分组粒子群优化算法

分组PSO算法将粒子群分成几个小群,每个小群有不同的进化参数且每个小群分别进化,在间隔一定时刻进行组间变异和重组操作,并且在重组的同时对各小组参数进行粒子群优化,相比普通粒子群算法无论在收敛速度还是在精度和操作方便性上都有提高.     

基于并行交叉遗传粒子群算法的水文频率参数估计

针对水文频率参数估计问题,提出了基于并行交叉遗传粒子群算法的水文频率优化适线方法.该方法从初始种群的产生和编码、算法的执行方式和数据融合,以及其中的PSO算法的惯性权重三个方面对传统算法进行了改进.为了验证该算法的性能,分别采用矩法、权函数法、概率权重矩法、线性矩法、GA、PSO和文中所提出的算法,对某水文站的年径流量进行了研究分析,得到了各个方法对应的水文频率曲线,实验结果表明:文中提出的并行交叉遗传粒子群算法较其它6种方法,可以得到更小的离差平方和,该算法得到的水文频率曲线可以很好地拟合实测数据.     

基于Boltzmann学习策略的粒子群算法

针对粒子群算法过早收敛导致容易陷入局部极值的问题,提出了一种基于Boltzmann学习策略的粒子群算法(BLSPSO).借鉴模拟退火算法的思想,在标准粒子群算法中引入Boltzmann学习策略.在BLSPSO前期粒子能够学习不同的极值点,适当保持粒子个体多样性,提高算法全局寻优能力.在BLSPSO后期粒子更倾向于学习全局最优粒子,提高收敛速度,保证算法的稳定性.仿真结果表明,所提出的算法具有寻优能力强、搜索精度高等优点,可有效避免标准PSO算法的早熟收敛.该算法在求解多极值问题上与其他PSO算法相比有较好表现.     

粒子群遗传融合算法

提出一种融合粒子群算法和遗传算法改进优化算法,该算法首先采用一种自适应弹性粒子群算法,弹性地修正粒子速度的幅值,有效地避免了粒子群算法的早熟收敛问题。再与遗传算法融合,模仿自然界的个体成熟过程,对遗传算法中的每一代群体中的优秀个体,先采用自适应弹性粒子群算法获得进一步的提高。再经过提高、交叉、变异三步,获得最优解。以动态系统FCRNN的设计为例,改进算法收敛速度快,误差精度高。     

基于遗传算法和粒子群算法实现时间序列建模

本论文基于样本数据的模型辨识方法,通过对时间序列的可叠加性特点分析,并采用典型时间序列模型组合形式构造时间序列模型。针对时间序列中可能存在的离群点,在模型中引入影响函数来表示。论文中采用遗传算法来确定模型的结构,然后使用粒子群算法来确定每个模型中的参数值。通过对几个实际问题的仿真分析可以得出结论:无论是对已知模型结构的辨识还是对未知模型结构的辨识问题,这种方法都是可行的。     

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.     

浅谈粒子群优化算法

粒子群优化（PSO）算法是一类随机全局优化技术,其思想来源于人工生命和演化计算理论。PSO算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO的优势在于简单容易实现而又功能强大。PSO已成为国际演化计算界研究的热点。该文介绍了基本的PSO算法及其应用,并讨论将来可能的研究内容。     

三群协同粒子群优化算法

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,提出了一种三群协同粒子群优化算法(TSC-PSO)。搜索时,如果全局极值连续若干代没有改善,粒子未找到全局最优点,就任选某个优群,将其群内粒子和差群粒子交换。仿真结果显示,对一些经典多峰值函数、非凸病态函数,TSC-PSO增强了全局搜索能力,具有比基本PSO更好的优化性能。     

改进的粒子群算法

为了改善基本粒子群算法的搜索性能,针对粒子群算法随机性较强,收敛较慢的问题,提出了基于退火思想的改进的粒子群优化算法,新的算法更有利于粒子发现问题的全局最优解。通过对经典函数的测试计算,验证了方法的正确性和有效性。     

利用粒子群算法计算AHP判断矩阵排序权重

根据判断矩阵的基本性质,可以将判断矩阵的排序权重计算归结为一个最小化一致性指标的最小优化问题。针对这个最优化问题,提出一种利用改进的粒子群算法计算排序权重的算法。首先对判断矩阵排序权重计算及一致性检验、改进的粒子群算法进行了介绍,然后对排序权重计算进行了描述,最后给出仿真实验数据及其分析。实验结果验证了此算法的有效性,并显示该算法具有很高的精度和稳定性。     

一种小波频域相关性目标识别方法

提出了一种图像目标识别的小波变换域和相关性结合的的算法.通过仿真实验表明该算法可以有效且准确的识别和提取多频谱图像中感兴趣的部分.     

WNN中的改进PSO算法及参数初始化

利用粒子群（PSO）算法替代BP算法对小波神经网络（WNN）进行训练,针对局部极小值问题提出了改进的PSO算法,即判断当粒子陷人局部极小时将其重新初始化,并对小波的平移和伸缩参数的初始化进行了研究,避免了网络的盲目搜索,减少了迭代次数．通过非线性函数逼近的仿真结果表明,上述措施有效提高了网络搜索成功率,在一定程度上解决了局部极小值的问题．     

基于有限元反算和粒子群优化算法杨氏模量重构

提出一种基于边缘提取技术和图像配准技术的杨氏模量定量计算方法.在已知取生物组织边缘位移及病变位置的基础上,假设力的分布、构造单元系统、运用有限元反演方法(IFEM)多次迭代,计算出组织的杨氏模量.在此基础上估计全局杨氏模量范围,采用改进粒子群优化算法(PSO),计算出生物组织整体的杨氏模量分布.并通过计算机模拟实验验证了算法的可行性,讨论了在边界位移存在误差的情况下,计算结果的准确性;改进PSO算法在较大范围内搜索,总能向理论值靠近,得到可行解.     

基于小波变换的非线性阻尼辨识方法研究

根据阻尼、应变、时间三者之间的关系,提出了辨识非线性阻尼的分段线性化小波变换方法。通过对不同特性的阻尼进行仿真和分析,得出了满意的结果,证明了该算法的有效性和准确性。由于在非均匀应力场下得到的阻尼只是一个体积平均值,为了克服这一点,在传统阻尼试验装置的基础上,开发了具有准均匀应力场的梯形等强度梁试件。试验结果表明,所研究的阻尼合金的阻尼能力随着应变的增加而增加,呈现出明显的非线性关系。     

小波频率特性的频带边界问题

分析了Daubechies小波系列的频率特性,指出了在绝大多数频带边界频率处都存在着边界问题。在边界频率左、右两侧,频带能量有巨变现象,并且能量的跳变方向相反。边界问题严重影响着信号特征提取的准确性。为此,提出了相邻频带比较法,给出了边界频率的判断准则。运用该方法可以准确识别边界频率。     

基于微粒群算法的桁架频率拓扑优化

研究桁架结构频率拓扑优化的微粒群算法。采用混合罚函数法分开处理结构固有频率约束和其他约束条件,既保证所有约束能够严格满足,又提高了微粒群算法的收敛速度。由模态识别系数判断出虚节点自由度产生的局部振动模态,排除其对应的频率,得到结构真实的固有频率。算例计算结果表明,无论是频率极值优化问题,还是具有频率约束的结构优化问题,联合使用微粒群算法和模态识别系数都可以很方便地获得桁架最优截面和拓扑构型。     

基于改进粒子群算法的双馈感应发电机参数辨识

基本粒子群算法(PSO)存在早熟问题,且惯性权重对参数辨识结果的影响较大,为此提出将变权重PSO算法和全局最优位置变异PSO算法相结合的改进PSO算法,并将其应用于双馈感应发电机(DFIG)的参数辨识。分析了DFIG中各参数的可辨识性和辨识难易度,给出了基于改进PSO算法的参数辨识步骤。与采用基本PSO算法、变权重PSO算法和全局最优位置变异PSO算法的参数辨识结果相比较,该方法具有收敛速度快、辨识误差小的优点,即使在较大的搜索范围内仍具有较高的辨识精度。     

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.     

PSO算法与BP神经网络在电力系统辨识中的比较研究

系统辨识是控制工程领域中研究的重要问题之一。首先对BP神经网络和微粒群算法进行了深入分析。以含STAT-COM电力系统为辨识对象,分别采用BP神经网络和微粒群算法对其进行辨识分析。对两种算法的收敛精度进行了分析比较。结果表明PSO算法在系统辨识上具有优势。     

表情识别中的粒子群检测与分割方法

结合粒子群优化算法,提出了一种对人脸进行精确检测与分割的方法,以提高表情识别的准确率。通过肤色分割得到大致的人脸轮廓;通过粒子群优化检测到人脸的精确位置。利用精确的人脸进行PCA降维和特征提取后可进行表情识别。实验结果表明,此方法很好的排除了干扰因素,提高了表情识别的准确率,尤其对于某些单表情效果极佳。