基于正弦载波的粒子群算法

针对传统粒子群算法(Traditional Particle Swarm Optimization,TPSO)存在的易陷入局部最优、收敛速度慢等缺点,提出了一种基于载波的粒子群算法(carrier-wave Particle SwarmOptimization,CWPSO)。根据正弦函数具有的自变量连续变化而值域不变的特点,该算法设计了以载波自变量变化确定粒子搜索位置的新方法,从而极大地提高了全局搜索能力。同时对于搜索到的可能极值点,通过载波扩展的方法进行局部寻优,以进行精确搜索。对一系列测试函数的寻优结果表明:CWPSO算法不仅都能找到最优值,且寻优时间仅为TPSO算法和惯性权值线性下降的改进PSO算法(Line-WPSO,LWPSO)的1/3~1/5;同时,CWPSO具有对寻优问题维数不敏感的优点,大大扩展了该算法的适用范围。     

基于正交试验设计的粒子群优化算法

针对粒子群优化(particle swarmopti mization,PSO)算法在进化初期收敛速度快但容易陷入局部最优、在进化后期收敛速度变慢且精度低的缺陷,为了提高粒子群算法的收敛速度和全局寻优能力,提出了基于正交试验设计的粒子群优化(orthogonal-experi mental-design-based PSO)算法.在基本粒子群算法的基础上,算法OE-PSO对当前搜索到的解进行局部寻优,利用正交试验设计对搜索空间的分布均匀性在可行解的领域选择有代表性的解进行测试.算法OE-PSO用搜索到的更好的解在下一次迭代中引导粒子进行搜索,从而获得更快的收敛速度和更精确的解,同时避免局部最优.实验结果表明,算法OE-PSO不但具有较快的收敛速度,而且能够有效提高解的精确性,增强算法的鲁棒性.     

核矩阵协同进化的震荡搜索粒子群优化算法

针对粒子群算法搜索后期易陷入局部极值的缺点,提出一种基于核矩阵协同进化的震荡搜索粒子群优化(kenel matrix synergistic evolution shock search particle swarm optimization,KMSESPSO)算法,该算法对粒子进行局部与全局结合的震荡搜索,且当整个粒子种群陷入停滞状态时,利用核矩阵对特定粒子组进行协同进化以扩大种群的多样性.实验结果表明,KMSESPSO算法有效提高了粒子的全局搜索能力,既避免粒子种群易早熟收敛,又较好地提高寻优精度、加快收敛速度,且有一定的鲁棒性.     

基于混合知识的自适应粒子群算法及其在博弈问题中的应用

粒子群优化算法的寻优性能往往会受到控制参数和速度策略的影响。为提高粒子群优化算法的性能,提出了一种基于混合知识的自适应粒子群算法(SPSO-MK)。该算法使用不同的速度更新策略来平衡粒子群优化算法的局部和全局搜索能力,利用在线和先验知识分别对惯性权重和加速因子进行调整。选取32个测试函数进行仿真实验,结果表明本文算法的整体性能好于10种粒子群的变种算法和3种非粒子群算法。将本文算法用于求解3个非合作博弈纳什均衡问题,结果表明该算法能够取得较好的结果。     

一种拟随机初始化模拟退火粒子群算法

针对粒子群优化算法在求解高维问题时易出现的早熟收敛、停滞现象,提出一种拟随机初始化模拟退火粒子群算法.采用Hammersley方法对算法进行初始化,可以提高算法在高维搜索空间的搜索能力,进一步将模拟退火思想引入到粒子群优化算法中,结合粒子群优化算法的快速寻优能力和模拟退火算法的概率突跳特性,使算法具有跳出局部最优从而实现全局最优的能力.分别在5个经典测试函数上测试算法的性能,仿真实验结果表明,提出的算法有效克服了传统粒子群优化算法在求解高维空间优化问题时易出现的停滞现象,在进化后期仍保持较强的搜索能力,提高了传统粒子群优化算法在高维空间的全局寻优能力.     

一种融合粒子群算法的蝙蝠优化算法

针对基本蝙蝠算法(BA)在寻优后期存在搜索性能差,寻优精度低,处理误差大,易陷入局部最优及早熟等缺陷,提出一种融合粒子群算法进行局部搜索的蝙蝠优化算法。该算法在局部搜索中,嵌入粒子群算法生成备选最优蝙蝠,并与基本蝙蝠算法生成的随机蝙蝠进行再竞争的方式优化种群,丰富了种群的多样性,提高了算法的全局搜索能力和局部搜索能力。Matlab环境下的仿真结果表明,改进后算法(PSOBA)在收敛速度及精度上均有明显提高,处理维度更高,是解决复杂函数优化问题的一种有效方法。     

用于宽带自适应通信的认知无线电决策引擎设计

为改善认知无线电的自适应参数调整功能,提出了基于混合的离散二进制粒子群算法对无线电系统待优化的目标函数进行寻优,针对多载波系统对算法性能进行了仿真分析。结果表明,基于混合的离散二进制粒子群算法的认知决策引擎在收敛速度、收敛精度和算法稳定度方面都有所提高。     

基于混合引导策略的高精度萤火虫优化粒子滤波算法

针对现有群智能优化粒子滤波算法精度较低和收敛速度较慢的问题,提出了一种基于混合引导策略的萤火虫优化粒子滤波算法(MSFA-PF).通过在萤火虫寻优过程中加入混沌扰动搜索策略,以权衡粒子的寻优能力与开发能力;提出一种动态视觉搜索策略,以提高粒子向高似然区域移动的寻优利用率;根据粒子滤波机制设计了新的荧光亮度计算公式,以扩展观测信息,从而提高了粒子质量.仿真结果表明,所提出的MSFA-PF算法能够有效提高智能优化粒子滤波对非线性系统状态估计的精度和速度.     

二进制粒子群优化算法在车辆路径问题中的应用

车辆路径优化问题是一类实用价值很高的NP组合问题,针对传统启发式优化算法搜索速度慢、易陷入局部最优解的缺点,提出了一种新的基于二进制的粒子群优化算法,并将该算法应用于车辆路径优化问题,建立了相应的数学模型和求解算法.将该算法通过与遗传算法、混合蚁群算法和标准粒子群算法进行比较,证明了其搜索速度和寻优能力的优越性.     

基于粒子群-蚁群融合算法的移动机器人路径优化规划

基于TSP问题,提出了一种基于粒子群-蚁群算法相互融合的综合优化算法对移动机器人路径规划问题进行研究。通过粒子群算法对全局路径实施粗略搜索,获得部分次优解,在获得次优解的路径上进行信息素分布,再采用蚁群算法进行精确搜索,得到路径规划的最优解。实验结果表明:粒子群-蚁群融合优化算法在路径寻优上优于蚁群算法及粒子群算法。     

基于混合粒子群算法的沥青转运车螺旋搅料器模型及仿真

 为解决沥青转运车螺旋搅料器搅拌特性建模困难的问题,运用人工智能理论建立了以螺距、叶片半径为输入,沥青混合料的离析率为输出的神经网络模型。为克服BP算法与粒子群算法（PSO）的缺陷,将L-M算法与PSO算法相融合的混合粒子群算法PSOLM应用于该神经网络模型的学习算法中。为避免PSOLM算法在全局最优值附近的搜索过程变慢,采用一种从PSO搜索到L-M搜索的启发式算法。仿真试验结果表明,与BP算法、PSOBP算法相比,该算法不仅对螺旋搅料器模型的精度和建模的效率有显著的提高,而且改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度,避免了PSO算法早熟现象的出现,为螺旋搅料器搅拌特性的建模提供一条新的有效解决途径。     

一种整合粒子群优化和K-均值的数据聚类算法

针对K-均值聚类算法存在的不足,提出了一种新的整合粒子群优化算法(PSO)和K-均值算法的聚类算法.在新算法中,首先结合使用粒子群优化算法和K-均值算法搜索全局最优解的位置,然后再用K-均值算法在全局最优解附近的局部空间内快速寻找最优聚类中心.通过对4个数据集的实验测试,将此算法与K-均值算法、基于粒子群的K-均值算法进行了比较.实验结果表明,新算法的聚类质量比后两个算法更优.     

基于PSO的结构损伤检测应用研究

建筑结构损伤前后固有频率的变化包含了结构损伤位置和程度的信息,在此理论基础上,构造了BP神经网络的输入参数.针对BP梯度下降算法导致的收敛速度慢和易陷入局部最小的缺点,引入粒子群演化(PSO)算法来优化神经网络各层间的连接权值.首先通过有限元法提取结构固有频率的变化,结合PSO对神经网络进行训练,然后分别对结构的损伤位置和损伤程度进行识别.计算分析结果表明,PSO的引入,相较于单纯的BP算法,该方法在结构损伤检测中取得更优的识别效果.     

改进PSO优化SVM的滚动轴承故障诊断

提出一种基于改进粒子群算法和支持向量机的滚动轴承故障诊断方法.首先分析基本粒子群算法的不足及其关键参数,提出多方面改进的粒子群算法,利用10种基准测试函数对比多种粒子群算法,证明该改进算法的优势.然后结合支持向量机,建立滚动轴承故障诊断模型,并提取滚动轴承振动信号的时域、频域、小波包节点能量和CEEMDAN分量排列熵四种特征,构成单一特征和组合特征作为诊断模型的输入特征向量.最后利用凯斯西储大学滚动轴承数据进行验证,并与网格算法、遗传算法和多种不同粒子群算法进行对比.试验证明,本改进粒子群算法优化支持向量机模型在滚动轴承故障诊断中更具优势.     

基于改进粒子群算法的水电站中长期优化调度的研究

在运用粒子群优化算法求解水电站中长期优化调度问题时,针对粒子群优化算法存在的问题,采用了一种新的改进算法[1],该算法不仅增强了粒子群的全局搜索能力,同时有效避免了算法“早熟”,为水电站中长期优化调度提供了一种有效的解决方法.     

基于高斯学习多峰延迟粒子群优化算法

为克服粒子群在解决多峰函数复杂问题时存在收敛速度慢和极易陷入局部最优值的缺点,提出了一种基于高斯学习多峰延迟粒子群混合算法。首先引入改进的高斯学习提高算法的收敛速度,然后在此基础上,针对4 种进化状态在算法中引入延迟因子避免局部最优问题。通过对6 个单峰多峰测试函数进行仿真实验,验证了GLPSO( Gaussian Learning PSO) 算法具有更好的收敛速度,同时验证了GLMDPSO( Gaussian Learning Multimodal Delayed PSO) 算法在处理多峰函数复杂问题时具备更好的全局搜寻能力。因此,改进算法在解决多峰函数寻优问题时可有效跳出停滞状态,提高收敛速度并具有较好的寻优能力。     

基于粒子群模糊聚类算法的边缘检测仿真

将粒子群优化算法与模糊C-均值(FCM)聚类算法相结合,并应用于图像边缘检测,以期解决标准FCM算法在图像边缘检测中对初始值敏感及容易陷入局部极小的两大缺陷.首先,基于数学测度概念构造一个描述边缘点信息的特征向量,将灰度图像中的每一个像素点看成是一个数据样本,将该点灰度值处理后构成其边缘点信息特征向量,形成具有三维特征的数据集;然后对这个数据集应用粒子群模糊聚类算法进行分类,自适应地检测出图像的边缘点,达到提取边缘的目的.仿真实验表明,此算法具有良好的抗噪性能,能够得到较好的边缘效果,提高了边缘定位的精度.     

基于粒子群算法的复杂产品装配序列规划

根据复杂产品装配规划问题的特点和要求,提出了一种求解装配序列规划(assembly sequenceplanning,ASP)问题的粒子群优化算法,将通常用于连续空间优化的粒子群算法成功扩展到ASP领域.算法根据ASP问题决策解的特点,在排序空间定义了微粒的位置和速度以及相关的各种操作.针对基本粒子群算法容易陷入局部最优的缺点,采用新的学习机制,增强了算法的寻优能力.基于干涉矩阵、连接矩阵和支撑矩阵建立了以装配可行性、装配体稳定性和装配方向改变为评价指标的目标函数.最后通过实例分析验证了该算法的有效性.     

Sequencing of Mixed Model Assembly Lines Based on Improved Shuffled Frog Leaping Algorithm

Shuffled frog leaping algorithm( SFLA) was used to solve multi-objective sequencing problem of mixed model assembly line( MMAL). Local convergence can be avoided and optimal solution can be obtained to a certain extent. However,the multi-objective sequencing problem of MMAL is an non-deterministic polynomial hard( NP-hard) problem and the shortcomings are slow convergence rate and low precision. To solve the shortcomings for optimization objectives of minimizing total utility time and keeping average consumption rate of parts, a chaos differential evolution SFLA( CDESFLA) is proposed in this study. Because SFLA is easy to fall into local optimum,the evolution operator of differential evolution algorithms is introduced in SFLA as a local search strategy,and differential mutation operator is introduced in chaotic sequence to prevent premature convergence. The examples show that the proposed CDESFLA is better for convergence accuracy than SFLA,genetic algorithm( GA) and particle swarm optimization( PSO)