遗传算法与微粒群算法的比较

通过几个测试函数对遗传算法和微粒群算法进行了比较.结果表明在寻找最优解的最优值和速度方面,微粒群算法优于遗传算法.     

一种新型自适应粒子群优化粒子滤波算法及应用

基于粒子群优化的粒子滤波算法精度不高,运算复杂度大,难以在实际工程中应用. 为此,文中提出一种新型邻域自适应调整的动态粒子群优化粒子滤波算法. 该算法考虑了粒子的邻域信息,利用多样性因子、邻域扩展因子和邻域限制因子共同对粒子的邻域粒子数量进行自适应调整,控制粒子对邻域的影响,减轻局部最优现象,达到收敛速度和寻优能力的最佳平衡. 利用UNGM模型、目标跟踪模型以及故障检测模型对算法的性能进行仿真测试,结果表明：该算法与PSO-PF相比提高了精度和运算速度,具有实际工程应用价值.     

解决批量流水线调度问题的离散微粒群算法

提出了解决以makespan为目标的批量流水线调度问题的离散微粒群优化算法.该算法采用了基于工序的编码方式,设计了新的粒子生成公式,通过局部搜索来提高算法的开发能力,从而使微粒群算法可以直接应用于调度问题.仿真实验表明了上述算法的有效性.     

基于粒子群算法的珩磨加工参数优化研究

粒子群算法具有计算简单,收敛速度快和良好的全局与局部收敛能力等特点.通过对珩磨加工工艺参数的分析,构建了基于粒子群算法的珩磨加工参数智能选择模型,在理论模型的基础上通过实验数据对模型参数进行了优化.研究证明该方法用于珩磨加工工艺参数的选择具有可靠性高、选择操作简单、实用性强等优点.     

一种基于向量差的粒子群优化模型

针对传统粒子群优化技术存在易陷入局部最优解而导致的收敛速度变慢、多样性差的缺点,对参数设置进行研究,并提出一种基于向量差的粒子群优化模型,将2个随机选择的不同向量差加权到粒子速度更新公式中,能够使粒子摆脱局部最小值而向全局搜索.经对几个典型函数的测试,表明该模型效果较好.     

用于函数优化的层次结构萤火虫群算法

基于人工萤火虫群优化算法,参考人类社会商业组织中的分层管理模式,将人工萤火虫群随机地分布在 一个层次结构中,并在过程中加入变异因子,改进基本人工萤火虫群优化算法,提出用于函数优化的层次结构人工 萤火虫群优化算法. 对4个标准函数的测试表明,层次结构萤火虫群算法在高维函数优化方面比基本人工萤火虫群 优化算法性能更优.     

双阈值小波域降噪的微粒群优化

为了改进滤波效果,提高降噪质量,该文在分析目前被广泛应用的软阈值和硬阈值方法的基础上,提出利用微粒群算法对双阈值进行优化. 采用Donoho提出的固定阈值作为上阈值,而把极大极小原理得到的阈值作为下阈值,再利用微粒群算法进行优化,得到最优双阈值进行降噪. 实验结果表明,该方法在降噪中可有效克服采用硬阈值法引起的伪吉布斯（伪Gibbs）现象和软阈值法导致过度光滑使信号失真等缺点,减少了信号的损失. 在提高信噪比的同时明显减小了均方根误差.     

一种新的改进粒子群算法研究

为克服粒子群优化(PSO)易早熟的缺点,提出了一种改进的粒子群优化(MPSO)算法.该算法使整个粒子群按照变异率产生变异粒子,变异的粒子不再朝群体最优解方向飞行,而是朝反方向运动.MPSO提高了种群的多样性,扩大了搜索的空间,提高了粒子群算法摆脱局部最优解的能力.仿真实验表明,改进的粒子群优化算法显著提高了PSO算法的全局搜索能力,且其性能也明显优于遗传算法.     

改进的粒子群算法对无源滤波器参数的优化

针对混合有源滤波器中无源滤波器设计过分依赖经验与无源滤波器优化能力不强的问题,提出改进粒子群优化算法PSO(Particle Swarm Optimization,PSO)进行无源滤波器的多目标参数优化设计.对无源滤波器的成本,无功补偿容量及补偿后滤波效果3个目标全局优化.利用改进的粒子群对其参数进行了优化设计,使种群...     

基于改进粒子群算法优化策略的核极限学习机方法研究

本研究通过对核极限学习机的原理进行分析,确定优化参数,分析粒子群算法的基本原理,并对多种改进的粒子群算法进行研究,通过基准测试函数对6种算法的优劣进行分析。笔者选取综合学习粒子群算法为优化核极限学习机的基本框架,并将线性递减惯性权重和综合学习粒子群算法进行结合,用于改进粒子群算法易陷入局部最优的问题,从而实现对核极限学习机的参数优化。     

基于自适应权重的粒子群和K均值混合聚类算法研究

针对K均值聚类算法存在的缺点,提出了一种基于自适应权重的粒子群优化(PSO)和K均值混合聚类算法.该算法在运行过程中通过引入非线性动态惯性权重系数,提高了混合聚类算法全局搜索能力和局部改良能力,并根据群体的适应度方差来确定K均值算法操作时机,增强算法局部搜索能力的同时缩短了收敛时间.将该算法与K均值聚类算法、基本PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,表明该算法不仅能有效地克服陷入局部最优,而且全局收敛能力和收敛速度都有所提高.     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点,根据混沌运动的随机性、遍历性特点,提出一种基于混沌思想的粒子群优化算法(CPSO).该算法利用种群适应度方差进行早熟收敛判断,实现对进化过程的监视,当发现种群陷入局部最优时,对种群进行混沌初始化,帮助种群摆脱局部最优点.对4种典型测试函数的仿真结果表明,改进算法明显减少了种群陷入局部最优的可能性,其全局寻优能力明显强于标准粒子群优化算法.     

全局混沌杂交的粒子群优化算法及应用

提出一种新的混沌粒子群优化算法(EC-CPSO),该算法在基本混沌粒子群优化算法(CPSO)基础之上,将粒子速度计算公式中的随机数用混沌随机序列来替代,同时应用早熟判断机制,在对最优粒子进行混沌化处理之外,对其余粒子进行杂交处理,提高了算法的寻优能力,有效避免算法陷入局部最优并防止过早收敛.将之用于(N+M)容错系统优化模型证明该算法与CPSO相比具有一定的优势.     

粒子群优化的深海图像暗边缘检测优化算法

为解决深海资源探测图像识别难题,提出一种基于粒子群优化的图像暗边缘检测优化算法。该算法通过指数型线性单元和高斯误差线性单元改进激活函数,根据Marr-Hildreth算子检测结果并结合改进激活函数构建暗边缘检测算法,利用粒子群对改进暗边缘检测算法进行训练和优化。最后,采用不同算法对水下11个数据集进行比较的结果表明：改进算法的峰值信噪比、结构相似度和边缘保持指数最高,分别达到18.769 6 dB、0.660 7和0.834 5;图像均方误差最低,为3 750.225 3;平均检测时间为0.667 4 s,比其他对比实验中性能最好的算法缩短了14%。     

基于粒子群优化算法的像素级图像融合

多传感器的像素级图像融合中，如果对源图像进行线性运算以得到融合图像，源图像的置信度取值一般只能由经验和个人主观感觉来确定，并不能得到令人满意的融合效果．本文针对这一问题提出了一种基于粒子群优化算法的像素级图像融合的算法．该算法可以根据融合的目的采用不同的融合指标，应用粒子群优化算法得到比较满意的融合图像．实验结果表明该算法优于其它的几种像素级图像融合算法．