基于像素对匹配的高载荷隐写算法

信息隐写算法的终极目标是嵌入尽可能多的秘密信息而不向宿主载体中引入任何可检测到的失真或者畸变. 然而, 隐藏质量和隐藏载荷二者往往是此消彼长互相矛盾的, 因此人们一般根据不同的应用需求而有所权衡和侧重. 本文提出了一种基于像素对匹配的灰度图像数据隐写算法, 用一组简单的函数引导宿主像素的修改和秘密数据的提取, 即可实现每对宿主像素每次隐藏两个9进制秘密数据. 实验结果表明, 该隐写算法隐藏载荷能达到3.1699比特每像素 (bpp), 此结果远远超过之前已发表的相关工作成果; 而在隐藏质量上, 该隐写算法能够保持较好的视觉系统的不可感知性和统计上的不可检测性.     

基于离散人工蜂群算法的认知无线电频谱分配

针对二进制粒子群优化算法在认知无线电频谱分配中容易陷入局部最优等问题,将人工蜂群算法引入到认知无线电频谱分配中,提出了基于离散人工蜂群算法的认知无线电频谱分配方法。针对一种认知无线电网络模型,将离散人工蜂群算法中的蜜源位置离散化,与模型中的可用频谱矩阵相结合产生分配矩阵,对目标函数进行优化,并且使用了一种新的比例公平性目标函数评价该算法的性能;通过仿真比较了本文算法与二进制粒子群优化算法的频谱分配方法的性能,同时在使用电视频段的认知无线电系统进行了验证,结果表明本文算法的高效性和优越性。     

一种混合决策系统属性约简算法研究

针对基于模糊等价关系建立的粗糙集模型，指出了现有相对约简算法的不合理，重新定义了相对约简，并提出利用改进的二进制粒子群优化（PSO）算法来求混合决策系统的相对约简。改进的二进制PSO算法引入遗传算法的交叉算子，同时对于种群中适应度最低的粒子，用新产生的粒子代替。根据“相对约简中属性的数量越少，相对熵之差绝对值越小，适应度函数的值越大”的原则设计适应度函数。实验证明算法对混合决策系统能进行有效的约简。     

一种快速收敛的改进粒子群优化算法

采用离散线性系统的状态方程,根据系统稳定性理论,推出了保证牡子群优化算法收敛性的参数设置压域。在收敛性理论分析的基础上,提出了一种快速收敛的改进粒子群优化算法,它是基于二阶系统按最佳胆尼比的思恕来设定粒子群速度更新公式中的惯性权重。通过标准测试函数的性能测试,验证了改进粒子群优化算法的收敛性和快速性,并和惯性权重线性递减的标准粒子群优化算法进行了比较。仿真结果表明,该算法具有可靠的收敛性能和更快的收敛速度。     

基于改进BPSO算法求解一类作业车间调度问题

针对某一大型机械厂结构车间的作业调度问题(JSP),考虑技术工人操作熟练度影响因素,以及离散型并行生产的特点,建立新的符合实际生产情况的数学模型,提出利用离散二进制粒子群(BPSO)算法来解决如何安排m位工人加工n个结构件,以达到加工时间最短的一类JSP调度问题,并依据求解的特殊性对该算法进行了改进.制定新的初始粒子产生策略,保证在可行解空间内开始进行寻优;引入"记忆库"、修改Sig函数和加入判断条件,确保粒子每次更新后都满足模型中的等式约束.通过实例验证,证实该算法是有效的,并能够得到较好的结果.同时,该数学模型在离散制造业中也具有广泛的应用价值.     

动态环境下分布式自适应粒子群优化算法

针对现有粒子群算法的不足,提出一种基于微粒自身信息的环境变化检测方法,同时采用分布式处理模式,通过激活粒子群中的停滞粒子适应环境变化,不仅降低了的算法复杂度,而且提高了算法对复杂环境的自适应能力.对于有界连续函数,证明新算法能依概率收敛于全局极小点.应用抛物线函数和Rastrigin函数构造的复杂动态环境对该算法进行验证,并同APSO、D-PSO算法进行了对比.实验结果表明,在复杂的动态环境中,DAPSO算法具有更好的适应性.     

一种排异竞争的粒子群优化算法

提出一种基于排异竞争机制的粒子群优化算法。算法取消传统PSO算法中的全局最优值＂gbest＂,通过设定竞争区域,使得当前种群中所有粒子和上一代种群中的精英粒子,一同参与竞争。并采取适应值竞争策略、适应度选择策略和粒子间的排异策略,来保证种群的多样性,避免了算法初期陷入局部极值的可能;并通过对排异策略的动态调整,提高了算法后期的收敛速度和精度。通过对几类典型函数的仿真测试表明,算法具有较好的全局搜索能力和收敛速度。     

一种基于子群杂交机制的粒子群算法求解旅行商问题

粒子群算法是在借鉴海鸥群落觅食行为基础上发展起来的仿生学优化算法，为求解复杂的组合优化问题提供了一种新的思路。本文提出一种结合粒子群算法结构和求解TSP问题蚁群算法特点的新算法，将多用于连续空间优化的粒子群成功扩展到TSP领域。算法通过杂交粒子选择机制，运用两种不同设计的杂交算子，成功模拟了自然界同物种不同种群间的协作与交流，将多子群策略和子群问杂交操作引入粒子群结构之中，增强算法的寻优能力。实验结果表明，该算法能有效地保证粒子问多样性差异，通过优化信息在子群间顺畅交流，有效地促进整个群落的进化收敛。该算法在解决TSP问题时．无论在收敛性和鲁棒性方面都优于一般的单群体、非杂交算法。是一种优秀的TSP问题解法。最终优化结果均达到TSPLIB中记录的已知最优解。     

离散粒子群算法的发散性分析及其改进研究

针对粒子群优化算法无法有效地解决离散及组合优化问题,首先从微观角度对粒子状态的变化轨迹进行分析,得出进化过程中单维粒子表现出聚散结构以及多维粒子整体呈现无规则的发散性,这导致粒子搜索的盲目性以及无法深入地进行局部搜索.然后,从粒子间的位置运算和粒子的位置转移两个方面对粒子运动方程进行修正,进而提出一种改进的离散粒子群算法.最后,以经典的背包问题为例进行验证,结果表明该算法有效地降低了粒子搜索的发散度,解的质量明显优于相关算法.     

一种基于文化粒子群算法的BP网络优化方法

BP网络良好的逼近特性和泛化能力使其在模式识别、智能控制和系统决策等领域有广泛应用。但网络训练过程中存在的收敛速度慢、容易陷入局部极值等局限性限制了进一步应用。提出一种新的智能优化算法-文化粒子群算法来对BP神经网络的权值和阈值同时进行优化。算法设置了群体空间和信念空间两类独立空间,群体空间采用自适应粒子群算法完成进化,信念空间通过更新函数来进行演化。两类空间的交互通过接受操作和影响操作利用同步式传输方式完成。以Iris分类问题的BP网络模型为仿真实例,对算法的正确性和有效性进行验证。仿真结果表明,改进算法具有较快的收敛速度。     

一种基于粒子群优化的信息隐藏方法

针对以灰度图像为掩体信号的数据隐藏,提出了一种基于粒子群优化技术的空间域信息隐藏方法。该方法首先运用粒子群优化算法快速搜索到一个较优的映射矩阵,然后将待隐藏的信息通过该映射进行置换;最后,将置换结果嵌入到掩体图像灰度信息中。实验结果表明,与基于遗传算法的信息隐藏方法相比,该算法花费时间少,嵌入信息后的图像质量好。     

基于多维特征差异的个性化学习资源推荐方法

协同过滤算法和二进制粒子群算法是目前学习资源推荐领域研究热点.然而,协同过滤算法推荐的学习资源过于随机化,不能满足学习者进行整体知识建构的要求.而基于二进制粒子群算法构建的资源推荐模型,以推荐所有学习者完整的学习资源为目标,且模型数据较难预测,不符合在线智能化学习的趋势.针对以上问题,提出了基于多维特征差异的个性化学习资源推荐算法:首先根据学习者和学习资源多维特征差异建立学习资源推荐模型,并考虑了学习偏好;其次引入协同过滤技术对模型数据进行预测;最后针对推荐模型的多目标优化特征,将协同过滤算法和二进制粒子群算法结合,提出了对惯性权重和种群多样性进行动态协同调整的自适应二进制粒子群算法,实现了个性化学习资源推荐.实验证明,该算法具有较好的准确性,能够满足个性化学习资源推荐的需要.     

V-BLAST系统中有效的近优检测方法

在离散粒子群算法的基础上,结合遗传算法中的变异算子,提出了一种新的离散粒子群优化算法,进而设计了一种使用新的离散粒子群优化算法和并行干扰抵消算法相结合的垂直分层空时系统检测方法。该方法将NDPSO和PIC有机结合可以改善NDPSO的性能,同时为了进一步加快NDPSO的收敛速度,将迫零检测结果作为NDPSO的初始值。分析和仿真结果表明,所提出的检测方法与最优检测方法相比有更低的计算复杂度,与次优检测方法相比具有更好的误码率性能,为寻求新的V-BLAST系统检测算法提供了思路。     

基于分群粒子群优化的传感器调度方法

对面向目标跟踪任务的多传感器多任务调度问题进行研究。考虑到探测目标的运动特性,采用扩展卡尔曼滤波法实施目标跟踪,以成功调度任务的综合优先权、目标跟踪精度以及传感器网络的能源消耗为指标,建立了多传感器多任务调度的混合整数规划模型。提出一种基于分群机制的分群粒子群算法对模型进行求解,该方法通过粒子分群,提高对问题域的全局搜索能力,避免算法过快收敛和发生早熟。实验结果表明,该方法用于传感器调度问题,具有较好的求解性能。     

基于粒子群优化的数据分类算法

设计了一种基于粒子群优化的数据分类算法。新算法首先对数据样本预处理,利用粒子群优化算法通过训练数据进行分类规则的提取,根据提取得到的规则对数据进行分类识别。基于Bayes定理和随机状态转移过程对新算法的收敛性进行分析。通过对UCI数据集分类实验及遥感图像目标识别实验,验证了新算法是一种有效的分类方法。     

基于离散粒子群算法的研制费用优化模型

首先给出了武器装备研制费用和效能的期望值模型。通过Delphifa法确定期望值。提出了费用参数矩阵的概念,根据研制武器系统效能等设计值与期望值绝对差最小原则,建立了基于离散粒子群的费用参数优化模型,并进行了仿真实现。结果表明该方法可行,为武器装备研制的性能参数设计和费用优化提供了一种新方法。     

基于混合粒子群算法的装运机械组合优化方法

针对堆石坝工程物料装运机械组合优化问题的复杂性, 建立了装运机械的多目标非线性组合优化模型(MOOM). 进一步地, 把加权法和惩罚函数引入到带收缩因子的粒子群算法中, 提出了一种新的求解多目标非线性组合优化问题的混合粒子群算法(MI-HPSO). 该算法具有概念简单、参数设置少、收敛速度快及全局搜索能力强的特点. 实证研究表明, MI-HPSO为解决物料装运机械MOOM优化模型提供了有效的决策方案.     

考虑行为特征的多期鲁棒投资组合模型及实证研究

考虑投资者的行为特征以及模型参数的不确定性,构建考虑行为特征的多期鲁棒投资组合模型.在前景理论的基础上,引入动态损失厌恶系数和动态财富参考点,建立动态前景理论价值函数.为了满足投资者的安全性要求,在模型中考虑机会约束,调整模型的保守程度.针对模型多期规划的特点,设计两阶段初始化策略.进一步地,在标准粒子群算法的基础上,根据种群性能的反馈信息,设计多频振动变异操作,提出改进的粒子群算法.实证结果表明:改进的粒子群算法能够有效提高算法的求解精度;考虑行为特征的多期鲁棒投资组合模型能够满足投资者的心理预期,且在实际投资决策中具有可行性.     

Momentum particle swarm optimizer

1.INTRODUCTION Engineeringandscientificactivitiesinvolvemanyop timizationproblems.Mostofthemcanbegenerally formulizedasfollows min(ormax)f(xi),Xmin≤xi≤Xmax;i=1,2,…,D where[Xmin,Xmax]Disareal valuedsearch space.Thetraditionaloptimizationalgorithms,such asgradientdescentandNewton’smethods,findlocal minimaefficientlyandworkbestwhenobjectfunc tionf(xi)isunimodal.However,theobjectfunc tionisusuallynon convexandhasmanylocalminima inthefeasibleregion.Insuchcases,thetraditional optimizatio…     

微粒群算法的可视化仿真及算法改进

微粒群算法是一种群体智能算法,它是通过模拟以鸟类、昆虫等为微粒的自然界的群体行为,来构造的一种随机寻优的进化算法。现有的微粒群算法在某些情况下存在收敛速度慢、而且不能收敛于全局最优解的问题。通过采用可视化的仿真方法对微粒群的搜索运动轨迹进行分析,我们提出了变尺度微粒群算法。变尺度微粒群算法将变尺度方法引入微粒的搜索过程中,采用不同的尺度动态地改变微粒群的搜索空间、速度限制区间等,通过对一些典型的试验函数的测试,结果表明,变尺度微粒群算法在收敛速度和全局寻优能力等方面都有较大的改进。