEPSO算法把非支配排序技术、自适应惯性权重和特殊的变异操作引入到PSO算法中,来提高算法的全局搜索能力和粒子的多样性.与常用的整体加权方法来处理多目标优化问题不同,AEPSO算法采用非劣解排序来引导粒子的飞行,以改进算法的收敛性,同时采用特殊的变异操作防止早熟收敛并增加优化解的多样性.所提算法的有效性经过四种代表性benchmark函数进行验证,并与几种典型同类型算法进行比较.该算法已成功地用于合金材料的多目标优化设计.实验结果表明AEPSO算法能够较好地兼顾收敛精度与优化解的多样性,满足多目标优化设计的要求.     

基于改进PSO算法的多变量PID型神经网络控制

充分利用PID结构简单、稳定性强的良好性能以及神经网络的自学习和自适应的特长,引入粒子群优化(PSO)学习算法,设计一种多变量自适应PID型神经网络控制器。神经网络的隐含层由带有输出反馈和激活反馈的混合局部连接递归网络组成,采用PSO学习算法优化神经网络参数。在深入研究分析PSO算法的基础上,引入变异因子和惯性权重自适应策略对该算法进行改进,既发挥了PSO算法随机优化收敛速度快的优点,又克服了该算法易陷入局部最优点的缺点,显著提高了控制系统的性能指标。最后,通过对二级倒立摆控制的仿真分析,证明该算法具有较强的鲁棒性。