分组粒子群算法应用于圆度误差在线检测

针对大孔径管件的圆度误差问题,研制了一套在线检测系统,并提出了一种分组粒子群优化算法的圆度误差评定,将整个搜索空间分成若干个小组,各个小组单独搜索,迭代到一定步数,将各个小组混合,重新合成一个大的种群,在整个空间追随各自的极值和种群的最优值,避免了陷入局部最优解.在自行研制的检测系统中进行了应用,证明分组粒子群优化方法...     

基于动态改变权重粒子群算法的球度误差评定

为了实现对球形工件球度误差的精确评定,在4 种球度误差评定数学模型 的基础上,对文献提供的两组数据采用一种动态改变权重的粒子群算法（PSO）进行计算, 这种算法在优化迭代过程中使惯性权重值随粒子的位置和目标函数的性质而更新。与基本 PSO 算法、最小二乘法、遗传算法和一种改进的PSO 算法进行了比较。实验结果显示,相 比其他方法,在最小包容区域法模型下使用动态改变权重粒子群算法得到的球度误差最小, 第1 组数据只需迭代30 代左右,约50ms 即可收敛,第2 组数据收敛也很迅速,且多次实 验显示其稳定性很高。因此,所提算法可精确快速地评价球度误差。     

一类新的粒子群算法

提出一种新的模糊粒子群优化算法--收敛模糊粒子群优化算法.重点研究了收敛因子的确定和模糊隶属度函数的选择对算法性能的影响,在考虑计算效率的同时,提高了算法的精度.利用4个基准函数测试了收敛模糊粒子群优化算法的性能,并与模糊粒子群优化算法、收敛粒子群优化算法以及基本粒子群优化算法进行了对比.实验结果表明,新算法具有很好的性能.     

粒子群优化在图像最小误差阈值化中的应用

提出了一种基于粒子群优化（PSO）的图像最小误差阈值化方法。将粒子群优化算法应用于图像最小误差阈值化中,克服了常规最小误差阈值化计算量大的缺点。实验证明该算法能有效降低常规图像最小误差阈值化的计算量,与遗传算法相比,该方法有更好的收敛性和稳定性。     

利用粒子群优化算法求解圆排列问题

针对已有算法搜索时间较长,且易于过早地收敛于非最优解的缺陷,利用粒子群优化算法给出了圆排列问题的求解方法.首先,在分析了圆排列问题与旅行商问题关系的基础上,将圆排列问题转化为旅行商问题,从而得到一个相应的组合优化问题.然后,利用粒子群优化算法进行了求解.接着,为了进一步提高算法的精度,文中给出了一种利用混合粒子群优化算法的方案.最后,在仿真实验中,与已有算法进行了比较,实验结果表明,文中所给方法是有效的.     

基于动态惯性因子的PSO算法的研究

标准粒子群算法是一种有效的寻找函数极值的演化计算方法,它简便易行,收敛速度快.但算法也存在收敛精度不高,易陷入局部极值点的缺点.针对这些缺点,在原有算法的基础上,提出一种动态改变惯性因子的粒子群优化算法(DCWPSO),使得粒子在迭代过程中惯性因子随粒子进化度和聚合度的变化而改变.文中通过对测试函数的仿真实验,并与自适应改变惯性因子的粒子群算法(ACWPSO)以及标准粒子群算法比较,其结果表明这种改进的粒子群算法在性能上明显优于这两种粒子群算法.     

一类新的粒子群算法

提出一种新的模糊粒子群优化算法---收敛模糊粒子群优化算法.重点研究了收敛因子的确定和模糊隶属度函数的选择对算法性能的影响.在考虑计算效率的同时,提高了算法的精度.利用4个基准函数测试了收敛模糊粒子群优化算法的性能,并与模糊粒子群优化算法$收敛粒子群优化算法以及基本粒子群优化算法进行了对比.实验结果表明#新算法具有很好的性能.

     

一种基于相似度的新型粒子群算法

分析了基本粒子群算法（PSO）全局搜索能力与收敛速度的矛盾,提出了粒子群相似度的概念.根据每个粒子与全局最优粒子的不同相似度,对基本PSO算法的惯性权重进行动态调整.同时提出一种根据相似度计算聚集度的方法,并根据聚集度的大小随机地对粒子重新赋值,控制粒子群的多样性,提高了全局搜索能力.典型优化问题的实例仿真验证了该算法的有效性.     

并行混沌粒子群优化研究及应用

粒子群优化算法（PSO）是进化计算领域中的一个新的分支,其源于鸟群和鱼群群体运动行为的研究.针对粒子群优化容易陷入局部极值点的问题,该文提出并行混沌粒子群算法,该算法保持了群体多样性从而避免了早熟,经过计算机仿真实验这是一种高效的优化算法.针对转炉提钒过程是一个多元非线性反应过程而难以建立终点控制模型的问题,提出了并行混沌粒子群RBF算法的方法建模.克服了RBF中心个数选择的随机性.试验表明,用该算法预测冷却剂加入量误差较小,具有工程实用性.     

基于改进粒子群算法的球度误差评定

根据新一代GPS标准,建立了符合最小区域条件的球度评定的数学模型。针对球度误差评定的特点,提出了一种带交叉因子的改进粒子群优化算法对球度测量数据进行最小区域评定,给出了该算法的实现方法。实例结果表明,介绍的方法可以在新一代GPS标准下有效、准确地评价球度误差。     

基于粒子群的图像分割

图像分割是图像处理的关键问题之一,为了能够快速有效地选取最优阈值进行图像分割,引入了粒子群算法（PSO）对阈值分割进行优化,提出基于PSO的最大熵图像分割,基于PSO的最大类间方差图像分割以及基于PSO的最小误差图像分割,并进行了分析和研究,可以得出该三种方法可以准确、快速地获取最优阈值进行图像分割。     

三维无线传感器网络中DV_Hop定位算法的改进

在三维无线传感器网络中,采用非测距定位方法 DV_Hop时,由于三维空间中节点分布复杂,测距误差增大,定位准确度迅速降低,为了提升它的准确度,提出一种改进的DV_Hop定位方法,使用最小均方差估计未知节点与已知节点之间的距离,定位结果用粒子群算法优化,以距离误差因子加权均方误差作目标函数,采用凹函数递减策略,提前进入局部搜索,提高定位准确度。仿真结果表明,相同条件下,改进的DV_Hop算法定位准确度要优于传统DV_Hop算法。     

基于改进随机Hough变换算法的开缝衬套圆度检测

圆度误差作为开缝衬套的形状误差之一,对开缝衬套冷挤压强化工艺的性能有重要影响,是开缝衬套几何精度的重要指标.探讨了一种基于图像测量技术的圆度误差测量方法.该方法通过对开缝衬套进行图像采集及图像预处理,提取出噪声较少的图像轮廓,然后利用改进的随机Hough变换,结合最小二乘圆法对开缝衬套进行圆度误差评定.实测表明,用该方法进行圆度误差的测量是可行的,并具有测量精度高、实用性强等特点.     

基于改进PSO算法的MAP图标定点选择新方法

为提高基于MAP图的控制系统驱动效果,并有效减小控制系统内的存储量,提出了一种基于改进粒子群算法的MAP图中标定点择优选取新方法。以液压机械无级变速传动比控制系统中采用的MAP图为例,将其横坐标的两个变量在其定义域内等分,并采用改进粒子群算法选取等分后每段内的坐标点数量和位置。选取过程采用多目标优化原理结合了随机产生100个点的实际值与MAP图线性插值的平均误差以及选定的标定点数量。为提高算法执行效率,对粒子群算法的迭代准则、惯性权重和学习因子进行改进。结果表明,改进后的粒子群算法收敛速度快,寻优精度高,仅需较少的标定数据即可制作控制效果较佳的MAP图。     

考虑模型误差的浸出过程优化方法

由于浸出过程较为复杂,其过程模型难以准确地反映实际过程,导致基于该模型的过程优化结果不是实际最优值.基于此,提出一种考虑模型误差的浸出过程优化方法,利用高斯混合模型对浸出过程混合模型的误差均值和方差进行描述,并将其引入优化目标中.构建考虑模型误差的浸出过程优化模型,并以二阶振荡粒子群优化算法完成对优化模型的求解.最后通过仿真实验表明了所提出方法的有效性.     

基于加强学习与联想记忆粒子群优化算法的节点定位

提出了加强学习与联想记忆的粒子群优化算法,并将该算法应用到无线传感器网络的节点定位中。在RSSI模型测距产生的不同误差情况下,分别比较极大似然估计法和加强学习与联想记忆的粒子群优化算法产生的定位误差、定位方差,证明了加强学习与联想记忆的粒子群优化算法是一种收敛快、精度高、稳定性好的优化算法,适合应用在无线传感器网络节点定位中。     

基于粒子群优化算法和模糊熵的多级阈值图像分割算法

针对现有阈值分割算法利用穷举搜索寻找最优阈值而造成的计算成本较大的问题,提出了一种基于粒子群优化算法和模糊熵的多级阈值图像分割算法。图像分割是图像分析中非常重要的预处理步骤,在提出的方法中,首先选择香农熵和模糊熵作为优化技术的目标函数;然后建立一种基于粒子群优化算法的多层次图像阈值分割,通过最大化香农熵或模糊熵进行图像分割。最后从图像分割数据库中选取Lena、baboon和airplane作为测试图像进行性能分析（包括鲁棒性、效率和收敛性）,并与现有的几种阈值分割算法进行比较。结果显示,提出的算法得到了更高PSNR值和更少的分类误差,证明了该算法是一种高效的多级阈值图像分割算法。     

基于灰色粒子群神经网络的航天器参量预测

针对航天器精确预测与健康管理的需求,将粒子群算法、灰色理论与神经网络的优势相结合,提出了一种灰色粒子群神经网络组合参量预测方法,实现了灰色模型、粒子群算法、神经网络模型的优势互补.针对某卫星南帆板输出电流参量的预测实例,采用总平均绝对误差、总平均绝对百分比误差、总均方根误差3个预测结果评价指标,对灰色粒子群神经网络模型、粒子群神经网络模型、灰色模型和残差修正灰色模型的预测结果进行了比较,结果证明灰色粒子群神经网络模型的预测精度较高,在航天器参量预测领域具有很好的应用前景.     

基于IPSO-BP神经网络的变压器故障诊断方法

标准粒子群优化(PSO)算法对惯性权重采取简单的线性衰减方案, 无法获得全局最优点. 为了弥补该方法的缺陷, 提出了一种改进的粒子群优化(IPSO)算法, 并将该算法与误差反向传播神经网络(BPNN)相结合, 进而提出一种基于IPSO-BPNN的变压器故障诊断新方法. 该方法将单个粒子连续被选为最优解的次数作为自适应变量, 并根据粒子的性能分类结果, 自适应地调整各粒子的惯性权重, 从而达到平衡局部和全局搜索能力的目的. 大量仿真表明该算法性能明显优于基于BPNN和PSO-BPNN的变压器故障诊断系统,