基于粒子群优化和SOM网络的聚类算法研究

利用改进的粒子群优化算法(PSO)的优化性能,结合SOM网络模型,提出了一种基于粒子群优化算法和SOM网络的聚类算法(PSO/SOM),使用PSO对SOM网络进行训练来代替SOM的启发式训练方法.将PSO/SOM算法用于对Wine和Iris等数据集进行模式聚类识别,可以得到较优的聚类识别效果.相比标准SOM算法能有效提高网络映射的准确程度,降低网络的量化误差和拓扑误差,同时也降低了错聚率,实验结果验证了本算法的有效性.     

基于差分进化算法的圆形口径网格分布面阵的波束优化技术

提出一种圆形口径矩形网格平面阵列和圆形口径三角网格平面阵列的波束优化方法.该方法基于差分进化算法优化阵列的幅度加权,以得到满足指标的阵列远场方向图.将阵列的幅度加权矩阵视为水平向和垂直向2个幅度加权矢量的乘积,相应地将优化矢量的长度由M×N数量级降低为M+N数量级;限定幅度加权在水平向和垂直向基于中心对称,大幅降低了优化迭代次数;采用插值算法,基于优化矢量得到适用于圆形口径阵列的幅度加权矩阵.数值仿真实验结果表明,该方法能快速高效地综合出指标满足要求的阵列方向图,副瓣电平可以达到-35 d B,零陷电平可以达到-60 d B.     

粒子群算法在求解优化问题中的应用

粒子群优化(PSO:Particle Swarm Optimization)算法是一种新兴的优化技术,其思想来源于人工生命和进化计算理论.PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成优化.为了避免PSO算法在求解最优化问题时陷入在局部最优及提高PSO算法的收敛速度,提出了对PSO算法增加更新概率.对无约束和有约束最优化问题分别设计了基于PSO算法的不同的求解方法和测试函数,并对PSO算法求解多目标优化问题进行了研究.仿真实验表明了改进的PSO算法求解最优化问题时的有效性.     

改进的粒子群优化算法(IPSO)及其在桁架设计中的应用

根据土木工程结构优化设计的特点,针对标准粒子群算法(PSO)在求解问题时因粒子多样性不足而易出现早熟、约束不易处理等现象,对标准的粒子群算法进行了改进.应用改进的粒子群算法(IPSO),实现了桁架结构单目标多变量的最优设计.通过与标准的PSO算法和其他优化算法的对比,发现采用IPSO算法具有较好的收敛性能和较高的精度,研究表明该算法实用可行,有望实现对复杂土木工程结构的优化设计,具有重要的理论价值及广阔的工程应用前景.     

面向下一代互联网的智能QoS单播路由算法

为了适应下一代互联网对多个约束条件服务质量(QoS)的要求,提出了一种基于粒子群优化PSO(Par-ticle Swarm Optimization)的智能QoS单播路由算法.首先给出了QoS单播路由问题模型及其数学描述,然后对所考虑QoS参数进行模糊处理,在此基础上利用改进的PSO算法的智能优化能力进行路径寻优.仿真结果表明,提出的算法是可行和有效的.     

基于粒子群算法的井眼轨迹优化研究

为了更优更快地对石油工程中的井眼轨迹进行优化,进行了基于改进粒子群优化(PSO)算法的井眼轨迹优化研究.通过对造斜率归一化,推导出目标函数表达式,将问题归结到对式中参数优化问题上来.引入PSO算法,在保持了PSO算法结构简单可行特点的同时,利用惩罚函数方法和叉乘控制项,对基本PSO算法易限入局部极小点周边区域的局限进行了改进.该井眼轨迹模型和相应算法提高了井眼轨迹优化速度.通过对钻井工程中轨迹参数的优化实践,验证了本算法优于基本的PSO算法,较好地实现了对井眼轨迹的优化.     

粒子群优化算法的改进与性能分析

粒子群优化算法(PSO)在众多的优化问题上表现出良好的性能,广泛应用于很多领域,但极易陷入局部最优解的困局.本文从提高收敛速度方面对PSO算法改进进行了研究,并通过仿真实验证明改进算法的可行性,一定程度上克服了PSO算法易于陷入局部最优解的缺点.     

利用粒子群优化的人脸特征提取识别算法

针对如何提高人脸图像识别率问题,提出了利用粒子群优化(PSO)的人脸特征提取识别算法.采用小波变换和张量主成分分析(PCA)方法对人脸图像进行特征提取,利用PSO对提取的特征进行加权处理,根据特征的每一维元素的聚类正确率进行优化选择,从而达到对人脸提取关键性特征的目的.实验结果表明,所提算法能减小光照、表情和姿态变化的影响,在英国曼彻斯特科技大学人脸数据库上的识别率比张量PCA方法提高了12.75%.     

改进的PSO-VMD算法及其在管道泄漏检测中的应用

针对变分模态分解(VMD:Variational Mode Decomposition)算法分解后有效模态分量选择困难以及去噪效果不理想等问题,将粒子群(PSO:Particle Swarm Optimization)与VMD算法结合,提出一种基于混沌和Sigmoid函数改进PSO的优化算法.利用改进的PSO算法优化V...     

粒子群优化算法及其在电力系统中的应用

粒子群优化(PSO)算法是一种新兴的基于群体智能的进化算法.介绍了PSO算法的基本原理及各种改进方法,总结了近年来PSO在电力系统中的应用研究成果,主要涉及负荷经济分配、机组组合问题、输电网规划、最优潮流计算、无功优化等领域,指出了PSO算法的广阔应用前景。     

超低副瓣相控阵天线的优化综合技术

研究超低副瓣相控阵天线的优化综合技术和互耦补偿技术。方法提出了天线单元间互耦的直接优化修正方法,该方法利用晨线性最优化方法进行超低副瓣相控阵天线综合设计,将单元间的互耦直接计入优化计算中,可使天线阵综合优化和互耦修正一次完成。结果给出了在天线阵不扫描和有一定扫描角度情况下,诮经耦直接优化修正方法的综合优化结果。     

Beam shaping with limited amplitude weight values for satellite active phased array antenna

针对星载DBF有源相控阵天线发射波束赋形的实际需要,提出了一种基于有限幅度加权的波束赋形方案。采用双重编码遗传算法实现了该方案。分别采用有限位长度的二进制编码和实数编码对阵列加权矢量的幅度和相位进行编码,使得阵列加权矢量的幅度仅在几个离散的台阶上变化,限制了阵列加权矢量幅度的动态范围,该方案在方向图旁瓣和功率放大器的效率之间取得了折衷,更适合于实际应用。与复数编码遗传算法相比,在保持最优解的精确度的同时,由于幅度维上搜索空间的减小,加快了算法的收敛速度。为了进一步提高算法收敛速度和避免算法“早熟” ,提出了一种基于”物种多样性“选择保留策略,并对算法采用了自适应交叉和变异概率,使算法更有把握得到全局最优或准最优解。     

基于改进粒子群算法的阵列幅相误差最坏情况分析

建立了阵列幅相误差对副瓣电平性能的最坏情况分析模型,并通过对粒子群算法位置更新后进行边界约束,提出了一种基于改进粒子群算法(PSO)的最坏情况分析方法.该方法可以不考虑误差的分布形式,并且很容易理解和编程实现.实验结果验证了新方法的准确性和有效性.     

光控相控阵天线子阵划分方法的研究

针对在光控相控阵天线中，子阵数和每个子阵内天线单元数的不同会对相控阵系统的性能有明显影响的问题，在光控相控阵天线系统物理模型的基础上阐述了子阵数与主瓣偏移和副瓣电平的关系，提出了利用幅度加权消除副瓣电平的影响，只基于主瓣偏移的子阵划分方法．将2个约束条件减少为一个约束条件，简化了运算过程，并通过计算机仿真验证了结果的正确性和有效性．     

基于GWO算法光伏阵列多峰值的MPPT

针对因遮挡处于部分阴影条件下的光伏阵列, 其功率特性曲线由单峰曲线变为叠峰曲线, 使最大功率点跟踪(MPPT)算法失效, 而其他智能算法(如粒子群优化(PSO)算法)存在参数较多、 收敛速度慢、 振荡幅度大等问题, 将收敛速度快、 求解精度高的灰狼优化(GWO)算法应用于光伏阵列多峰值MPPT算法中. 先建立处于局部遮挡情形下光伏阵列的数学模型, 再解析基于GWO算法的MPPT算法原理. 仿真实验结果表明: GWO算法可快速跟踪到最大功率点; GWO算法比PSO算法的跟踪速度提高1倍, 跟踪效率提高0.1%.     

Taylor阵列双阵元失效校正算法

为避免Taylor阵列双阵元失效,在交叉熵全局随机优化算法的基础上提出修正交叉熵算法,给出其程序流程,通过一维连续函数最大值优化和序列盲估计两个算例,验证了该算法的有效性和稳定性。仿真结果表明：给定峰值旁瓣电平为-30 dB,修正叉熵算法通过重置非失效阵元馈电振幅的方法,能够成功地完成方向图校正。该算法不仅可以保证校正结果的准确性,而且还能提高其有效性。     

一种低副瓣稀布阵列天线的方向图综合算法

提出了一种对含有较多单元的稀布直线阵列,以及稀布平面阵列天线进行低副瓣综合的二阶算法。采用迭代傅里叶算法获得一个具有较低副瓣,栅格间距为半波长的稀疏直线平面阵列。针对所得到的稀疏阵列,选择相邻间距大于半波长的单元作为被优化对象,进一步采用差分进化算法,在满足单元间距不小于半波长的约束条件下,对被选中单元的位置和激励相位进行优化来获取具有更低副瓣的稀布阵列天线。根据上述约束条件,在执行完算法的第一步后,阵列中大部分单元的位置已经固定下来,因此,只有少量单元进入下一步的优化进程,从而有效缩减了差分进化算法的寻优空间,加速算法的收敛。基于不同直线阵列和矩形平面阵列的方向图综合结果表明,采用本算法得到的稀布阵列天线,其旁瓣电平值相比文献中已有的结果均表现出不同程度的下降。     

一种基于粒子群优化的K-均值彩色图像量化算法

目的利用粒子群优化算法和K-均值方法研究彩色图像的量化问题。方法针对K-均值聚类量化算法对初始值比较敏感,易陷入局部极小值从而使得算法得不到全局最优解,为局部搜索算法,以及粒子群优化算法是一种全局寻优方法的特征,把K-均值聚类方法和粒子群优化算法结合起来,将K-均值聚类方法中的聚类函数作为粒子群优化算法中的粒子适应度函数,对彩色图像进行聚类量化。结果实验表明新算法在峰值信噪比和均方根误差评判准则下可以得到更好的量化结果。结论新方法有效地克服了K-均值聚类方法和粒子群优化算法的不足。     

声波测井相控线阵辐射器幅度加权的优化设计

对声波测井相控线阵声波辐射器进行了幅度加权的优化设计。分别针对辐射声束主瓣和旁瓣的最小化条件建立了相控线阵幅度加权的优化目标函数,采用拉格朗日乘子算法对目标函数进行非线性规划,并确定了最优幅度加权因子。通过数值计算对比分析了均匀幅度加权和不同幅加权条件下相控线阵声波辐射器的指向性以及辐射声束角宽的差异。结果表明,优化设计可以很好地实现相控线阵辐射旁瓣的最小化和给定旁瓣级条件下声束主瓣角宽的最窄控制,并且可以根据声波测井的不同要求提供相控线阵辐射器幅度加权的优化参数。     

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.