改进型耗散粒子群优化算法

通过对标准粒子群优化算法中惯性权重的分析和对耗散理论的研究,提出了一种惯性权重正弦调整的耗散粒子群优化算法(S-DPSO),并对该算法进行了深入的分析和研究.通过对4个典型函数的仿真测试,试验结果表明S-DPSO在收敛速度和全局收敛性方面都比标准粒子群优化算法、随机惯性权重粒子群优化算法、惯性权重正弦调整粒子群优化算法、耗散粒子群优化算法和随机惯性权重耗散粒子群优化算法有明显改进.理论分析和仿真试验验证了S-DPSO的正确性和有效性.     

粒子群算法及其与遗传算法的比较

介绍了粒子群算法的基本原理;比较了粒子群算法与遗传算法,分析了二者的信息共享机制、全局收敛性以及算法的特点;并且对粒子群算法和遗传算法的应用提出了建议.     

基于CPSO算法的岩石蠕变模型非定常参数反演分析

针对粒子群优化(PSO)算法具有全局寻优能力强、无梯度信息、收敛速度快、算法简单但易陷入局部最优解且初始化解的质量不高的特点,利用混沌的遍历性,把混沌机制和粒子群优化算法结合起来,对粒子群优化算法进行了改进,提出了混沌粒子群优化算法,并利用混沌粒子群优化(CPSO)算法对岩石蠕变本构模型的非定常参数进行了反演分析,算例结果表明,采用该混沌粒子群优化算法反演非定常参数是可行的.     

粒子群优化算法在皮革排样中的应用

该文针对皮革排样优化中保持种群个体多样性和全局寻优存在的问题,研究了粒子群算法、基于小生境的粒子群算法及基于免疫原理的粒子群算法这3种方法,分别对其算法的原理和操作步骤进行阐述,增强了研究者对粒子群算法的理解,提供了研究粒子群的比较系统的算法研究现状,最后对粒子群的应用方向进行列举,使学者对粒子群算法的应用及发展有进一步了解。     

自适应搜索的免疫粒子群算法全局收敛性分析

算法的收敛性分析,不仅对算法提供了理论支持,而且能够提高算法的实际应用效率.在随机搜索算法的基础上给出一些粒子群算法收敛性的证明方法,并且修正了一篇论文中两个不正确的收敛性证明.而且将粒子群算法的收敛性证明扩展到免疫粒子群算法中,证明了由张超等人提出的基于自适应搜索的免疫粒子群算法的收敛性,对于以后免疫粒子群算法的改进和使用有很大的帮助.     

一种新型粒子群优化算法

为提高基本粒子群算法的搜索效率,引入和声算法中产生新解的策略(称之为和声策略),综合粒子自身经验和社会认知两方面的信息直接更新粒子的位置,提出了基于和声策略的新型粒子群优化算法,通过对高维复杂函数的优化分析比较结果表明,基于新型粒子群优化算法的搜索能力较基本粒子群优化算法大大提高。本算法对其它智能算法具有借鉴意义。     

一种自适应改变惯性权重的粒子群算法

针对标准粒子群算法收敛性和收敛速度的问题,分析标准粒子群算法惯性参数对算法性能优化的影响,提出一种自适应改变惯性权重的粒子群算法（ACPSO）。通过对粒子速度和位置变化过程的分析,并结合早熟收敛程度和个体适应值自适应的调整惯性权重,使得算法能在全局收敛性和收敛速度之间找到良好的平衡关系,并且通过典型的函数测试,表明此方法有效的控制了粒子群的多样性,而且具有良好的收敛速度。     

混合粒子群MP算法在脑电信号分析中的应用

目的开辟脑电信号分析的新途径。方法将混合粒子群算法与MP算法相结合,对脑电信号进行重构。结果混合粒子群MP算法不但极大地提高了信号稀疏分解的速度,而且还能够取得良好的重构效果。结论混合粒子群MP算法可以作为脑电信号分析的新方法。     

基于粒子群优化的独立分量分析算法研究

在分析独立分量分析算法的基础上,给出了一种基于粒子群优化的独立分量分析算法。该算法以互信息量最小化为目标函数,通过对粒子群位置矢量和速度矢量更新的改进,得到全局最优值,从而得到分离矩阵。仿真实验表明,基于粒子群优化的独立分量分析算法是一种非常有效的盲源分离算法。     

混合粒子群MP算法在脑电信号分析中的应用

目的开辟脑电信号分析的新途径。方法将混合粒子群算法与MP算法相结合,对脑电信号进行重构。结果混合粒子群MP算法不但极大地提高了信号稀疏分解的速度,而且还能够取得良好的重构效果。结论混合粒子群MP算法可以作为脑电信号分析的新方法。     

用差异演化-粒子群混合算法确定含水层参数

差异演化-粒子群混合优化算法是利用差异演化算法变异粒子个体的历史最优位置,保持种群多样性,与粒子群优化算法相结合的一种混合优化算法。应用差异演化-粒子群混合优化算法分析直线供水边界含水层抽水试验数据确定含水层参数,并将该算法所得计算结果与其他方法的结果进行比较,分析待估参数的不同取值范围对参数估计的影响,发现差异演化-粒子群混合优化算法能够有效地确定含水层参数,且目标函数值更小,计算精度更高,可达到1.673 1×10~(-6);待估参数范围的增大对差异演化-粒子群混合优化算法的收敛性影响较小,当待估参数取值范围的上限扩大到原来的14倍时,收敛率高达97%,且得到目标函数值基本一致,由此可知,差异演化-粒子群混合优化算法对初值选取的敏感性低,寻优能力强,稳定性好。数值实验结果表明:差异演化-粒子群混合优化算法有效地避免了粒子群优化算法所出现的早熟现象,是分析抽水试验数据,确定含水层参数和计算观测孔与虚拟映射井之间距离的有效方法。     

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。     

基于模糊系统的金具温升预测方法

为了提高直流特高压阀厅连接金具的温升预测准确性,将基本粒子群算法与递推最小二乘算法结合,形成改进粒子群算法。利用试验得到训练数据与测试数据,通过训练数据调整模糊系统。训练算法分别为基本粒子群算法、递推最小二乘算法和改进粒子群算法,其中改进粒子群算法的收敛效果优于其他2种算法。通过训练数据与回归分析对阀厅连接金具的温升进行建模,用测试数据对各方法所得模型进行检验,发现由改进粒子群算法训练模糊系统所得模型的测试效果最好。测试结果表明,若能得到足量训练数据,用改进粒子群算法训练模糊系统的方法预测阀厅连接金具的温升是可行的。     

基于可靠性的供应链设施选址问题的优化模型

针对传统设施选址模型片面追求成本最小化而忽视供应链系统服务水平的情况,建立了一个基于容量有限制的供应链设施选址可靠性问题的多目标优化模型(RCFLP),并针对模拟退火算法与粒子群算法的优缺点,提出了一种混合型智能算法—模拟退火粒子群算法。通过收集中国各个省的人口和各个省会的相互之间的距离数据,构建实例,通过本文建立的模型与模拟退火粒子群算法进行了求解, 并对结果进行了分析,将模拟退火粒子群算法计算结果与模拟退火算法和粒子群算法的计算结果相比较,证明了模拟退火粒子群算法的可以较快地获得较好的全局最优解。     

粒子群算法在金融风险模型中的研究与改进

在一种非线性金融风险模型中引入粒子群算法,针对粒子群算法在迭代后期搜索能力不高、粒子容易陷 入局部最优的问题,基于对惯性权重的优化以及对每个粒子个体位置变异,提出一种改进后的粒子群算法。 利用粒子群算法选择最优控制参数,以最大程度降低金融系统的总风险值。仿真结果表明,改进后的粒子群算 法在全局最优以及搜索速度方面优于传统的粒子群算法。     

粒子群优化算法中惯性权重改进策略综述

在粒子群优化算法的3个参数中,惯性权重是最重要的参数,它对粒子群优化算法性能的提高起到至关重要作用.因此许多学者对粒子群优化算法中的惯性权重设计进行了广泛研究,目前取得许多成果.本文介绍了基本粒子群优化和标准粒子群优化算法,综述了惯性权重在粒子群优化算法中的各种改进策略.为粒子群优化算法的进一步改进研究提供参考.     

带高斯扰动和协同寻优的蝙蝠粒子群混合算法

为了进一步提高粒子群算法的性能,提出了一种新的群体智能优化算法——带高斯扰动和协同寻优的蝙蝠粒子群混合算法。该混合算法利用蝙蝠个体脉冲的回声定位对最优粒子gbest进行高斯扰动而产生一个局部解,把该局部解加到蝙蝠种群中,然后根据局部解的位置优劣与蝙蝠个体产生的响度来更新粒子群。在寻优过程中,对gbest进行高斯扰动增加了种群的多样性而避免粒子群过快陷入局部最优,并且加强了蝙蝠种群与粒子群的信息交互,协同寻优。与蝙蝠算法、标准粒子群算法、烟花算法、带高斯扰动的粒子群算法、粒子群差分算法相比,带高斯扰动和协同寻优的蝙蝠粒子群混合算法的总体性能优于其他5种算法。     

基于熵模型的粒子群优化算法

为了改善粒子群算法在解决高维优化问题时易早熟收敛且存在大量无效迭代的问题,提出了一种基于熵模型的粒子群优化(EPSO)算法.通过引入信息熵模型,精确分析了粒子群搜索过程中的聚集特性,将粒子群搜索过程划分为3个阶段进行优化.第1阶段引入粒子迭代熵差,优化调整惯性权重;第2阶段根据粒子群熵值变化,适时重置惯性权重;第3阶段采用截断策略,减少粒子群的无效迭代.实验结果表明,在Sphere、Rosenbrock、Ackley、Griewank、Rastrigin五个标准测试函数中,EPSO算法的求解精度和收敛速度都优于传统粒子群算法、经典粒子群算法、自适应惯性权重粒子群算法以及新的自适应惯性权重粒子群算法,并且减少了算法的大量无效迭代,从而验证了EPSO算法的有效性.     

粒子群优化算法收敛性分析

对粒子群优化算法的收敛性进行了分析,给出了收敛条件,数值试验计算验证了收敛性分析结果。讨论了粒子群优化算法参数选取的基本原则。     

基于粒子群的改进智能算法在载荷识别中的应用

针对粒子群优化算法(PSO)无法处理反求问题中的病态问题,基于粒子群优化算法,通过遗传算法对粒子群优化算法进行改进,提出一种改进的粒子群优化算法(GAPSO),通过载荷识别对该方法进行验证,并应用于静态载荷识别和动态载荷识别算例中。研究结果表明:改进后的粒子群优化算法既能使粒子群优化算法处理病态问题,又提高了反求问题的求解精度。