基于遗传粒子群的图像融合算法及应用

为改善传统图像融合方法对细节信息的丢失,提出了一种基于遗传粒子群算法（geneticalgorithmofparticleswarmoptimization,GAPSO）的图像融合方法,该算法应用于像素级的图像融合,使图像融合问题归结为最优化问题．该算法结合遗传算法和粒子群算法的优点,对标准粒子群算法进行了改进,将交叉与变异算子引入到标准粒子群算法,提高了该算法的收敛性能和全局求解能力．实验结果表明,该算法获得的评价指标都优于遗传算法和PSO算法,且融合图像较好地从源图像中提取了有用信息,提高了融合质量．     

求解聚类问题的混合粒子群优化算法

建立了聚类分析问题模型,结合遗传算法的思想提出的混合粒子群算法来解决聚类问题。该算法可 进一步改进,思路是利用K-均值方法的结果作为一个粒子。经过比较测试,4种粒子群算法的效果都比较 好,特别是交叉策略A和变异策略B的组合算法最好。     

一维下料问题的自适应广义粒子群优化求解

针对现有粒子群优化算法在求解组合优化问题时粒子速度迭代难以定义的问题,首先将粒子群优化算法与遗传算法相结合,利用交叉算子、变异算子,提出一种广义粒子群优化算法来求解一维下料问题;然后引入模拟退火算法作为自适应策略,避免算法陷入局部最优.仿真实验结果表明,采用自适应广义粒子群优化算法求解一维下料问题具有高效性和鲁棒性.     

基于混合粒子群算法的农情监测无人机路径规划

用无人机对果树病虫害进行巡航拍摄是有较大潜力的农情监测方法,本文以飞行时间最短为目标,建立了农情监测无人机路径规划的数学模型.结合遗传算法、模拟退火算法的思想,在粒子群算法中引入交叉、变异、替换操作,提出了一种混合粒子群算法来求解无人机路径规划的数学模型.实验表明,无人机路径规划数学模型可以被混合粒子群算法有效求解,且...     

PSO-QGA在移动机器人复杂路径规划中的应用

量子遗传算法具有适应性强、收敛速度快、适合于全局搜索的特点,粒子群优化算法的优点是具有记忆能力,在智能搜索的实现上可以结合个体和全局的最佳位置实现位置定位,但粒子群优化算法在搜索速度和择优能力方面还有待提升.因此提出了一种改进的路径规划算法,即利用量子遗传算法结合粒子群优化算法的记忆功能和最佳定位能力,实现对移动机器人路径规划算法的改进.通过仿真实验已经证明,改进后的移动机器人路径规划算法在稳定性和路径优化选择上都优于单纯的粒子群优化算法和量子遗传算法,并且改进后的算法更适合于复杂路径中实现优化.     

基于改进粒子群优化算法的信号检测及故障诊断

研究了一种分段双稳态随机共振系统,使用改进的粒子群优化(particle swarm optimization, PSO)算法对双稳系统的参数进行优化,将其应用于弱信号检测以及轴承的故障诊断。首先,引入分段的势函数,对系统的输出信噪比进行理论推导,从势阱中粒子的跃迁角度讨论分析了系统各参数对平均首次通过时间以及信噪比的影响,并借此对系统进行评价;其次,利用随机权重粒子群优化算法和自适应权值粒子群算法,分别与随机共振相结合,以输出信号的信噪比作为评价指标,对系统参数进行优化调节,并比较2种粒子群优化算法的改进算法;最后,将改进的粒子群优化算法应用于故障诊断,通过仿真研究和实验验证,对比几种算法的输出效果,评价了随机权重粒子群优化算法的有效性和优越性。     

基于粒子群算法的数字电路测试生成

在已有的数字电路测试生成算法基础上，通过对一种结构简单且容易实现的算法——粒子群算法的研究，提出了一种基于模拟的测试矢量生成的新方法，即应用粒子群算法来进行数字电路的测试生成．对一些组合电路进行了仿真，并将其与基于遗传算法的测试生成方法进行比较，实验结果表明该方法比基于遗传算法的测试生成更为有效．     

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.     

基于粒子群算法的大跨度钢结构吊点层次优化

在面对大跨度钢结构的多台起重机协同吊装时,为了解决各种变形协调方程都不明确情况下的结构吊点设计问题,利用最小应变能原理,基于改进粒子群算法对吊点进行层次优化,即对吊点数量和布局进行综合优化.通过对标准粒子群算法进行改进并结合APDL的ANSYS二次开发技术,在MATLAB环境中编制了适应大跨度钢结构多吊点层次优化的程序,有限元软件ANSYS被后台调用求解目标函数.该方法充分发挥了有限元软件数值计算准确及粒子群算法求极值的高效性和全局性的优点,与ANSYS自带的零阶方法以及遗传算法、模拟退火算法等进化算法相比表明,本优化方法取得了较好的结果,为解决大跨度结构的吊点离散变量组合优化问题提供了一种新的更有效的途径.     

新型的融合优化算法及其在电力系统中的应用

提出了一种新型的融合优化算法,该算法结合了遗传算法(GA)的复制、交叉、变异操作以及粒子群优化算法(PSO)的个体速度和位置更新的原理,并将混沌的概念引入其中,它的性能要优于GA和PSO.在标准测试函数上进行了仿真比较,验证了新型算法的有效性.最后,这种新的融合优化算法被应用到了电力系统最优潮流的计算中,对IEEE-30系统进行仿真,并与遗传算法、标准PSO算法进行比较,结果表明新型的融合优化算法具有更好的优化性能.     

粒子群算法的改进及其在求解约束优化问题中的应用

在用粒子群算法求解约束优化问题时, 处理好约束条件 是取得好的优化效果的关键. 通过对约束问题特征和粒子群算法结构的研究, 提出求解约束 优化问题一种改进的粒子群算法, 该算法让每个粒子都具有双适应值, 通过双适应值决定粒 子优劣, 并提出了自适应保留不可行粒子的策略. 实验证明, 改进的算法是可行的, 且在 精度与稳定性上明显优于采用罚函数的粒子群算法和遗传算法等算法.     

分段式微粒群优化算法

提出一种分段式微粒群优化算法。该算法将所要搜索的区域分成若干段,首先在每一区段内搜索出区段的最优位置,然后将各区段的最优位置组成一微粒群,继续搜索全局最优位置。通过对5个常用标准测试函数进行优化计算,仿真结果表明:分段式微粒群优化算法能有效地搜索到全局最优解,具有比基本微粒群优化算法更快的搜索速度和更好的优化性能。     

邻域自适应的微分变异约束分数阶粒子群优化

分数阶粒子群算法（FOPSO）是一种具有路径记忆的改进型粒子群优化算法。在多峰约束优化问题中,针对FOPSO易于早熟和依赖于初始参数的问题,文中提出了一种邻域自适应的约束分数阶粒子群优化方法（NAFPSO）。在算法中,依据进化状态来动态调整邻域拓扑从而更新粒子位置和速度,以提高可行解的全局寻优能力和收敛速度;采用带惩罚因子的罚函数约束处理技术,迫使粒子趋向可行区域;设计了微分变异策略以增加种群多样性,增强粒子逃脱局部最优的能力。用9个约束优化基准函数实验验证了NAFPSO的有效性和收敛性能,并应用于2个约束工程设计问题,结果表明,提出的算法寻优能力强、收敛快、精度高、稳定性好,可用于有效地解决复杂的约束工程设计优化问题。     

Powell搜索法和惯性权重非线性调整局部收缩微粒

提出一种求解无约束最优化问题的新的混合算法Powell搜索法和惯性权重非线性调整局部收缩微粒群算法的混合算法. 该算法不需要计算梯度, 容易应用于实际问题中. 通过对微粒群算法的修正, 使混合算法具有更加精确和快速的收敛性. 首先利用20个基准测试函数进行仿真计算比较, 计算结果表明, 新混合算法在求解质量和收敛速率上都优于其他算法（PSO, GPSO和NM PSO算法）. 其次, 将新混合算法和最新的各种协同PSO算法进行分析比较. 结果表明, 新混合算法在解的搜索质量、 效率和关于初始点的鲁棒性方面都远优于其他算法.     

带非均匀动态变异的改进粒子群优化方法

针对基本粒子群(PSO)算法在前期收敛速度较快和搜索精度差的缺陷,提出了一种带非均匀动态变异的改进粒子群优化方法.该方法通过引入非均匀动态变异算子不但克服了粒子群算法在后期易陷入局部最优的缺陷,而且极大地增强了群体的多样性,进而提高了算法的搜索效率.最后,通过两个复杂多峰函数的计算仿真,其结果表明该方法是非常有效的.     

粒子群算法与遗传算法设计四阶状态变量滤波器的比较

用粒子群算法和遗传算法设计四阶状态变量滤波器, 并对两种算法得出的滤波器电路进行Pspice仿真及实际电路测试, 同时, 对两种算法得出的数据进行统计比较. 结果表明, 在平均收敛时间、 平均收敛效率和收敛精度上, 粒子群算法均明显优于基本遗传算法.      

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。     

基于Kriging代理模型的注塑产品翘曲优化

针对传统的基于CAE的注塑产品工艺优化方法精度不高、效率低,提出了Kriging模型与自适应粒子群算法相结合的集成优化策略.Kriging模型代替CAE分析作为粒子群算法迭代过程中的适应函数,大大减少了优化算法的计算量;同时,通过在粒子群算法中引入自适应惯性权系数,加快了粒子群算法的收敛速度.算例表明,基于Kriging模型与自适应粒子群算法的优化策略可以在小样本情况下获取较高的求解精度,并通过与标准遗传算法做比较,表明该优化策略同时具有较高的计算效率.     

一种带自适应飞行时间因子的粒子群算法

作为一种新型智能算法,粒子群算法具有概念简单、易于实现等特点,但也存在容易陷入局部最优的缺点。为了尽可能找到问题的最优解,提高粒子群算法的收敛速度,提出一种带自适应飞行时间因子的粒子群算法,在算法中引入种群多样性和种群进化度两个参数,并根据这两个参数对算法性能的影响,让飞行时间因子随着这两个参数自适应改变。通过对4个基准函数的测试表明,改进后的粒子群算法较其他几种粒子群算法在收敛速度和收敛精度上都有一定提高。     

混合粒子群算法在地震波阻抗反演中的应用

为提高地震波阻抗反演的精度，提出了一种结合了混沌和遗传思想的混合粒子群算法。算法在搜索初期，加入了混沌思想，使算法具有了遍历性。在粒子更新过程中，又加入了选择、交叉、变异思想，增强了粒子之间的联系和粒子的多样性，使算法收敛速度更快，更容易跳出局部极值。针对模型对该算法进行了测试与对比，测试结果表明，该算法在反演精度上明显优于传统粒子群算法; 对算法的抗噪性进行了分析，在模型中加入15%噪声时，虽有一定误差，但符合度依然较好，表明本算法具有一定的抗噪声能力; 最后将算法用于实际地震资料，得到了良好的效果，表明本算法具有一定的实用价值。