一种适用于云计算环境的粒子群优化算法

提出了一种能够利用云计算分布式计算特点以提高性能的粒子群优化算法.仿真实验表明,该算法不仅能利用云计算特征,而且算法在3种常见Benchmark函数测试中所找到的最小值平均比同等粒子群规模的标准粒子群算法低71%以上.     

基于改进粒子群优化算法的PID控制器参数优化

PID参数优化是控制领域的热点,其控制效果与比例、积分、微分参数有直接关系.为了改善系统性能,提出用一种改进的粒子群优化算法对PID控制器参数进行优化.该算法引入进化速度因子和聚集度因子对权值进行改进,进而改进了速度更新公式,并引入飞行时间因子以改进位置更新公式.通过3种典型函数证明了该算法的优越性,加快了收敛速度,提高了寻优效率.以典型二阶被控模型为研究对象,将上述算法与其他粒子群算法进行对比,表明改进的粒子群算法得到的PID参数具有更好的控制性能.     

用于函数优化的层次结构萤火虫群算法

基于人工萤火虫群优化算法,参考人类社会商业组织中的分层管理模式,将人工萤火虫群随机地分布在 一个层次结构中,并在过程中加入变异因子,改进基本人工萤火虫群优化算法,提出用于函数优化的层次结构人工 萤火虫群优化算法. 对4个标准函数的测试表明,层次结构萤火虫群算法在高维函数优化方面比基本人工萤火虫群 优化算法性能更优.     

基于粒子群算法的珩磨加工参数优化研究

粒子群算法具有计算简单,收敛速度快和良好的全局与局部收敛能力等特点.通过对珩磨加工工艺参数的分析,构建了基于粒子群算法的珩磨加工参数智能选择模型,在理论模型的基础上通过实验数据对模型参数进行了优化.研究证明该方法用于珩磨加工工艺参数的选择具有可靠性高、选择操作简单、实用性强等优点.     

基于单形进化的径向基网络训练算法

在引入智能优化算法的径向基神经网络训练算法中,智能优化算法的控制参数对该算法的学习性能影响很大.为此,提出了一种基于单形进化的径向基神经网络训练算法.该算法基于单形邻域的全随机搜索方法减少算法控制参数,借助群体的多角色态保持粒子的多样性,避免算法陷入局部极值点.仿真结果表明:相比于其他算法,该算法训练的径向基神经网络不仅有效提高了识别率,而且减少了控制参数对学习性能的影响,提高了算法的普适性与鲁棒性.     

基于粒子群算法优化的T-S型模糊神经网络控制器

粒子群优化(PSO)算法是一种新颖的演化算法,该算法通过粒子间的相互作用在复杂搜索空间中发现最优区域,其优势在于简单而功能强大。提出一种T-S型模糊神经网络控制器,采用PSO算法对模糊神经网络的前件参数和后件参数进行寻优,从而实现了模糊规则的自动调整、修改和完善。通过对非线性和时变被控对象的仿真研究,结果表明采用粒子群优化算法可以实现参数的全局快速寻优,而且优化后的T-S型模糊神经网络控制器能获得良好的控制性能。     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点,根据混沌运动的随机性、遍历性特点,提出一种基于混沌思想的粒子群优化算法(CPSO).该算法利用种群适应度方差进行早熟收敛判断,实现对进化过程的监视,当发现种群陷入局部最优时,对种群进行混沌初始化,帮助种群摆脱局部最优点.对4种典型测试函数的仿真结果表明,改进算法明显减少了种群陷入局部最优的可能性,其全局寻优能力明显强于标准粒子群优化算法.     

一种新的改进粒子群算法研究

为克服粒子群优化(PSO)易早熟的缺点,提出了一种改进的粒子群优化(MPSO)算法.该算法使整个粒子群按照变异率产生变异粒子,变异的粒子不再朝群体最优解方向飞行,而是朝反方向运动.MPSO提高了种群的多样性,扩大了搜索的空间,提高了粒子群算法摆脱局部最优解的能力.仿真实验表明,改进的粒子群优化算法显著提高了PSO算法的全局搜索能力,且其性能也明显优于遗传算法.     

基于蚁群优化算法的QoS多播路由算法改进及实证

多QoS约束的组播路由技术是当前实现分布式网络多媒体的关键技术,蚁群算法是解决多QoS约束组播路由问题的一种启发式算法,但大多算法仍属于集中式算法.该文提出了一种基于蚁群优化的分布式QoS多播路由算法,并结合多播路由问题的特点对算法进行了改进.通过仿真实验讨论了该方法的性能,并与传统的蚁群算法对比,证实了其的有效性.     

基于改进粒子群算法优化策略的核极限学习机方法研究

本研究通过对核极限学习机的原理进行分析,确定优化参数,分析粒子群算法的基本原理,并对多种改进的粒子群算法进行研究,通过基准测试函数对6种算法的优劣进行分析。笔者选取综合学习粒子群算法为优化核极限学习机的基本框架,并将线性递减惯性权重和综合学习粒子群算法进行结合,用于改进粒子群算法易陷入局部最优的问题,从而实现对核极限学习机的参数优化。     

粒子群优化的深海图像暗边缘检测优化算法

为解决深海资源探测图像识别难题,提出一种基于粒子群优化的图像暗边缘检测优化算法。该算法通过指数型线性单元和高斯误差线性单元改进激活函数,根据Marr-Hildreth算子检测结果并结合改进激活函数构建暗边缘检测算法,利用粒子群对改进暗边缘检测算法进行训练和优化。最后,采用不同算法对水下11个数据集进行比较的结果表明：改进算法的峰值信噪比、结构相似度和边缘保持指数最高,分别达到18.769 6 dB、0.660 7和0.834 5;图像均方误差最低,为3 750.225 3;平均检测时间为0.667 4 s,比其他对比实验中性能最好的算法缩短了14%。     

PSO算法用于导弹鲁棒控制器性能权函数优化

摘要： 在导弹1综合鲁棒控制器的设计中,性能权函数的设计通常只能采用尝试和仿真迭代方法. 这种设计方法繁琐费时,控制性能不确定. 该文采用粒子群优化(particle swarm optimization , PSO)算法自动设计性能权函数. 分析了性能权函数各项系数对闭环响应的影响,设计了PSO优化算法的各项参数,并对PSO算法和1控制进行综合设计. 仿真结果表明,采用优化后性能权函数获得的1控制器性能良好,性能指标函数具有较好的收敛特性,表明了该方法的有效性.     

数学建模中智能优化算法教学方法探究

优化数学模型在数学模型中具有重要地位,智能优化算法作为求解优化模型的常用方法,具有求解能力强,算法设计简单,易于实现等特点.但是学生在利用智能优化算法求解优化模型时往往会遇到很多困难.从教学内容中算法选择要有重点,教学设计要注重学生实际,教学手段要灵活多样3个方面探讨数学建模中智能优化算法的教学方法,对提高教学效果有一定的帮助.     

基于改进PSO算法的四旋翼飞行器飞控系统PID参数整定

针对四旋翼飞行器飞控系统中存在PID控制器参数难以整定的问题,提出一种改进的粒子群算法,应用于PID参数的整定优化中.为了让粒子群在算法早期拥有较强的全局搜索能力,在算法后期拥有较强的局部开发能力和较快的收敛速度,该改进算法采用了一种可使惯性权重非线性下降的调整策略;同时,算法融合了遗传算子,进一步加快了收敛速度,避免算法陷入局部最优.将该算法应用于PID控制器的参数优化,以实数编码的形式直接生成与PID参数组对应的粒子群,并把控制系统的误差性能指标作为评价粒子群的适应度函数.通过与标准粒子群算法与手动调参的阶跃响应对比分析,发现改进算法其阶跃响应曲线超调量更小,调节时间更短,响应速度更快,动态性能更优.提出的改进算法能对四旋翼飞行器飞控系统中的PID参数进行较好的优化,实现更好的控制效果,使得飞行器在飞行过程中更加平稳.     

一种改进的粒子群算法

上海理工大学计算机工程学院陈家琪由Eberhart和Kennedy等于1995年提出的粒子群优化算法(Particle Swarm Optimization,PSO)是一种基于种群搜索的自适应进化计算技术,它源于对鸟群和鱼群群体觅食运动行为的模拟.与其他生物进化算法类似,PSO算法是一种基于迭代过程的优化方法.PSO作为一种并行优化算法,可以用于解决大量非线性、不可微和多峰值的复杂问题的优化.目前,在函数优化、神经网络训练、工业系统优化及控制、游戏设计等领域均取得了非常好的效果.     

基于动态罚函数的PSO-CO算法

本文分析了协同优化算法中所存在的问题,采用动态罚函数的解决思路,对系统级中的一致性等式约束问题进行改造,使其成为一无约束问题.另外,提出不同学科分配不同的惩罚权重的方法,大大提高了计算精度.同时,以粒子群算法替代了原有的求解算法,消除了初始解对优化结果的影响,也改善了算法的整体求解速度.在Matlab软件中实现该算法的运行,同时通过两个典型算例对该算法进行验证,表明其具有较好的优化性能.     

基于自适应变异因子策略的混合蛙跳算法

由于基本混合蛙跳算法在对问题的优化求解中存在着收敛速度慢、优化精度低且容易陷入局部最优等问题,因此提出了一种新的混合蛙跳算法。对基本混合蛙跳算法的组内更新策略进行重新设计,引入自适应变异因子来控制青蛙的移动步长;在算法中将改进的粒子群优化算法有机地嵌入其中,这样算法在搜索过程中就增加了发现新解的概率,维持了种群的多样性,从而使算法不易陷入局部最优。通过对标准函数进行优化测试,结果证明其具有良好的优化性能。     

基于群智能和机器学习的分布式生产调度算法研究

传统的算法对分布式生产调度的求解难度非常大,而且收敛速度慢、解质量差。由此,本文以分布式装配流水车间为研究对象,尝试使用群智能和机器学习联合算法对其进行求解,并在构建分布式生产调度模数学模型中引入动态订单决策和历史订单分析学习等动态条件,进而使联合算法的优化解贴近实际生产情况。最后,采用分布式车间调度仿真软件进行建模仿真,验证优化结果的可行性。     

蚂蚁算法的应用与发展

蚂蚁算法是一种新型的随机优化算法,通过蚂蚁释放信息素的特点被人们广泛的用于优化搜索排序等问题中。文章详述了蚂蚁算法的原理模型,并对蚂蚁算法应用进行了研究,相信在未来蚂蚁算法将会有更广泛的应用。     

一种新型自适应粒子群优化粒子滤波算法及应用

基于粒子群优化的粒子滤波算法精度不高,运算复杂度大,难以在实际工程中应用. 为此,文中提出一种新型邻域自适应调整的动态粒子群优化粒子滤波算法. 该算法考虑了粒子的邻域信息,利用多样性因子、邻域扩展因子和邻域限制因子共同对粒子的邻域粒子数量进行自适应调整,控制粒子对邻域的影响,减轻局部最优现象,达到收敛速度和寻优能力的最佳平衡. 利用UNGM模型、目标跟踪模型以及故障检测模型对算法的性能进行仿真测试,结果表明：该算法与PSO-PF相比提高了精度和运算速度,具有实际工程应用价值.