一种自适应粒子群优化算法及其仿真研究

分析了粒子群优化(PSO)算法易于发生早熟收敛的原因。在此基础上提出的自适应粒子群优化(APSO)算法根据群体早熟收敛程度和个体适应值自适应地调整粒子的惯性权重,使群体在进化过程中始终保持惯性权重的多样性,在算法的全局收敛性和收敛速度之间做了一个很好的折衷。对两个经典函数仿真的结果表明APSO算法能够有效地避免PSO算法的早熟收敛问题,而且具有较快的收敛速度。     

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.     

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

自适应杂交退火粒子群优化算法

为解决粒子群优化(particle swarm optimization, PSO)算法易早熟、后期收敛慢、收敛精度低等问题, 提出一种自适应杂交退火PSO算法。采用Sigmoid函数控制惯性权重, 平衡粒子的全局搜索和局部搜索能力; 采用双曲正切函数控制加速系数, 平衡粒子的自我认知和社会认知能力, 提高算法精度; 引入模拟退火算子, 使粒子在搜索过程中以一定概率接受差解, 增加粒子跳出局部最优的能力; 在算法后期引入杂交变异算子, 增加种群多样性, 进一步提高算法精度。基于3种标准测试函数对所提算法的性能进行了验证, 并与现有典型PSO算法进行了对比。结果表明, 所提算法在收敛精度及收敛速度上均具有一定提升。最后, 将所提算法应用于阵列天线方向图综合设计, 取得了较现有算法更优的结果。     

一种自适应粒子群算法

基于对不同粒子群算法(PSO)中惯性权重、全局收敛性、收敛精度和速度的分析,提出了一种新的全局最优值自适应变化的粒子群算法(LAPSO).并采用该方法对三种不同的基准函数进行了测试,将LAPSO测试结果与典型的收敛粒子群算法(LKPSO)和扩散粒子群算法(LWPSO)进行了比较.结果表明:自适应粒子群算法具有收敛速度快、进化精度高的特点,是一种新型全局收敛粒子群算法.     

基于自适应粒子群优化的盲源分离

针对现有的盲源分离算法性能大多依赖于非线性函数的选取问题,提出了一种基于自适应粒子群优化(adaptive particle swarm optimization,APSO)的盲源分离算法。该算法以分离信号的负熵为目标函数,根据分离信号的状态自适应地调整惯性因子,克服了收敛速度和信号恢复质量之间的矛盾。仿真实验表明,该算法的性能对源信号的概率密度性质没有依赖性,因而能很好地分离亚高斯和超高斯信号的混合信号,并且能有效地避免早熟收敛问题,具有较快的收敛速度,分离效果好。     

基于细致化仿生的改进粒子群优化算法

粒子群优化(particle swarm optimization, PSO）算法基本思想是试图通过模拟鸟群觅食中的迁徙和聚集等行为获得连续非线性函数的最佳值,其仿生算法产生于对鸟群寻食过程中飞行方向与飞行速度等的隐喻。近年对粒子群算法经典算法的研究,虽然在速度及精度上有所改进,但由于缺乏细致化仿生（precise bionic metaphor, PBM）,改进效果并不太明显。通过在PSO算法中引入飞鸟寻食细致化行为特征隐喻,即在算法中同时导入满意粒子局地细致化寻优和探索粒子随机寻优过程,进而提出了一种新的基于细致化仿生的改进PSO算法;对改进算法和经典算法进行了性能比较,结果显示所提算法在收敛速度和求解精度方面较经典算法有很大程度的改善。     

基于粒子群优化算法的自抗扰控制器设计

针对自抗扰控制器参数难以整定的问题,提出了基于粒子群优化算法的自抗扰控制器优化设计方法。该设计方法的实质就是选择合适的适应度函数,利用粒子群优化方法对自抗扰控制器的可调参数进行优化。设计方法运算简单,易于实现。对某炮控伺服系统的仿真研究表明,这种方法是可行的。     

Ad-hoc网络中基于博弈论和粒子群优化的协作算法

为了促使Ad-hoc网络中的“自私”节点进行合作,提出了一种基于博弈论和粒子群优化的协作算法（Nash Bargaining of game theory and particle swarm optimization, NGPSO）在算法的第一阶段,源节点通过对中继节点转发的数据进行价格补偿,从而达到使中继节点参与合作的目的。将源节点的最优出价归结为纳什谈判问题,得到具有帕累托最优的激励价格,保证源节点和中继节点在合作中同时获得最佳收益;在算法的第二阶段,中继节点在获得源节点的最优出价后,通过粒子群优化算法得到最优的转发功率,使其合作收益增益最大。仿真表明,和随机价格激励相比,所提出的NGPSO算法能使源节点和中继节点达到最优收益;和中继节点固定功率转发相比,所提出的NGPSO算法,能显著提高源节点的能量效率和中继节点的收益,同时在适当设置中继节点转发功率的搜索空间时,可以保证总的能量效率。     

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PSO的模糊控制及在孵化中的应用

针对孵化系统复杂的动态非线性特性,提出一种基于粒子群优化的模糊控制算法,该算法针对模糊控制器量化因子参数调节的困难,采用PSO的惯性系数的自适应调整机制,用以加速优化算法的收敛性和维持群体的多样性,以寻优模糊控制器量化因子参数,将该方法应用于孵化过程,较好的实现了温度、湿度和含氧量的稳定控制。仿真和实际运行结果表明了所提出的算法的有效性和优越性。     

基于T-S模型的模糊自适应PSO算法

惯性权重的取值对改善微粒群优化(Particle Swarm Optimization,PSO)算法的收敛性起着关键作用.针对惯性权重的取值问题,提出一种基于T-S模型的模糊自适应PSO(T-SPSO)算法.算法根据当前种群最优适应值和惯性权重,自适应更新惯性权重取值,改善了算法收敛性.最后以典型优化问题的实例仿真验证了所提出算法有效性.     

改进的PSO算法及其在软测量建模中的应用

通过大量仿真实验,考察了粒子群算法(PSo)中粒子平均速度和算法收敛性之间的关系,提出了一种基于粒子速度反馈信息的自适应调整权重策略,同时在搜索过程中引入混沌序列.给出的收敛性分析证明,该算法可以以概率1收敛到全局最优解.对经典函数的测试计算表明,改进后的PSO算法较好地解决了基本粒子群算法中易陷入局部最优的缺点,在稳定性和收敛精度上均优于普通的PSO算法.改进的粒子群算法被用于优化神经网络的结构和参数,并将基于改进算法的神经网络用于4cBA软测量建模中.实际应用表明,与基于其它智能算法的神经网络相比,该网络不仅有较高的泛化性能,而且有更快的学习速度和较好的实时性.     

基于均匀设计和惰性变异的改进微粒群算法

微粒群算法(PSO)是一种随机群体优化算法,相对于遗传算法等其它的进化算法,它模型简单、操作参数少、智能程度高、运算速度快,已受到许多相关领域学者的关注与研究。但是,标准微粒群算法在寻优过程中往往陷入局部最优解,而不是全局最优解。在研究均匀设计与惰性变异的基础上,提出了改进的微粒群算法(UMPSO)。该算法利用均匀设计的思想来确定算法的初始粒子,以使其均匀分布于解空间,从而使算法以更高的概率、更快的速度找到全局最优解;在进化过程中,对惰性粒子以概率为1进行随机变异,则能够更好地保证微粒群的多样性。仿真结果表明,与标准的PSO相比,UMPSO的寻优精度更高、寻优速度更快。     

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。     

基于微粒群和子空间的离群数据挖掘算法研究

传统的离群数据挖掘方法大多数是利用全局的观点看待离群数据,很难发现低维子空间中的偏移数据.利用微粒群算法(PSO)具有简单,容易实现并且没有许多参数需要调整等优势,提出了一种基于PSO和子空间的离群数据挖掘算法(OM-PSO).该算法首先将子空间看作微粒,根据偏离数据所在子空间的稀疏系数,采用带有变异算子的PSO算法来搜索子空间,并将子空间中的数据看作为局部偏离数据,即离群数据;最后采用离散化的天体光谱数据作为数据集,实验结果验证了该算法的有效性.     

粒子群算法在航空发动机部件模型求解中的应用

将粒子群算法引入发动机部件模型的求解中,利用粒子群优化算法的群体智能和记忆功能,克服了插值法和N+1残量法在求解发动机模型时对初值的敏感性.针对发动机部件模型中非线性方程和共同工作方程组的特点,对基本粒子群算法采用不同的改进措施,得到两种改进粒子群算法HPSO1和HPSO2.仿真结果表明,改进粒子群算法求解发动机部件模型具有更好的收敛性和更快的收敛速度.