一种基于复合惯性权值的粒子群优化算法

在研究神经网络优化的问题上,粒子群优化算法被广泛应用.针对基本粒子群优化算法收敛速度慢和易陷入局部最优等问题,提出了一种改进的粒子群优化算法.该算法除了采用线性惯性权值和进化速度-聚集度动态惯性权值相结合的方式来调整其权值,还将一种新颖的收缩因子引入到算法中.通过对4种典型测试函数进行仿真测试,实验结果表明新算法在收敛速度、收敛精度、改善优化性能上完全优于基本的粒子群优化算法,有效避免了基本群优化算法的缺陷.     

A novel multi-sensor multiple model particle filter with correlated noises for maneuvering target tracking

Aiming at the effective realization of particle filter for maneuvering target tracking in multi-sensor measurements,a novel multi-sensor multiple model particle filtering algorithm with correlated noises is proposed.Combined with the kinetic evolution equation of target state,a multi-sensor multiple model particle filter is firstly constructed,which is also used as the basic framework of a new algorithm.In the new algorithm,in order to weaken the adverse influence from random measurement noises in the measuring process of particle weight,a weight optimization strategy is introduced to improve the reliability and stability of particle weight.In addition,considering the correlated noise existing in the practical engineering,a decoupling method of correlated noise is given by the rearrangement and transformation of the state transition equation and measurement equation.Since the weight optimization strategy and noise decoupling method adopt respectively the center fusion structure and the off-line way,it improves the adverse effect effectively on computational complexity for increasing state dimension and sensor number.Finally,the theoretical analysis and experimental results show the feasibility and efficiency of the proposed algorithm.     

一种新型的简化群优化粒子滤波算法

针对粒子滤波的粒子退化和贫化问题,将新兴的简化群优化(SSO)算法引入到粒子滤波的重采样阶段.SSO算法结构简单,在保留优良粒子的基础上,增加一项粒子随机运动过程,以提供粒子多样性.实验结果表明,新算法不仅有效提高了对非线性系统状态的估计精度,而且具有更高的运算速度.     

基于粒子群优化算法的FIR数字滤波器设计

探讨FIR数字滤波器设计的粒子群优化算法及其实现.它根据预期频率特性的设计要求,建立优化模型,并通过快速粒子群算法求解其优化值.所得的序列使对应FIR滤波器较好地满足了预期频率特性指标,设计方法简单实用,具有很高的灵活性和鲁棒性.并且较遗传算法有更快的收敛速度,数值实验表明了本方法的有效性.     

基于自适应惯性权重的混沌粒子群算法

针对粒子群优化(particle swarm optimization,PSO)算法易陷入早熟的缺陷,提出了一种基于自适应惯性权重的混沌粒子群算法。首先利用立方映射产生的混沌序列对粒子位置进行初始化,为全局搜索的多样性奠定基础;然后采用自适应惯性权重优化策略,提高收敛速度;最后如果判断算法陷入早熟,则对算法进行混沌扰动,使其跳出局部最优。仿真实验结果表明,改进算法的收敛速度及收敛精度都有明显提高,能有效地避免早熟。     

多传感器粒子滤波融合跟踪算法

对于非线性非高斯环境中的多传感器分布式状态估计问题,提出了一种基于二阶中心差分粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,以在线自适应加权融合算法的方式得到系统最优估计.仿真结果表明,与采用扩展卡尔曼滤波的方法相比,该算法具有更高的估计精度.     

基于多传感器信息融合的智能仪表研究

针对智能仪表多传感器系统中存在的信息处理复杂、不可靠等问题,提出了利用智能仪表中的多传感器信息资源,融合多传感器信息,提高智能仪表检测精度和可靠性的方法。结合矿井瓦斯监测、井下煤的自燃监测等实例,介绍了智能仪表中多传感器信息融合的模式,以及智能仪表研究设计中应注意的问题。将多传感器信息融合技术应用于智能仪表之中,可大大提高智能仪器仪表的精度、可靠性和容错能力。     

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．     

一种改进的粒子群优化算法

针对粒子群优化算法在迭代后期容易陷入局部最优、收敛速度变慢,精度降低、计算效率变差等缺点,提出了一种改进的粒子群优化算法.此算法通过引入惯性权重来调节粒子的速度变化,动态变化的学习因子来平衡粒子的社会学习能力和自我学习能力.通过测试函数检验,结果显示该算法能够有效摆脱局部最优,整个收敛速度明显变快,精度大幅提高.     

一种自适应改变惯性权重的粒子群算法

针对标准粒子群算法收敛性和收敛速度的问题,分析标准粒子群算法惯性参数对算法性能优化的影响,提出一种自适应改变惯性权重的粒子群算法（ACPSO）。通过对粒子速度和位置变化过程的分析,并结合早熟收敛程度和个体适应值自适应的调整惯性权重,使得算法能在全局收敛性和收敛速度之间找到良好的平衡关系,并且通过典型的函数测试,表明此方法有效的控制了粒子群的多样性,而且具有良好的收敛速度。     

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.     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型(Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM).首先支持向量机(Support Vector Machine,SVM)参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化(Particle SwarmOptimization,PSO)算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

基于蜣螂优化的改进粒子群算法

针对标准粒子群算法存在的局部最优、早熟和慢收敛等问题,提出了一种新的粒子群更新方法。改进了算法惯性权重,引入一种新的更新方式;借鉴蜣螂优化算法中蜣螂滚球、繁殖、觅食和偷窃行为,将基本粒子群的操作划分为寻优、变异、波动和跳跃,从而提高了算法的全局寻优能力和收敛速度,并避免了早熟问题。通过与其他9种智能算法进行实验对比表明,在10个基准测试函数中,基于蜣螂优化的改进粒子群算法在寻优能力和收敛速度方面表现出色,证实了该算法的优越性。     

基于动态和谐搜索的混合粒子群优化算法

针对粒子群优化算法随维数增大群体多样性相对减小而早熟收敛的问题,在对和谐搜索算法进行适应性改进的基础上,将其引入粒子群算法中,提出一种动态和谐搜索混合粒子群优化算法(DHSPSO).该方法使得粒子在搜索初期更具遍历性,降低算法对初始值的敏感性,并通过和谐搜索算法搜索的随机性和优胜劣汰机制改善粒子群的多样性,使得算法具有更快的收敛速度与更好的全局搜索能力.以多个标准测试函数优化进行仿真测试,结果表明,DHSPSO算法在进行高维优化问题时,在寻优速度、精度和成功率等方面均显示出良好的优化效果.     

粒子群优化算法惯量权重控制方法的研究

粒子群优化算法（PSO）是一类随机全局优化技术,算法简单、容易实现而功能强大,目前已成为国际进化计算界研究的热点.粒子群算法的性能受到参数惯量权重ω的影响,大量研究表明,较小的ω具有较好的局部搜索能力,可提高求解精度;较大的ω具有较好的全局搜索能力,在一定程度上可以避免陷入局部最优.很多研究者提出了多种动态调整惯量权重...     

基于粒子群优化的最小属性约简算法

将最小属性约简问题转化为一个基于粒子群优化算法求解的多目标优化问题.引入基于表现型共享的适应度评价函数以提高多目标搜索算法的性能,对基本粒子群优化算法的位置更新公式进行修正使其能够有效应用于最小属性约简问题,并提出了一种用于求解该问题的二进制多目标粒子群优化算法.实验表明,本算法是有效的,并能一次运算获得多个最小属性约简.     

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.     

粒子群优化的多尺度形态滤波器消噪方法

针对传统的形态学滤波器难以适应机械设备振动信号的冲击、非线性和背景噪声较大等特点,提出了基于粒子群优化的多尺度形态滤波器构造方法。根据形态学算法的特性,构造了多尺度形态学滤波器,对于形态学滤波运算中的重?问翁峁顾阕樱捎镁哂腥钟呕阅艿牧Ｗ尤核惴ǜ菪藕诺奶氐阕允视ρ∪。迪至俗钣怕瞬ㄆ鞯墓乖?将噪声信号通过不同尺度的形态学滤波器进行滤波,将获得的多个滤波信号根据权值运算获得最终的去噪信号。通过仿真实验和轴承故障信号的分析表明,该形态学滤波器能够实现较好的滤波效果,可以有效地对机械设备的故障信号进行消噪。     

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.     

基于扩容和双距离决策的多目标粒子群优化算法

为了更好地改善多目标粒子群优化算法的收敛性和多样性,提出一种基于扩容和双距离决策的多目标粒子群优化算法。利用扩容的方法对目标空间中目标函数值的上下限进行扩大,得到新的上下限后再建立网格,这样可以计算出边界点的坐标。在小网格中选择引导粒子或者劣质粒子时,利用小网格中粒子到理想点和当前小网格最优点的距离进行决策筛选,这样充分利用目标空间中的信息来对粒子的优先级进行判断。对新的粒子进行差分变异,增加了整体的多样性,并通过阈值控制其变异的频率。将算法和当前具有代表性的多目标粒子群优化算法进行对比实验,提出的算法效果更佳。实验表明,提出算法的收敛性和多样性不仅得到较大提高,而且较为稳定。