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。     

基于改进粒子群算法的移动机器人全局路径规划

提出了一种新的移动机器人全局路径规划算法．该算法首先建立机器人工作空间障碍物顶点模型,根据障碍物顶点信息构造一个移动机器人从始点到终点的无碰距离函数,然后用改进的粒子群算法对此路径进行优化, 得到全局最优路径．     

基于分区粒子群算法的焊接机器人路径规划

点焊机器人在焊接过程中通常要遍历很多焊点,如何规划焊接机器人的焊接路径已经成为焊接工艺的研究重点之一。当焊点数量达到一定程度时,使用传统的方法很难找到最优路径。焊接机器人的路径规划指标有很多,一般以路径距离最短或时间最少居多。以焊接路径距离最短为规划目标,利用改进的分区粒子群算法对焊接机器人的焊点路径进行规划,仿真结果验证了该方法的可行性。     

融合榜样学习和反向学习的粒子群优化算法

为了提高粒子群优化算法(Particle swarm optimization,PSO)的优化效率,降低其陷入局部最优的概率,提出了一种融合榜样学习和反向学习的PSO算法(PSO based on combing Example learning and Opposition learning,EOPSO).首先,对粒子群中的非最优粒子采用新颖的榜样学习机制更新,以便提高全局搜索能力,避免算法陷入局部最优;其次,对粒子群中最优粒子采用反向学习混合机制更新,提升该粒子的搜索能力,进一步避免算法陷入局部最优;最后,对粒子群中的最优粒子还采用了自身变异机制更新,有利于搜索前期的全局搜索和后期的快速收敛.在15个不同维度的基准函数上进行了仿真实验,实验结果表明,与最先进的PSO改进算法ELPSO、SRPSO、LFPSO、HCLPSO相比,EOPSO优化性能更好.     

粒子群优化算法研究进展

粒子群优化(PSO)算法是一种源于人工生命和演化计算理论的新兴优化技术.其基本思想为:每个粒子被随机的初始化以表示一个可能的解,并在解空间通过更新迭代搜索最优解.PSO的优势在于算法简单,对目标函数要求少,易于实现而又功能强大.目前,已受到演化计算领域的学者们的广泛关注,并提出了许多改进的算法.本文阐述基本粒子群的原理,给出了各种改进的算法,并展望了PSO的发展方向.     

基于合理信息共享机制的粒子群算法

本文基于合理的信息共享机制,提出了一种改进的粒子群算法。该算法一方面,将粒子群算法中粒子行为基于个体最优位置和种群最优位置变化为基于个体最优位置、种群最优位置和其余粒子的个体最优位置。另一方面,粒子根据适应值的大小来决定其余粒子个体最优信息的利用程度。因此,每个粒子利用了更多其它粒子的有用信息,加强了粒子之间的合作与竞争。3个基准测试函数的仿真试验表明了改进算法的有效性。     

基于混合粒子群算法的农情监测无人机路径规划

用无人机对果树病虫害进行巡航拍摄是有较大潜力的农情监测方法,本文以飞行时间最短为目标,建立了农情监测无人机路径规划的数学模型.结合遗传算法、模拟退火算法的思想,在粒子群算法中引入交叉、变异、替换操作,提出了一种混合粒子群算法来求解无人机路径规划的数学模型.实验表明,无人机路径规划数学模型可以被混合粒子群算法有效求解,且...     

基于粒子群算法的移动机器人全局路径规划策略

提出了一种基于保收敛粒子群优化算法的移动机器人全局路径规划策略,为移动机器人在有限时间内找到一条避开障碍物的最短路径提供了一种解决方案.首先建立环境地图模型,将连接地图中起点和终点的路径编码成粒子,然后根据障碍物位置规划出粒子的可活动区域,在此区域内产生初始种群,使粒子在受限的区域内寻找最优路径.在搜索过程中,粒子群优化算法的加速系数和惯性权重均随迭代次数自适应调节.仿真实验表明算法可在起点与终点之间找到一条简单安全的最优路径.与其他文献所提的方法进行了对比研究,结果表明本文所提算法具有更快的搜索速度和更高的搜索质量.     

基于粒子群算法的盲源分离算法

简要地介绍了粒子群算法(PSO)及其改进算法和盲源分离算法(BSS),改进的粒子群算法具有并行性、易实现等优点。将改进的粒子群算法与盲源分离算法相结合,提出了基于粒子群算法的盲源分离算法。该算法以混合信号的峰度为目标函数,采用独立分量分析的方法,用改进的粒子群算法代替常规的最陡梯度下降法,对瞬时混合的信号进行盲分离,解决了梯度算法收敛速度慢的问题。实验仿真表明:该算法具有收敛速度快、分离效果好等特点。     

基于深度学习的智能学习资源推荐算法

为了提高资源推荐性能,采用广义回归神经网络完成资源推荐。首先,提取推荐系统的用户和资源特征,选择两者的特征差异值之和作为推荐系统目标函数,然后构建广义回归神经网络(Generalized regression neural network, GRNN)资源推荐模型。考虑到GRNN训练效果对平滑因子和核函数中心的依赖性强的特点,引入差分进化(Differential evolution, DE)算法对GRNN的平滑因子和核函数中心偏移因子进行优化求解：选择最小特征差异值求解函数作为DE算法适应度函数,通过DE算法的多次交叉、变异和选择操作,获得最优平滑因子和偏移因子。最后采用优化后的平滑因子和偏移因子进行GRNN资源推荐,生成特征差异较小的候选资源序列作为资源推荐序列。试验证明,选择合理的DE算法交叉速率和差分缩放因子,能够获得较好的平滑因子和偏移因子,GRNN也能够获得更好的推荐效果。和常用资源推荐算法比较,对于3种不同的训练样本,该文算法能够获得更优的资源推荐准确率,且RMSE值较低。     

基于侦察学习策略的粒子群算法优化

针对粒子群算法收敛能力不足和易陷入局部最优的问题,提出了一种基于侦察学习策略的新型粒子群算法。 算法首先利用拓扑结构构建粒子种群,其次采用联合因子均衡算法的局部搜索能力和全局搜索能力,并通过侦察学习策略改进算法的速度和位置公式进而产生候选解;Wilcoxon 秩和检验结果和CEC2017 基准函数检测结果表明,新型粒子群算法的收敛能力,最优解精度以及算法稳定性更好,说明算法性能得以提升。     

基于免疫粒子群优化的移动Sink路径规划算法

为了减少能量空洞和延长网络生命周期,在无线传感网中采用移动 Sink 的方式收集节点采集的数据是解决能量效率问题的有效措施．采集路径的规划问题类似于旅行商问题,无法得到多项式时间的解．提出了将人工免疫算法和粒子群算法相结合,针对移动 sink 数据收集的路径规划问题寻求近似最优解,仿真结果表明: 与其他算法进行性能比较,所提出的优化算法能够有效减少能耗和缩短遍历路径．     

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。     

基于量子粒子群算法的无人水面艇路径规划

为了获得无人水面艇航行的最优路径,提高航行的安全性和航行路径的平滑度,提出一种基于量子粒子群优化的无人水面艇路径规划算法。首先,通过引入动态控制参数来提高该算法的寻优能力和搜索精度,并由测试函数验证其可行性;然后,在航行安全的前提下,以路径长度和路径平滑度为规划目标,在不同环境下对无人水面艇进行路径规划仿真实验。仿真结果表明,该算法在路径长度、路径平滑度及路径安全性方面表现较好,能找到全局最优路径。     

基于粒子群优化算法的并行学习神经网络集成构造方法

为了提高神经网络集成中个体网络的差异性,并减少将集成用于预测时的计算量,本文结合粒子群优化算法和个体网络的并行学习机制,提出了一种基于粒子群优化的并行学习神经网络集成构造方法。实验表明,和传统的集成构造方法相比,该构造方法具有比较好的性能。     

基于改进粒子群算法的取件机械手轨迹综合优化设计

为优化取件机械手进入模具时的运动轨迹,提出了二次拉格朗日插值粒子群算法(QLIPSO),此算法引入了二次拉格朗日插值局部搜索的方法,能够扩大搜索空间,避免局部收敛发生早熟,有效提高收敛精度.对比研究了典型粒子群算法(PSO)和几种改进型粒子群算法对取件机械手结构优化的设计效果.数值实验表明,QLIPSO算法具有最快的收敛速度,并且能够获得更好的优化结果.经该方法优化设计后,机械手在进入模具阶段的运动轨迹,与未优化前相比,直线度误差减少了98.06%,说明该方法能够有效优化取件机械手,获得更精确的运动轨迹.     

差分演化的微粒群算法

针对基本粒子群算法易陷入局部极小点、搜索精度不高等缺点,在算法改进方面引用差分演化算法的变异操作提出了差分演化的PSO算法,并用matlab仿真证明该算法的可行性。     

基于改进粒子群优化算法的Ontology划分方法

为解决规模巨大的Ontology难以使用的问题,提出了一种基于改进粒子群优化算法的Ontology自动划分方法.根据Ontology划分的要求,将概念落入某个子Ontology的概率作为粒子的速度,而将概念落入的子Ontology编号组成的数字串作为粒子,设计了粒子群优化算法的适应度函数,并给出了Ontology划分算法的具体步骤.最后进行了相关对比实验,结果表明,该方法具有比其它方法更好的划分效果.     

贝叶斯网络结构粒子群优化学习算法

提出一种信息论结合粒子群优化的贝叶斯网络结构学习算法,将约束最大信息熵作为最高评分函数,对网络结构进行复杂度约束,设计了粒子位置和速度向量的操作方法,解决单纯利用KL距离进行搜索的缺陷.在网络结构的搜索空间相对较大的情况下,该优化算法能在较短的时间内收敛,获得更准确的网络结构.仿真实验结果表明,该算法在时间和精度上都具有较好的效果.