基于果蝇优化算法改进的粒子滤波及其在目标跟踪中的应用

针对粒子滤波算法重采样导致的样本贫化问题,提出一种基于果蝇优化思想的粒子滤波算法.该方法视粒子权值为个体适应度值,并将果蝇不断从低浓度的地方飞向高浓度的地方的觅食寻优过程引入到粒子滤波当中,驱使粒子不断向高似然区域移动,提高了粒子群的整体质量.为了解决标准果蝇优化算法易陷入早熟的问题,将遗传算法中的交叉、变异操作自适应地应用到果蝇优化算法寻优过程当中.首先通过交叉操作改善粒子分布,当果蝇优化算法陷入局部最优时,再采用柯西变异扰动,促使算法快速跳出局部极值并继续搜索全局极值.通过非线性模型仿真以及目标跟踪实验表明该算法有效提高了非线性系统状态估计精度,具有较好的稳定性,同时降低了状态估计所需的粒子数量.     

嵌入不动点迭代法的粒子群算法

针对利用粒子群优化算法寻找最优极值的问题,本文提出了一种对粒子群优化算法的改进方式.在粒子群优化算法中,加入不动点迭代法,即在进行粒子群迭代寻优之后,再利用不动点迭代策略再次进行迭代寻优计算.通过两次迭代寻优计算,让算法更加快速的收敛到最优值,并且能够找到更小的极值,且不易陷入局部极值.让粒子群算法更加稳定,寻优更加优化.     

基于自适应模拟退火的改进混合粒子群算法

为了改善旅行商(TSP)优化求解能力,对模拟退火与混合粒子群算法进行改进,引入了自适应寻优策略。交叉、变异的混合粒子群算法,易于陷入局部最优,而自适应的模拟退火算法可以跳出局部最优,进行全局寻优,所以两者的结合兼顾了全局和局部。该算法增加的自适应性寻优策略提供了判定粒子是否陷入局部极值的条件,并可借此以一定概率进行自适应寻优,增强了全局寻优能力。与混合粒子群算法实验结果对比,显示了本文算法的有效性。     

基于速度变异的粒子群算法

为了改善粒子群优化算法在收敛后期极易陷入局部最优的缺陷,提出了在非线性惯性权重策略粒子群算法的前提下,对陷入局部极值区域的粒子进行位置变异,使得粒子能很好地跳出局部极值区域,并在迭代前期及后期采用不同速度变异策略使处于个体极值点的粒子改变速度,能够有效地提高算法的前期全局搜索能力和后期局部开挖能力。通过4个经典测试函数验证了该算法具有更好的优化性能。     

基于Morlet小波变异的粒子群优化算法

针对粒子群优化算法易陷入局部极值,收敛精度不高的缺陷,提出一种基于Morlet小波变异的改进算法。改进算法对组成每代全局极值的各维度实施小波扰动,并将扰动结果作为以一定概率被选中粒子的新位置,充分利用全局极值的优势信息引导粒子快速向最优解靠近,通过小波函数的微调特征帮助粒子跳出局部极值。在12个经典测试函数上的仿真实验结果表明,改进算法的寻优性能较SPSO、CLPSO、DEOPSO、HPSOWM算法有显著提高,适合于求解函数优化问题。     

嵌入模拟退火机制的免疫逃避的粒子群算法

在寻优过程中,为了能够更快速的找到最优解,提出了一种基于免疫逃避粒子群算法与模拟退火粒子群算法相结合的改进算法.模拟退火粒子群算法能够使算法跳出局部极值,免疫逃避粒子群算法能够让初始化粒子更加快速的搜索,二者的结合让两个算法的优越性更加突出,搜索速度更快,收敛和搜索精度都更加优化.     

多种群并行的自适应差分进化算法

为了提高搜索速度,同时克服传统算法过早陷入局部最优值的不足,提出了一种改进自适应差分进化算法.改进算法在充分分析经典和改进变异操作算子的属性以及种群统计信息的基础上,按照个体适应度的差异,将个体分成不同的子种群并相应地引入与之匹配的变异算子,转换成一个多种群并行的优化问题,保证在加快算法收敛速度的同时有效跳出局部极值点...     

基于速度权重扰动机制的改进蝙蝠优化算法

为提高基本蝙蝠算法的局部最优解开发能力,拟引入速度权重扰动机制,提出一种基于速度权重扰动机制的改进蝙蝠优化算法.在算法迭代寻优过程中,蝙蝠个体自身当前位置优于群体当前位置均值时,选择带有速度权重扰动机制的速度演化策略更新下一代速度信息,从而提高算法跳出局部最优的能力,并最终实现群体逼近收敛到全局最优解.针对典型基准测试函数的仿真实验结果表明,该速度机制能够有效提高蝙蝠个体的局部开发能力,加强算法的全局寻优能力.     

基于粒子群和细菌觅食优化算法的直流电动机控制系统的PID参数寻优

由于直流电动机控制系统的PID参数选取可等效为优化问题,因此基于寻优策略法的PID控制成为一类有效的研究方法。粒子群优化的寻优能力在进化后期随着种群多样性的消失易陷入局部最优,而细菌觅食机制具有易跳出局部最优的特点。本文将两种优化算法相结合,给出一种混合启发式算法应用于直流电动机控制,在细菌觅食优化算法中初始位置加入粒子群优化算法结果,通过细菌觅食优化算法找到最优的直流电动机PID控制参数,实现PID控制要求。仿真结果表明本文算法在收敛速度和控制效果上优于粒子群优化和细菌觅食优化算法,验证了寻优方法的有效性和可行性。     

基于混沌机制和改进粒子群算法的Web服务组合优化

随着互联网和大数据的迅速发展,如何从大量Web服务中选择合适服务及组合以满足用户需求已成为新的热点。本文提出一种改进的混沌粒子群优化(ICPSO)算法,应用到Web服务组合优化问题。针对传统PSO算法易陷入早熟收敛和局部最优的缺点,该算法引入了混沌扰动机制使粒子易跳出局部极值,增强了种群多样性,从而提高算法寻优能力。最后通过仿真实验验证了ICPSO算法的可行性和有效性。     

求解大规模可靠性问题的改进差分进化算法

针对差分进化算法典型变异算子的局限,设计了全局加速的变异算子,进而提出全局加速的自适应改进算法.新变异算子能够均衡全局搜索与局部搜索,提高寻优效率.根据差分向量与整个种群分布范围的关系,有针对性的设定变异率值,减缓搜索范围缩小的趋势,保持较高的种群多样性.采用两区间选择策略,通过学习和比较自适应地调整交叉率,使其满足进化搜索的需要,同时提高算法的通用性.将改进算法应用于大规模可靠性问题中,实验结果表明,改进算法在解决大规模系统可靠性问题时具有更好的寻优效果.     

蚁群优化算法在发电机励磁控制中的应用研究

针对现有发电机励磁控制器参数优化中存在的寻优时间长、易陷入局部最优的问题,提出了一种引入杂交及变异算子的蚁群算法。该算法利用蚁群算法良好的全局寻优能力,避免搜索陷入局部最优,同时借鉴遗传算法的思想,利用杂交及变异算子来进行局部寻优,使其能快速搜索到全局最优点。MATLAB仿真结果表明,该算法可行且有效。     

转移批量自适应的作业排程优化方法

为了缩短产品交货期进而提高企业快速响应市场的能力,运用遗传算法对混合转移批量作业排程的组合优化问题提出了优化方法。算法使用了两套不同但有机结合且高效的选择、交叉等算子,同时对转移批量和作业排序进行优化。遗传操作实行了提高算法稳定性并延长优秀个体寿命等多种保优机制,使运算能在避免局部收敛的同时短时间内收敛于全局最优解或次优解。通过实例证明了算法在解决有多种转移批量的生产作业排程问题的有效性,对离散制造企业的作业排程具有重要意义。     

基于改进遗传算法的非线性方程组求解

 采用种群隔离机制、最优保持策略、算术杂交、自适应随机变异和异种机制等方法对遗传算法进行了改进。在保持遗传算法仅需目标函数值信息即可求解这一优点的基础上,这一改进方法增强了遗传算法的局部搜索能力。将该方法应用于非线性方程组的求解。数值算例表明,该方法能够求解以非线性方程为等式约束的〖JP2〗最优化问题。此外,异种机制的引入加快了遗传算法的收敛效率,有效提高了遗传算法收敛于全局最优解的概率。     

改进的遗传算法在生物组织热特性参数无损测量中的应用

针对生物活体组织的多个热特性参数同时测量的难点问题,提出了采用遗传算法同时估计多个活体组织热特性参数的方法,设计了实数编码的遗传算法. 通过对选择、交叉和突变算子进行改进,并引入小生境策略,提高了遗传算法的全局寻优能力和搜索效率. 对动态体模和人体前臂的热特性参数测量的模拟仿真研究和实验研究表明,采用改进的遗传算法,能够以较高的精度同时估计生物活体组织的多个热特性参数.     

基于克隆选择的小世界优化算法

针对小世界算法在多极值等复杂函数优化中存在算法后期种群多样性退化、全局搜索效率下降等问题,提出一种基于种群克隆选择的小世界优化算法。该算法以小世界现象信息传递的高效性改进克隆过程中体细胞高频变异的随机性,实现克隆增殖、克隆选择以及小世界网络短连接等算子在局部空间的搜索,克隆删除与小世界随机长连接在全局空间的搜索。实验结果表明:各种克隆算子与小世界变异算子相结合,增加了种群的多样性,扩大了搜索范围。与其他算法相比,该算法在收敛速度和多极值点函数搜索能力等方面具有明显改善。     

优劣复取舍遗传算法

为加快遗传算法的收敛速度 ,满足优化控制实时性的要求 ,对遗传算法的机理进行了研究 ,提出了遗传算子操作结果的优劣复取舍原则。并以此原则为基础 ,经过改进 ,加入调整适应度、动态调整变异概率和局部优化等方法 ,形成了优劣复取舍遗传算法。理论分析和实例计算结果表明 ,该算法能有效消除遗传算法本身带来的局部极值点 ,解决成熟前收敛的缺陷 ,与其它算法相比 ,具有收敛速度快、寻优能力强等特点。     

基于SAGACIA优化方法的模糊控制规则优化及其MATLAB实现

模糊控制规则的选择是模糊控制器设计的关键问题之一。将SAGACIA优化方法应用在优化模糊控制规则中,并在MATLAB中编程实现,应用该优化方法不像遗传算法那样要编码解码,并且按一定的概率接受劣解和变异,使得算法易于跳出局部最优,从而更有利于找到全局最优解,在MATLAB中实现起来也简单。     

基于MQPSO优化的属性约简方法

变异量子粒子群算法(MQPSO)通过在量子粒子群算法(QPSO)中引入变异机制,增加了全局搜索能力,避免陷入局部最优。在粗糙集理论和MQPSO算法基础上,提出了基于MQPSO优化的决策表属性约简方法,并在算法实现中提出了迭代记录策略,改进了算法中的耗时计算部分,降低了算法的时间复杂度。     

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。