基于量子粒子群的信赖域算法

通过量子行为能增强粒子的全局寻优能力,引进了量子粒子群算法(QPSO),用于求解信赖域(TR)算法的子问题,并将这2种算法有效结合.数值实验表明,新算法具有良好的全局寻优能力,并有效提高收敛速度和避免早熟.     

一种基于向量差的粒子群优化模型

针对传统粒子群优化技术存在易陷入局部最优解而导致的收敛速度变慢、多样性差的缺点,对参数设置进行研究,并提出一种基于向量差的粒子群优化模型,将2个随机选择的不同向量差加权到粒子速度更新公式中,能够使粒子摆脱局部最小值而向全局搜索.经对几个典型函数的测试,表明该模型效果较好.     

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.     

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.     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

基于粒子群优化算法的像素级图像融合

多传感器的像素级图像融合中，如果对源图像进行线性运算以得到融合图像，源图像的置信度取值一般只能由经验和个人主观感觉来确定，并不能得到令人满意的融合效果．本文针对这一问题提出了一种基于粒子群优化算法的像素级图像融合的算法．该算法可以根据融合的目的采用不同的融合指标，应用粒子群优化算法得到比较满意的融合图像．实验结果表明该算法优于其它的几种像素级图像融合算法．     

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.     

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。     

基于博弈论和粒子群优化的移动边缘计算任务卸载方法

移动边缘计算（mobile-edge computing, MEC）是一种新兴的计算范式,移动设备可以通过将计算密集型任务卸载到边缘服务器上来降低本地计算能耗和计算时延。首先,该文研究了在微蜂窝基站密集区域场景下的多移动设备独立任务集计算卸载问题,其中每个微蜂窝基站配备了一个计算性能有限的MEC服务器。为了尽可能地降低移动设备的任务集计算能耗和计算时延,使用博弈论的方法将该问题建模为一个非合作多移动设备计算卸载策略博弈。通过对该博弈的分析,证明了其纳什均衡的存在性和有限改进性。然后,设计了一个基于博弈论的分布式计算卸载算法（game theory based distributed computation offloading algorithm, GDCOA）,并在GDCOA中引入了一个基于粒子群优化（particle swarm optimization, PSO）的移动设备任务集卸载策略改进算法（PSO based improving computation offloading policy algorithm, PSOIPA）。GDCOA在有限次迭代后可以达到一个均衡状态。最...     

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%。     

基于改进型离散粒子群优化的云计算资源分配方案

针对云计算中资源有效分配的问题,提出一种基于改进型离散粒子群优化(IDPSO)算法的云资源分配方案.首先,将传统PSO算法中的运算进行离散化,使其能够应用于资源分配问题.然后,对传统PSO粒子位置更新公式中的惯性权重进行改进,根据当前粒子位置、局部最佳和全局最佳位置的适应度来确定这些权重系数,以此加快粒子的收敛速度.最后,将资源分配方案编码为一个二维粒子,利用IDPSO算法求解最优解.实验结果表明,该方案能够有效降低资源浪费率,具有可行性和有效性.     

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.     

基于粒子群优化支持向量机的边坡稳定性预测

为了提高边坡稳定性预测的精度,保障边坡工程的安全,提出基于粒子群优化算法支持向量机的预测模型。采用粒子群优化算法不断进行搜索迭代获取支持向量机模型的最优参数,避免了支持向量机人为选取参数的盲目性和随意性。通过Matlab编程,应用实例证明:该模型的预测精度较高,预测样本的平均相对误差为3.581 9%,计算速度较快,优于改进的BP算法、GA-BP算法和改进支持向量机算法,在实际的工程应用中有着良好的应用前景。     

改进的粒子群算法对无源滤波器参数的优化

针对混合有源滤波器中无源滤波器设计过分依赖经验与无源滤波器优化能力不强的问题,提出改进粒子群优化算法PSO(Particle Swarm Optimization,PSO)进行无源滤波器的多目标参数优化设计.对无源滤波器的成本,无功补偿容量及补偿后滤波效果3个目标全局优化.利用改进的粒子群对其参数进行了优化设计,使种群...     

基于混合互信息和改进粒子群优化算法的医学图像配准

为提高医学图像辅助诊断的配准精度和收敛速度,提出了一种基于混合互信息和改进粒子群优化算法的医学图像配准算法,在每步迭代中,先用基于Renyi熵的互信息结合改进粒子群优化算法对图像进行全局搜索,然后对当前得到的最优解使用基于Shannon熵的Powell算法进行局部寻优。实验结果表明,该算法在收敛速度和精度方面都优越于其他配准算法。     

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.     

基于混合粒子群优化的巡航导弹低空突防航迹规划

将模拟退火算法嵌入到粒子群优化（partical swarm optimization, PSO）算法中,并对PSO产生的最优适应值进行重新评价,以此构成混合粒子群优化算法（PSO-SA）. 将PSO-SA 算法应用于巡航导弹的航迹规划,不仅可以避免PSO陷入局部最优,而且能快速有效地完成离线和在线规划任务,获得理想的三维航迹. 仿真结果验证了该算法的有效性,且对同一起始位置所规划出的航程较PSO算法短,可有效节约导弹燃料.     

多群落粒子群优化供应链数据中心任务调度

要：针对数据中心规模和任务需求不断增加带来的服务效率降低等问题,提出了一种负载均衡多群落粒子群优化任务调度方法。通过改进的适应度函数对任务的最大完工时间和各机器完工时间方差进行组合优化以提升集群的负载均衡性;利用新的自适应惯性权重函数改进粒子搜索效率,提升算法收敛速率;采取新的粒子初始化方法提高初始解的质量和多样性,并利用多群落粒子协同搜索使得最终结果更加接近最优解。在阿里巴巴数据中心的公开数据集上对算法性能进行了验证和对比,实验结果表明,该方法能够提高数据中心在多样化供应链环境下的任务调度效率。     

基于改进二阶振荡粒子群优化的 置信规则库推理方法

现有基于置信规则库(belief rule base, BRB)的推理方法的精度和效率受到系统参数设置以及规则库结构复杂度的影响为了寻找到最佳的参数值和最优的规则库结构,本文基于粒子群(particle swarm optimization, PSO)算法进行改进拓展,进而提出一种新的置信规则推理方法针对粒子群算法易早熟收敛和陷入局部最优解等问题,引入二阶振荡环节和自适应随机惯性权重来改进算法,并采用互不相同的参数取值来调节粒子群算法的全局和局部搜索能力在实验分析中,将该文方法应用于多极值函数拟合和输油管道检漏问题仿真实验,以收敛误差、收敛时间作为衡量指标,与其他传统方法进行了对比.实验结果表明,该文方法具有更好的推理效率和精度