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.     

基于极坐标复运算的粒子群优化算法

提出了一种新的基于极坐标复运算的粒子群优化算法(PSO),命名为极坐标粒子群优化算法(PPSO),并在文中进行期详细的数学描述。分别针对Schaffer’sf6构造函数和Handlod’sfH构造函数进行的PPSO算法和基本粒子群优化算法(SPSO)对比寻优测试结果表明:极坐标系和复数运算的采用、重叠空间搜索法的设计和粒子密度径周比w(RDRC)的引入,使得PPSO算法更易于稳定地、快速地、智能化地实现目标寻优。     

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。     

基于粒子能量的自适应粒子群优化算法

群优化是一种随机的群体搜索策略.针对粒子群算法易陷入局部最优和收敛速度慢等不足,提出了根据粒子的能量自适应调整参数的改进算法.该算法基于动力学和热力学的理论,计算每个粒子的能量值,并将优化过程中的群体视为热力学的某一状态,通过退火温度和粒子的能量动态调整算法中的惯性参数,达到对"惰性"粒子的原速度方向给予较大的牵引力的目的.优化过程中,随着系统温度的降低,惯性参数逐渐减小,有利于问题的收敛.算法中采用了带极值扰动策略,加速粒子跳出局部最优的能力.数值实验结果表明,该算法具有收敛精度高和收敛速度快的特点,可快速有效的求解约束和非约束优化问题.     

改进粒子群优化算法及其在聚类分析中应用

针对标准粒子群优化算法初期收敛速度快,后期容易陷入早熟收敛,局部寻优,全局搜索能力差等缺点,提出了一种新的鱼群-粒子群优化算法(AF-PSO)。引入拥挤因子δ和马尔可夫链,将鱼群算法加入到粒子群优化算法中,通过计算拥挤因子,来更新速度模型,使其在觅食,聚群,追尾,随机4种模态下进行切换。仿真结果表明了所提出的AF-PSO算法的综合性能优于其他改进的PSO算法。为进一步说明算法的实用性,将AF-PSO算法成功应用于输油管道泄露数据的聚类分析上。实验结果表明基于AF-PSO的K-means算法性能是优于其他聚类算法。     

基于种群密度的粒子群优化算法

为提高粒子群优化算法的收敛性能,提出了基于种群密度的多子群粒子群优化算法。该算法把生态学中的协同进化思想引入到粒子群优化算法中,充分考虑了环境和子群间相互竞争的关系,通过多种群的Lotka-Volterra竞争方程,动态调整各粒子群的密度,从而提高了粒子的多样性,加快了算法的进化速度。实验仿真结果表明,与单种群的粒子群优化算法相比,该算法提高了收敛速度和收敛精度。     

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。     

基于蜂群-粒子群算法的天然林空间结构优化

天然林空间结构包含林木的空间位置信息,影响着林木的生长、竞争、林分的稳定及森林的发展,其优化是个多目标规划问题。提出一种蜂群-粒子群(ABC-PSO)混合算法,该算法在初始粒子产生机制、随蜂数量及循环机制上对蜂群算法做了改进,并将其应用到天然林空间结构多目标优化中,最终建立能够兼顾林木分布格局、林木大小分割、林木竞争的优化模型。仿真实验表明,蜂群-粒子群算法提升了森林健康等级,解决了森林空间结构多目标优化问题。     

ad hoc网络中基于离散粒子群优化的权重分簇算法

针对移动性较强的ad hoc网络,提出了一种基于离散粒子群优化的权重分簇算法.该算法通过引入节点局部密度,仅利用节点局部拓扑信息来计算权重,然后通过离散粒子群优化簇头选举.在保证网络负载平衡的情况下,最大限度确保网络稳定性.仿真试验表明,与典型的权重分簇算法WCA比较,该算法提高了移动ad hoc网络的稳定性,同时网络生命周期平均提高了88.28%.     

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.     

无线传感器网络中基于粒子群优化的目标识别方法

针对无线传感器网络在地面目标声振信号识别方面的应用需求,在分析现有算法缺点的基础上,提出了基于粒子群优化(particle swarm optimization, PSO)方法的目标识别算法。利用粒子群算法优化基于模糊逻辑规则的分类器(fuzzy logic rule based classifier, FLRBC),分析了算法中各个参数的设置对算法性能的影响。基于实地采集到的信号的仿真实验表明,该方法在一定程度上提高了目标识别的正确率和稳定性,平衡了分类性能,改善了收敛性质。     

基于粒子群优化与高斯过程的协同优化算法

对于适应度函数计算耗时较大的工程优化问题,采用仿生智能优化算法求解时常遇到由于适应度函数评价次数过大而导致计算量过高的瓶颈问题。针对上述问题,提出一种基于粒子群优化（particle swarm optimization, PSO）算法与高斯过程（Gaussian process, GP）机器学习方法的协同优化算法（PSO-GP）。该算法在寻优过程中采用GP近似模型来构建决策变量与适应度函数值之间的映射关系,在PSO全局寻优过程中不断地总结寻优历史经验的基础上,预测可能包含全局最优解的搜索区域,以优化粒子群飞行的方向。多个测试函数的优化结果表明,该算法是可行的,与基本PSO算法相比,在获得全局最优解的前提下,可显著减小寻优过程中的适应度函数评价次数,寻优效率较高,在高计算代价复杂工程优化问题的求解上具有良好的应用前景。     

基于粒子群-遗传的混合优化算法

提出了一种基于实数编码的粒子群优化和遗传算法的混合优化算法,该算法首先由粒子群优化进化一定代数后,将最优的M个粒子保留,去掉适应度较差的pop_size M个粒子。然后以这最优的M个粒子的位置值为基础,选择复制得到pop_size M个个体,并进行交叉、变异等遗传算法运算。最后将保留的M个粒子位置值与遗传算法进化得到新的pop_size M个体合并形成新的粒子种群,进行下一代进化运算。该算法在进化过程中能进行多次信息交换,使两种算法互补性得到更充分的发挥。通过5个函数优化实例与其他多种算法的对比研究,表明该算法收敛性能好,运算速度快,优化能力强。此外,还研究了最优粒子保留规模M以及粒子群优化进化较少代数规模对算法性能的影响。     

基于粒子群优化的卡尔曼滤波去耦算法

针对相控阵雷达导引头由于前向通道增益和波束控制增益刻度尺度不同引起的扩展卡尔曼滤波(extended Kalman filter, EKF)去耦中误差量过大的问题,提出了基于粒子群优化的EKF去耦算法。采用了最小均方差为适应度函数,对两个增益参数进行组合优化,然后通过建立EKF的系统模型,推导了提取的视线角速率与增益参数之间的关系,使得滤波后的估计值为最优的后验估计。最后,通过仿真表明该算法可以很好地解决误差量过大的问题,并验证了所提算法在相控阵雷达导引头去耦和视线角速率提取中的有效性。     

基于粒子群算法的同步时序电路初始化

针对同步时序电路的初始化问题,提出了一种新的实现方法。当时序电路中有未确定状态的触发器时,就不能顺利完成该电路的测试生成,因此初始化是时序电路测试生成中的关键问题。时序电路初始化的核心就在于寻找一个测试序列,把电路引导到一个确定的状态。利用粒子群优化算法生成最短的初始化序列,使最优粒子最大限度地初始化电路中的触发器。针对ISCAS’89标准时序电路的仿真结果表明,与其他现有初始化方法相比,该算法能在初始化触发器数量和序列长度上取得更好的结果,证明了该算法的有效性。     

Margin optimization algorithm for digital subscriber lines based on particle swarm optimization*

The margin maximization problem in digital subscriber line (DSL) systems is investigated. The particle swarm optimization (PSO) theory is applied to the nonconvex margin optimization problem with the target power and rate constraints. PSO is a new evolution algorithm based on the social behavior of swarms, which can solve discontinuous, nonconvex and nonlinear problems efficiently. The proposed algorithm can converge to the global optimal solution, and numerical example demonstrates that the proposed algorithm can guarantee the fast convergence within a few iterations.     

基于Tent映射的混沌混合粒子群优化算法

为改善基本粒子群优化算法的寻优性能,通过算法混合,在粒子群优化算法中逐步引入优进策略和混沌搜索机制,以加强粒子群的局部寻优效率和全局寻优性能。并将粒子分为两类,分别执行不同的进化机制,实现协同寻优,从而构建为一种新的混沌混合粒子群优化算法。标准测试函数的仿真优化结果表明,该混合算法对较大规模的复杂问题具有较强的求解能力。算法寻优效率高、全局性能好、优化结果稳定,性能明显优于标准粒子群优化算法以及遗传算法等单一的随机搜索方法。     

基于粒子群优化算法的广义累加灰色模型

探讨定性分析与定量计算相结合的广义累加生成技术,讨论基于粒子群优化算法(particl swarm optimization algorithm, PSOA)的累加矩阵求解方法和间接灰色模型的优化算法。首先分析和总结4类典型序列的累加生成矩阵模式与参数结构,然后根据实际问题选择合适的累加生成矩阵模式,并用模式中的参数与背景值修正向量共同构成待求粒子。借助粒子群优化算法,以间接灰色模型的平均相对误差为适应度函数,以其最小为目标,通过迭代求解累加生成矩阵和背景值修正向量。实例计算表明,该优化模型不仅具有较高的模拟和预测精度,而且能够较好地跟踪波动序列和高增长序列的变化趋势。     

基于粒子群优化算法的USV集群协同避碰方法

针对无人水面艇(unmanned surface vessel, USV)集群在路径规划中的协同避碰问题,提出了基于滚动优化策略结合粒子群优化算法的USV集群协同避碰方法。首先,通过已有雷达、光电等传感器参数指标建立综合视域模型;其次,采取基于正切函数的惯性权重调整结合线性调整学习因子的方法来提高粒子群优化算法的全局搜索能力,同时,在适应度函数中加入转艏角控制来提高路径的平滑性;最后,利用改进后的粒子群优化算法规划出每个综合视域内的路径。仿真实验结果表明,该优化算法能实现USV集群的实时避碰,并快速为USV集群规划出平滑、安全的全局最优无避碰路径。