遗传并行粒子群优化算法及其性能分析

在已有的并行粒子群优化算法的基础上,结合遗传算法,并利用Java语言支持多线程特点,开发出单子群、k子群、任意子群三种遗传并行粒子群优化算法.通过对6个Benchmark测试函数的测试分析,表明这三种算法都具有运行速度快,求解质量高的特点.     

遗传并行粒子群优化算法及其性能分析

在已有的并行粒子群优化算法的基础上,结合遗传算法,并利用Java语言支持多线程特点,开发出单子群、k子群、任意子群三种遗传并行粒子群优化算法。通过对6个Benchmark测试函数的测试分析,表明这三种算法都具有运行速度快,求解质量高的特点。相信应用于大规模工程实际问题也能取到令人满意的结果。     

基于粒子群优化和两性二倍体的遗传算法及其应用

分别采用粒子群生物进化原理和自然界生物两性繁殖原理，对传统遗传算法进行改进，得到两种新型的遗传算法，并分别应用于背包问题和标准测试函数上。实验结果表明，这两种算法在全局搜索能力和收敛速度上比传统遗传算法都显示出了绝对的优越性。     

粒子群优化算法

论述粒子群优化算法(PSO)的基本原理、特点、实现步骤,以及PSO的各种改进技术,包括基于PSO参数的改进技术(主要是惯性权重)、基于遗传算法进化机理的改进技术(受遗传算法启发提出的带交叉算子的PSO、带变异算子的PSO、带选择算子的PSO),以及其他算法融合的改进技术(模拟退火PSO、免疫PSO、混沌PSO),并总结PSO热点研究问题.     

免疫粒子群优化算法及性能分析

针对基本粒子群算法的容易陷入局部极小值,搜索精度不高等缺点,将免疫算法和粒子群优化算法(Particle Swarm Optimization,PSO算法)相结合,并加以改进,利用免疫算法能够保持个体多样性的特点,可使粒子群优化算法.达到摆脱局部极值点能力,从而提高算法进化过程中的收敛精度和速度.使用四个经典的测试函数...     

自适应变异粒子群优化算法

提出了一种自适应变异粒子群优化算法,该算法通过遗传变异提高种群多样性的方法使算法增强持续搜索能力,解决了PSO算法的早熟收敛问题。采用标准测试函数进行仿真实验,结果表明：提出的算法具有提高局部最优值的能力,且优化精度更高。     

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。     

基于粒子群优化算法的并行学习神经网络集成构造方法

为了提高神经网络集成中个体网络的差异性,并减少将集成用于预测时的计算量,本文结合粒子群优化算法和个体网络的并行学习机制,提出了一种基于粒子群优化的并行学习神经网络集成构造方法。实验表明,和传统的集成构造方法相比,该构造方法具有比较好的性能。     

基于并行粒子群优化算法的预失真器设计

高功率放大器是无线通信系统中非线性失真的主要来源之一. 数字基带预失真技术能有效地降低系统非线性失真,提高系统传输性能. 采用Hammerstein模型作为预失真器的模型结构,通过粒子群优化算法(particle swarm algorithm, PSO)估计预失真器系数,解决了梯度算法无法直接估计Hammerstein模型系数和易陷入局部极值等问题. 通过对PSO算法进行并行优化设计,使算法最大加速度比达3以上,加快了算法处理速度. 仿真结果表明新算法能够有效抑制系统带外频谱再生现象,减小相邻信道功率比(ACPR)达25 dB.      

基于最佳粒子共享和分层搜索的并行粒子群优化算法

为提高粒子群优化算法在优化问题中的效率,本文提出了并行粒子群优化算法(BLP-SO).基本思想是并行机制 最佳粒子共享 分层搜索.主要工作包括(1)信息共享机制中引入了区域学习,使粒子更新能参考其他粒子的信息;(2)提出了粒子群两层划分模型,底层利于扩大搜索范围,上层利于全局精细搜索;(3)证明了关于粒子群和并行粒子群收敛性定理;(4)在4个基准函数上的优化实验表明,新方法比经典的IPPSO并行粒子群算法在解的精度上提高了51.93%到96.10%.     

利用改进的并行粒子群算法对变分资料同化的研究

近年来,为了提高同化精度和减少同化时间,粒子群算法(PSO)被引入到数值天气预报资料同化中来.粒子群算法虽然令同化精度有所提高,但同化时间仍然存在较大缺陷.基于此,首先设计了一种改进的并行粒子群算法(P2PSO),然后应用于含不连续"开关"过程的变分资料同化中,与时变双重压缩因子粒子群算法(PSOTVCF)和动态权重粒...     

一种并行自适应微粒群聚类算法

大规模的数据挖掘如聚类问题迫切需要大量计算,提出了自适应微粒群优化的并行聚类算法。通过从多种群并行地开始搜索,基于群体搜索技术的微粒群优化算法减少了初始条件的影响,采用任务并行和部分异步通信策略,降低计算时间。结合并行微粒群算法的自适应参数动态优化特性,克服群体逐渐失去迁移性而停止进化的问题,保持群体多样性从而了避免种群退化。仿真实验证明,该算法在并行机群上运行时,加快了聚类算法的计算速度,提高了聚类质量。     

基于粒子群优化的结构系统识别

研究了使用粒子群优化(PSO)算法进行结构系统识别的方法,该方法的基本思想是将结构系统识别问题描述成一个多峰值非线性非凸的优化问题,通过PSO算法发现系统参数的最优估计.利用该方法在输入输出数据不完备且噪声污染条件下,同时在没有系统质量、刚度等先验信息的情况下对结构系统进行了识别,并与基于遗传算法(GA)的结构系统识别方法进行了比较.数值算例及比较结果表明:PSO方法易于实现且计算时占用资源低,并可以成功地对结构系统进行识别,识别效能十分优越.     

车辆路径问题的并行粒子群算法研究

设计了一种引入了模拟退火机制的并行粒子群算法.该算法结合了基本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性,避免了基本粒子群优化算法易于陷入局部最优的缺点,提高了进化后期算法的收敛精度.将该算法用于解决车辆路径问题,实验结果表明该算法具有较好的性能.     

基于物种的自适应多模态粒子群优化算法

通过对粒子群优化问题、小生境技术和多模态粒子群优化算法的深入研究,提出了一种自适应的多模态粒子群优化算法——ASPSO(adaptively species-based particle swarm optimization)。对ASPSO算法进行了综合测试,并与经典的多模态粒子群优化算法ANPSO和SPSO进行了比较。实验表明,ASPSO在处理低维测试函数与ANPSO和SPSO具有同样高的成功率和峰值覆盖率,并且ASPSO在处理高维复杂测试函数时,表现出的性能比其他已经存在的多模态粒子群优化算法更好。     

基于遗传算法和粒子群优化算法的电力系统无功优化

从数学的角度分析,电力系统无功优化是一个多变量、多约束、非连续性的混合非线性规划问题,因此,优化过程十分复杂.以减少有功网损为目标函数建立电力系统无功优化计算的数学模型,基于遗传算法和粒子群优化算法,提出一种新颖的混合策略来求解无功优化问题.IEEE 6和IEEE 14节点系统的仿真计算结果表明:与单一的遗传算法或粒子群优化算法相比,该混合策略在优化效果方面具有明显的优势.     

基于樽海鞘群与粒子群混合优化算法的特征选择

针对现有特征选择方法中存在的收敛速度慢和计算效率低等问题,提出了一种基于樽海鞘群与粒子群优化的混合优化(hybrid optimization of salp swarm algorithm and particle swarm optimization,HOSSPSO)特征选择方法,该方法在樽海鞘群算法(salp swarm algorithm,SSA)的基础上,引入粒子群优化(particle swarm optimization,PSO),提高了SSA的收敛速度,改进了探索和开发步骤的效率,增加了解空间更多的灵活性和多样性,使得方法能够迅速获得全局最优值.为了验证算法的性能,在2个实验序列上进行了测试:第一个实验序列使用基准函数,将HOSSPSO与标准SSA、PSO进行了比较;第二个实验序列采用不同的UCI数据集,通过提出的算法确定最佳特征集.实验结果表明,相比于其他优化算法,HOSSPSO的性能更具优势,在多项评估指标中获得较好的效果,能以极少量的特征获得最大的分类精度.     

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.     

自适应逃逸动量粒子群算法的数据库多连接查询优化

为了提高数据库多连接查询的优化效率,针对粒子群算法存在的早熟、局部最优等缺陷,提出一种自适应逃逸动量粒子群算法的数据库多连接查询优化方法.该算法首先将遗传算法的交叉机制引入粒子群算法中,以保持粒子群的多样性,避免早熟现象出现;然后,引入动量算法平滑粒子搜索轨迹,加快粒子群的收敛速度;最后,将该算法应用于数据库多连接查询优化求解,以获得最优的数据库多连接查询方案.仿真结果表明,该算法提高了数据库查询效率,缩短了查询响应时间.