基于混沌退火粒子群优化算法的路径测试数据生成

为实现指定路径的软件测试数据自动生成,提出了一种基于粒子群优化(PSO)算法的演化测试方法.利用分支函数插装和强制路径执行策略,得到用于优化搜索的路径适应值.通过引入混沌搜索、模拟退火和早熟收敛判断机制,克服了标准PSO算法易陷入局部最优而无法找到测试数据的缺陷.三角形判断程序的测试数据自动生成实验表明:在最大迭代次数Tmax为500时,混沌退火粒子群优化(CAPSO)算法的命中概率为99%,标准PSO的命中概率为95%;在Tmax为2 000时,CAPSO算法的命中概率为100%,标准PSO算法的命中概率为95%左右;继续增大Tmax不能使标准PSO算法的命中概率提高,而CAPSO算法总能摆脱局部极值找到满足要求的测试数据.     

基于可达状态集扩张的粒子群算法收敛性改进

针对粒子群算法(PSO)改进设计缺乏数学模型和理论依据支持的问题,研究建立了PSO的吸收态马尔可夫过程模型,并提出了可达状态集作为收敛性分析的关键指标.与以往的收敛性分析不同,研究从可达状态集扩张的角度提出了PSO收敛性对比的理论,并基于此提出了PSO全局收敛性改进的方法.最后,以改进综合学习粒子群算法CLPSO(comprehensive learning particle swarm optimization)为例验证了提出模型与理论的有效性.     

多元宇宙优化算法应用于聚类分析

[目的]聚类是数据分析和数据挖掘技术中最重要的概念,其中,k-均值聚类算法是最常用的方法之一.然而,k-均值聚类算法高度依赖于初值,容易陷入局部最优解.为了克服k-均值聚类算法存在的不足,[方法]本研究提出一种利用多元宇宙算法(MVO)解决聚类分析问题的新算法,并进行一些数据集测试实验.[结果]数值模拟实验表明多元宇宙算法解决聚类问题效果优于人工蜂群(ABC)算法,布谷鸟搜索(CS)算法、粒子群优化(PSO)算法等.[结论]在大多数测试数据集的情况下多元宇宙算法解决聚类分析问题具有收敛速度快、聚类精度高和稳定性好的优点.     

基于粒子群优化的因子分解机算法

因子分解机(Factorization Machine,FM)是利用矩阵分解思路针对推荐系统中数据稀疏情况设计的机器学习算法.传统的FM模型参数是通过梯度下降方法进行优化求解,但针对数据集训练样本较少的情况,梯度下降方法不能保证参数收敛到全局最优.粒子群算法(Particle Swarm Optimization,PSO)是一种快速启发式算法,具有全局搜索的特性.为提高FM模型的表现能力,首先基于PSO算法确定全局最优位置,然后利用梯度下降优化FM参数,本文提出了PSO-FM算法.在数据集Diabetes进行实验对比,结果表明,改进后的基于粒子群的因子分解机算法PSO-FM在模型训练速度和预测准确度上都优于传统的因子分解机FM算法.     

基于粒子群算法的车载自组网服务节点部署

为了提高车载自组网( VANETs)覆盖率,该文提出了一种城市场景下VANETs中基于连通性的服务节点部署方案.通过理论分析得出服务节点扩展覆盖某一区域的概率,依据该概率和VANETs特点,提出了VANETs中的服务节点优化部署模型,并基于粒子群算法(PSO)提出了解决方案.将服务节点的位置信息抽象为粒子进行解的搜索.给出了利用PSO进行最优解搜索的计算步骤.仿真实验结果表明,该文算法能实现服务节点的最优部署,并具有较快的收敛速度和较好的收敛性.     

一种基于PSO-FCM的网络虚拟环境信息推荐算法

提出一种新的基于PSO - FCM用户聚类的信息推荐算法.PSO - FCM算法结合了PSO与FCM的优点,避免了FCM算法对初始值、噪声数据敏感与PSO容易陷入局部最优等缺点.为增强聚类效果,在PSO中设计了一个基于双目标的粒子适应度评价函数,最后用标准数据集与模拟数据集对推荐算法进行实验测试.结果表明,所提的基于P...     

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...     

可重构流水线构形选择和作业调度集成优化

针对可混流生产同零件族多种零件的可重构流水线(RFL),以最小化生产周期总成本和最小化拖期惩罚为目标,建立了RFL构形选择和作业调度集成优化的混合整数多目标规划数学模型.采用LINGO软件进行案例计算验证了模型的正确性.随后,融合拥挤距离计算和外部Pareto解集档案构建技术提出了一种快速获取集成优化问题Pareto解集的多目标粒子群算法(Mo PSO).在Mo PSO中,采用实数和整数混合编码的粒子表征RFL的构形和调度方案,所设计的粒子编码/解码方法和更新机制可保证粒子所对应解的可行性.将Mo PSO与NSGA-Ⅱ算法应用于3个案例,通过案例计算对比验证了Mo PSO算法的有效性.计算结果表明,Mo PSO获取的非支配解的质量和计算效率均优于NSGA-Ⅱ.     

基于粒子群优化和SOM网络的聚类算法研究

利用改进的粒子群优化算法(PSO)的优化性能,结合SOM网络模型,提出了一种基于粒子群优化算法和SOM网络的聚类算法(PSO/SOM),使用PSO对SOM网络进行训练来代替SOM的启发式训练方法.将PSO/SOM算法用于对Wine和Iris等数据集进行模式聚类识别,可以得到较优的聚类识别效果.相比标准SOM算法能有效提高网络映射的准确程度,降低网络的量化误差和拓扑误差,同时也降低了错聚率,实验结果验证了本算法的有效性.     

改进的粒子群优化算法(IPSO)及其在桁架设计中的应用

根据土木工程结构优化设计的特点,针对标准粒子群算法(PSO)在求解问题时因粒子多样性不足而易出现早熟、约束不易处理等现象,对标准的粒子群算法进行了改进.应用改进的粒子群算法(IPSO),实现了桁架结构单目标多变量的最优设计.通过与标准的PSO算法和其他优化算法的对比,发现采用IPSO算法具有较好的收敛性能和较高的精度,研究表明该算法实用可行,有望实现对复杂土木工程结构的优化设计,具有重要的理论价值及广阔的工程应用前景.     

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.     

优化的小波神经网在异常检测中的应用研究

本文首先介绍了遗传算法的基本原理和KDD99数据集,而后运用遗传算法,PSO算法以及QPSO算法分别对小波神经网络进行优化构建各自的模型,最后通过在KDD99数据集上分别进行各个模型的仿真实验,得出QPSO进化算法的效果明显优于另外两种算法。     

粒子群优化算法在非线性模型预测控制中的研究应用

提出了一种基于粒子群优化算法(PSO)的非线性模型预测控制（NMPC）。作为NMPC重要组成的滚动优化部分对控制效果的好坏起着关键的作用,因而寻求一种可靠的优化算法十分必要。PSO算法是一种群集智能方法,通过粒子之间的合作与竞争及进化实现对多维复杂空间的高效搜索,属于一类随机全局优化技术,已成功应用于各科学和工程领域。本文在滚动优化部分应用粒子群优化算法来求解预测控制律,对非线性系统施加优化控制,此外,对常规线性递减加权因子ω策略进行了讨论,提出了非线性递减策略,可进一步缩短优化时间和优化精度。仿真实验效果良好,验证了这种优化算法的正确性和有效性。     

穷举法与粒子群算法的比较

穷举法是一种传统的搜索方法,主要思想是列出所有可行解,然后找到满足条件的答案。粒子群优化算法是一种新型的群体智能算法。与传统的算法相比较,具有算法简捷,搜索速度快,易于实现等优点,该算法利用个体在解空间的随机速度来调整位置,具有很强的随机性。     

基于粒子群算法优化LVQ神经网络的应用研究

为了解决LVQ神经网络在应用时对初始权值敏感的问题,基于粒子群算法提出PSO—LVQ算法。PSO—LVQ算法利用PSO为LVQ神经网络寻找最适应的初始权值。算法的适应度函数定义为初始权值和输入样本集的平均聚集距离与最大聚集距离的变化率。该定义将输入样本集的数据分布特征作为PSO优化LVQ初始权值的依据。利用PSO-LVQ算法对乳腺癌进行诊断实验,并与其它相关算法进行比较。研究结果表明：PSO—LVQ神经网络算法在收敛性和分类准确率上都有改善和提升,乳腺癌诊断平均准确率可达95．94203％,最高可达100％,适用于乳腺癌的辅助诊断。     

基于粒子群算法的足球机器人动作选择研究

提出一个基于粒子群算法的足球机器人的动作选择算法。该算法给出了一个足球机器人的动作集合，根据赛场的实际情况为足球机器人分配角色与任务，并利用粒子群算法为足球机器人选择合适的动作。     

基于云遗传的混合混沌粒子群算法研究

为了解决PSO算法种群随机初始化遍历性差、易陷入早熟收敛以及不具备全局收敛性的缺点,提出一种基于云遗传的混合混沌粒子群优化算法,使用均匀性更优的无限折混沌叠映射实现粒子初始化,通过自适应云算子、改进的Metropolis接受准则以及动态调整粒子集规模等策略,实现了云遗传算法和PSO算法的协同,最后通过全局收敛性证明、时间复杂度和实验分析,验证了算法的有效性。     

Particle swarm optimization algorithm for partner selection in virtual enterprise

Partner selection is a fundamental problem in the formation and success of a virtual enterprise. The partner selection problem with precedence and due date constraint is the basis of the various extensions and is studied in this paper. A nonlinear integer program model for the partner selection problem is established. The problem is shown to be NP-complete by reduction to the knapsack problem, and therefore no polynomial time algorithm exists. To solve it efficiently, a particle swarm optimization （PSO） algorithm is adopted, and several mechanisms that include initialization expansion mechanism, variance mechanism and local searching mechanism have been developed to improve the performance of the proposed PSO algorithm. A set of experiments have been conducted using real examples and numerical simulation, and have shown that the PSO algorithm is an effective and efficient way to solve the partner selection problems with precedence and due date constraints.     

基于约束粒子群优化的克里金插值算法

针对常规克里金插值算法中的不足之处,通过改变粒子群算法中粒子多样性,结合地质变量的特征和数据特征,提出了一种改进的插值方法——基于约束粒子群优化的克里金插值算法,在粒子群优化过程中,通过高斯变异、样本点权重系数设定、搜索范围约束等方式提高了插值精度。实验结果表明:基于约束粒子群优化的克里金插值算法可以获得高精度的插值效果,优于常规的克里金插值。     

Particle Swarm Optimization with Directed Mutation

In the standard particle swarm optimization(SPSO),the big problem is that it suffers from premature convergence,that is,in complex optimization problems,it may easily get trapped in local optima.In order to mitigate premature convergence problem,this paper presents a new algorithm,which is called particle swarm optimization(PSO) with directed mutation,or DMPSO.The main idea of this algorithm is to "let the best particle(the smallest fitness of the particle swarm) become more excellent and the worst particle(the largest fitness of the particle swarm) try to be excellent".The new algorithm is tested on a set of eight benchmark functions,and compared with those of other four PSO variants.The experimental results illustrate the effectiveness and efficiency of the DMPSO.The comparisons show that DMPSO significantly improves the performance of PSO and searching accuracy.