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.     

自适应变异粒子群算法在交通控制中的应用

提出了自适应粒子群算法结合实数遗传算法中变异算子的混合算法，它能提高算法的收敛性和稳定性。同时，通过对交通路口的通行情况的研究提出了一种新颖的离散交通信号控制模型。此模型以交叉路口各方向车流支路为基本单元，以各支路车流信息为输入，得出交通信号控制的各项性能指标。在此模型的基础上，应用自适应变异粒子群算法实现交通信号优化控制及验证算法。仿真结果表明自适应变异粒子群算法能够有效实现交通信号优化控制。     

基于混合粒子群优化算法的故障特征选择

通过将遗传算法和粒子群优化算法相结合,提出了混合粒子群优化算法(HPSO),用于机械故障特征选择问题.此方法在对粒子进行优化的同时选择部分优良的粒子进行遗传交叉和变异操作,增强了算法跳出局部极值的能力.某导弹运输车减速器齿轮故障特征选择试验结果表明HPSO可以快速、有效地求得优化特征集,其性能优于PSO和GA.     

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.     

基于粒子群优化算法的KK分布参数估计方法

针对KK分布的参数估计,首先介绍了半经验估计法,然后提出了一种基于粒子群优化的估计方法。该方法将杂波数据统计直方图与KK分布概率密度函数在部分采样点上的差异作为代价函数,通过粒子群优化搜索参数的最优值。通过蒙特卡罗方法对半经验估计法在权重参数不同时的性能进行了仿真,然后分析了杂波数据样本点数的多少等因素对所提算法精度的影响,最后基于实测合成孔径雷达图像杂波数据对该算法进行了验证。仿真结果表明,该算法对KK分布参数具有良好的估计性能,KK分布与K分布等相比,对合成孔径雷达图像杂波数据具有更强的拟合能力。     

基于自适应粒子群优化的盲源分离

针对现有的盲源分离算法性能大多依赖于非线性函数的选取问题,提出了一种基于自适应粒子群优化(adaptive particle swarm optimization,APSO)的盲源分离算法。该算法以分离信号的负熵为目标函数,根据分离信号的状态自适应地调整惯性因子,克服了收敛速度和信号恢复质量之间的矛盾。仿真实验表明,该算法的性能对源信号的概率密度性质没有依赖性,因而能很好地分离亚高斯和超高斯信号的混合信号,并且能有效地避免早熟收敛问题,具有较快的收敛速度,分离效果好。     

基于最优评价的改进自适应粒子群算法

在求解高维空间中复杂多峰函数的优化问题时,传统的粒子群算法在收敛速度和局部搜索能力等方面表现出严重不足。针对这些问题,提出了一种基于最优评价的改进自适应粒子群算法(IAPSO),引入了改进的速度迭代公式,利用对每次迭代后种群的一系列最优值的评价来控制惯性权重的增幅,并设置对速度和位置的变异机制来防止搜索陷入局部最优。相关实验表明,在对高维空间中的复杂多峰函数进行优化求解时,改进粒子群算法IAPSO的表现比常规粒子群算法更加优越。     

一种自适应粒子群算法

基于对不同粒子群算法(PSO)中惯性权重、全局收敛性、收敛精度和速度的分析,提出了一种新的全局最优值自适应变化的粒子群算法(LAPSO).并采用该方法对三种不同的基准函数进行了测试,将LAPSO测试结果与典型的收敛粒子群算法(LKPSO)和扩散粒子群算法(LWPSO)进行了比较.结果表明:自适应粒子群算法具有收敛速度快、进化精度高的特点,是一种新型全局收敛粒子群算法.     

基于混沌映射的自适应退火型粒子群算法

粒子群优化算法是一种新型的群体智能算法,具有参数少、使用方便、效果好等优点,因而得到了广泛应用。为了改进粒子群算法的性能,在自适应粒子群算法和模拟退火粒子群算法的基础上提出基于混沌映射的自适应退火型粒子群算法,在局部最优解附近添加混沌扰动算子,使其具有突跳能力,进而提高全局搜索能力;将传统的惯性因子改为双重选择策略,不仅使惯性因子随着目标函数的变化而变化而且随着粒子当前位置与上一时刻位置的距离的变化而变化;采用线性递减加速因子来动态调整自身经验和群体经验在迭代中的作用。通过数值实验验证了改进算法的性能,结果表明改进的算法对于不同类型的函数的寻优能力要优于自适应粒子群算法和模拟退火粒子群算法。     

基于自适应量子粒子群算法的FIR滤波器设计

针对量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法的参数控制方式,提出了一种自适应调节方法,该方法根据粒子之间的位置关系来设定参数值,给出了具体的设计思想与实现步骤。然后针对有限脉冲响应(finite impulse response,FIR)数字滤波器的优化设计实质,即多参数优化问题,通过适当的编码方式将改进的QPSO算法(adaptive QPSO,AQPSO)应用在其优化设计中,设计了低通和带通FIR数字滤波器。实验结果表明,AQPSO在收敛速度、鲁棒性及优化效果等方面都优于遗传算法(genetic algorithm,GA)、PSO算法及QPSO算法,说明了AQPSO算法的有效性和可行性。     

基于自适应模糊度参数选择改进FCM算法的负荷分类

在建立了负荷分类五阶段过程模型的基础上,提出了用类内距离和与类间距离和之比作为负荷分类评价指标自适应选择模糊度参数的方法,同时用模拟退火算法和遗传算法对模糊C 均值（FCM） 算法的搜索性能进行优化. 实验结果表明,在负荷分类中常用的模糊度参数值m=2并不是最优的,负荷分类中模糊度参数的最优取值区间为[2.6,3.2]. 同时,改进算法还克服了传统 FCM 算法全局搜索能力不足的问题,提高了负荷分类的精确性和有效性.     

基于NP算法的CRM中客户识别特征的选择

客户识别对于CRM的实施具有重要意义，客户特征选择是客户识别中的重要问题．嵌套分割算法（NP算法）是一种新型的系统优化方法，通过对其四个算子进行确定，将其应用于具有组合优化特征的CRM中客户识别中的客户特征选择问题．并通过将NP算法应用于某人寿保险公司的客户特征选择问题，说明了该方法的有效性．该方法不但能够保证以概率1收敛于最优解，而且能够提高客户特征选择的效率．     

基于粒子群算法的地磁匹配航迹规划

针对无人机地磁匹配航迹规划问题,提出了一种基于粒子群优化算法的航迹规划方法.借鉴稀疏A-Star搜索算法的思想,将约束条件结合到搜索方法中,给出了基于地磁网格图的航迹节点扩展方法.结合无人机的机动性能约束和地磁匹配的自身特点,设计了一种适用于地磁匹配的航迹性能评价函数作为粒子群的适应度函数.仿真实验的结果表明:生成的航迹能够满足地磁匹配导航要求,且具有威胁规避的能力.最后,针对只在中制导段采用地磁匹配的情况提出了初步的解决方案,保证无人机顺利进入地磁匹配航迹段.     

基于改进微粒群算法的快速山峰聚类法

依据样本密度使用高斯函数构造山峰函数时,削去对山峰函数贡献较小的大部分边缘,从而大大减少计算工作量;提出了一种改进的微粒群算法,使之具有多峰函数寻优能力,可以一次求出山峰函数的各个峰值,即基于改进微粒群算法的快速山峰聚类法,给出了算法的原理,步骤,快速山峰函数与常规山峰函数间的误差及计算工作量的比较.仿真结果表明,该算法计算简单快捷,可以一次求出所有的聚类中心,在满足精度要求的情况下,能够减少90%以上的计算工作量,有效地搜寻到数据样本空间的各个聚类中心,从而实现对数据样本的准确聚类.     

基于PSO和扩展TOPSIS方法的COA优选方法

作战方案(COA)优选是任务规划系统的重要组成部分,其性能很大程度上决定了任务规划的性能.因此针对任务规划必须符合作战要求和时效性要求,提出了扩展TOPSIS和PSO结合的COA优选方法.首先,为了提高规划的时效性,采用粒子群算法进行搜索优化;对作战要求和作战效能数据进行模糊化处理,生成标准化决策数据,计算每个COA到TOPSIS(逼近于理想解排序)正负理想解的距离;得到COA灰色关联贴进度,作为PSO算法的适应值.文章最后进行实例分析,验证该方法的可行性和有效性.     

基于PSO的不确定时间序列模体发现算法

针对不确定时间序列(uncertain time series, UTS)的模体发现(motif discovery,MD)问题,提出了基于粒子群(particle swarm optimization, PSO)的UTS MD算法。该算法根据UTS的特点,设计了基于PSO的UTS MD的研究框架,并通过对时间序列片段的起始时刻和持续时间进行编码和修正,实现了在该框架下对UTS的MD。在实验中,针对所提出的算法,验证了其可行性,比较了其与MK、MOEN算法在运行时间、占用内存和收敛性方面的性能,并分析了其MD准确率,结果表明所提方法占用较少内存与运行时间,可以发现不同长度的模体,且具有收敛性和较高的准确率。     

基于粒子群优化的稀疏分解变尺度快速算法

针对一类可分稀疏性度量函数,结合最优化理论,研究了稀疏信号重构的快速算法。稀疏分解可以看成是一个带等式约束的优化问题,首先利用惩罚函数法将其转化为无约束优化问题|然后在粒子群优化估计搜索步长的基础上,利用变尺度法寻找无约束优化问题的最优解|最后依次增大惩罚因子,直至稀疏表示系数满足分解精度的要求。该算法避免了矩阵求逆运算,且无需先验地选取惩罚因子。仿真实验验证了算法的有效性和快速性。     

Cooperative extended rough attribute reduction algorithm based on improved PSO

Particle swarm optimization (PSO) is a new heuristic algorithm which has been applied to many optimization problems successfully. Attribute reduction is a key studying point of the rough set theory, and it has been proven that computing minimal reduction of decision tables is a non-derterministic polynomial (NP)-hard problem. A new cooperative extended attribute reduction algorithm named Co-PSAR based on improved PSO is proposed, in which the cooperative evolutionary strategy with suitable fitness functions is involved to learn a good hypothesis for accelerating the optimization of searching minimal attribute reduction. Experiments on Benchmark functions and University of California, Irvine (UCI) data sets, compared with other algorithms, verify the superiority of the Co-PSAR algorithm in terms of the convergence speed, efficiency and accuracy for the attribute reduction.     

PSO算法求解基于PCVRP的热轧批量计划问题

将热轧批量计划编制问题归结为奖金收集的车辆路径问题,按照热轧工艺规程,同时考虑轧制计划中钢板宽度、厚度的反跳约束,设计了反跳惩罚表,提出一种多目标数学规划模型,即最小化轧制计划数、最小化惩罚值、最小化未轧制板坯数.应用粒子群(PSO)算法进行求解,对PSO算法的求解过程进行了改进,使其适用于热轧批量计划问题,在实验中测试了算法的参数(惯性权重、加速因子)对解的影响,并进行了实验分析,获得了满意的结果.实验表明,经过改进的PSO算法所获得的最优解以及平均使用时间上都是有效的.     

基于协同memetic PSO算法的传感器目标分配问题求解

传感器目标分配问题是防空系统传感器管理的一项重要研究内容。对面向跟踪的防空系统传感器目标分配问题进行了研究,结合主客观分配原则,利用0-1整数规划模型对问题进行了建模,约束主要考虑传感器的跟踪能力和目标的被执行跟踪容量。构造了一种协同memetic 粒子群优化(particle swarm optimization, PSO)算法,分别采用PSO算法和邻域搜索算法作为全局搜索和局部搜索。为了在粒子位置矢量中反映出传感器组合,根据问题设计了一种特殊的粒子编码方法。最后通过仿真实验验证了算法的合理性和有效性。