基于MMTD算法的粒子群的解Ⅱ

粒子群算法是一种寻找最优解的算法,该算法在寻找的过程中需要粒子所得的目前解具有判断力和记忆力.然而正是由于该算法中的粒子对当前的解具有判断力,才能够使得粒子群中的粒子能够较快地找到最优解.粒子群中的粒子在求解过程中所得的结果可分为三种:优,中,差,这三种解的属性符合中介思想.然而MMTD的算法正是中介思想的一种应用,因此论文将MMTD算法在粒子群上进行应用,该算法能够对粒子群解的属性上做出判断.     

试谈粒子群算法

粒子群算法、蚁群算法以及人工蜂群算法等都是智能型算法,这些算法通过对生物种群寻找食物过程的模拟,从而提出了一种人工寻找最优解的模拟算法.粒子群算法和蚁群算法在科研领域和工程领域都有广泛的应用,都用于解决最优解的问题.尽管粒子群算法已不是什么新算法,但仍然有应用价值和研究价值,因此经过对粒子群算法研究之后,从以下几个方面对粒子群算法进行了综述.在介绍了粒子群算法的基本概念之后,介绍了粒子群的应用和不足之处,给出了粒子群算法两个重要参数.     

带时间窗车辆路径问题的改进粒子群算法研究

设计了一种引入局部近邻机制并且能够优化不可行解的粒子群算法。该算法将粒子群分成相互重叠的子群,在各个子群内寻找近邻,提高了粒子的学习功能和寻找近邻的速度;同时将产生的不可行解进行局部优化,增强了粒子寻找最优的能力。实验结果表明：该算法可以快速求得带时间窗车辆路径问题的满意解。     

粒子群优化算法的分析与研究

粒子群优化算法是一种新兴的基于群智能的演化计算方法,其思想来源于对鸟群运动行为的研究.群体中的每一个粒子通过追随个体最优解和群体最优解来完成解的迭代过程.首先介绍了PSO算法的基本原理,然后对PSO的几种典型改进算法进行了介绍并通过仿真实验对各种算法进行了分析和比对,最后对粒子群算法研究方向进行了展望.     

带变异算子的非线性惯性权重 PSO 算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法.该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力.当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力.用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度     

基于混沌离散粒子群的粗糙集属性约简算法

针对粒子群属性约简算法容易早熟、易陷入局部最优解的问题,提出一种融合混沌离散粒子群与粗糙集的属性约简算法(CBPSORS).在该算法中,首先利用混沌序列初始化粒子的位置和速度,得到一个无序的粒子种群.其次改进最优粒子进行混沌变异过程,改进惯性因子和加速因子来提高算法性能.再次用粗糙集理论对生成的属性子集相关性进行评估.最后用K-近邻(KNN)算法生成分类模型在UCI数据集上对该算法进行验证.理论分析与实验结果表明,与基于粗糙集的属性约简算法(RS)、基于粒子群的粗糙集属性约简算法(PSORS)以及基于遗传算法的粗糙集属性约简算法(GARS)相比,文中算法可以在保持决策表知识信息的前提下,约减掉更多的条件属性,提高分类精度.     

自适应粒子群优化算法研究及其化工报警阈值优化应用

生产装置能否安全有效地运行,已经成为衡量工业生产发展水平的主要标志之一。面临日益复杂的化工过程生产装置,提高化工过程报警系统的性能有着重要的指导意义。传统的报警阈值参数设置方法局限性大,为了提升化工过程报警系统性能,需要对某些过程参数的报警阈值进行优化设置。本文针对传统粒子群算法的不足,采用了参数自适应的粒子群算法,该自适应粒子群算法通过实时调节自身的参数,使得能够较快地寻找到最优个体,且不容易陷入局部最优解。通过对一标准函数的研究,结果表明该自适应粒子群算法比传统的粒子群算法能够较快的达到最优解。随后,用该算法优化TE过程某一参数的报警阈值,降低了报警过程中误报和漏报的总次数,提高了报警系统的性能。本文所提方法为指导生产装置的安全运行提供了有效策略。     

联盟运输调度问题的粒子群算法研究

联盟运输调度问题是在基本运输调度问题基础上所发展起来的、具有重要实用价值的一类组合优化难题.粒子群算法(PSO)是一种新兴的基于群智能的演化计算技术,该算法与传统方法相比有着较高的收敛速度和计算精度,可以在解空间内高效地寻找到全局最优解.将其应用于联盟运输调度问题,并针对联盟运输调度问题中最优解的分布特点,对标准粒子群算法进行了改进,克服了标准粒子群算法收敛速度过快且易收敛于局部最优的缺点.对比实验结果表明,改进后的粒子群算法可以快速、有效求得最优解.     

改进粒子群和模拟退火混合算法及其应用

基本粒子群优化算法每个粒子代表一个可行解,通过粒子间的协作来获得最优解.考虑粒子间协同作用,引入Gaussian核函数研究基于区域影响的粒子群算法(GPSO).为了充分利用粒子群算法的快速全局收敛性和模拟退火算法能够跳出局部最优陷阱的优点,得到高精度的最优解,将GPSO算法与模拟退火算法相结合,研究了一种新的混合粒子群算法.混合算法在GPSO算法处于停滞状态时,于搜索到最优位置用模拟退火算法继续寻找最优解.数值实验结果表明,新混合算法兼顾了GPSO和模拟退火算法的优点,具有收敛速度快、搜索精度高、鲁棒性好等特点.这说明文中的混合算法不失为一种有效的进化算法.     

基于粒子群优化算法的属性异常检测

提出一种新的基于粒子群优化算法的属性异常检测算法。该算法利用粒子群优化算法简单、寻优速度快的优点检测属性异常,在粒子群寻找最优值的过程中发现可能是属性异常的数据,并采用Omeasure适应度评估属性异常,算法的时间复杂度是多项式级的。与全搜索检测算法相比,大幅减少了搜索范围;同时,与完全随机算法相比,采用启发式搜索规则,提高了查全率及查准率。实验结果表明,粒子群检测算法不仅执行效率高,而且保持了较高的查全率与查准率。     

粒子群算法求解连续优化问题的性能分析

粒子群优化(PSO)算法是一类有效的随机全局优化技术,适用于求解连续优化问题.它利用一个粒子群搜索解空间,通过粒子间的相互作用发现复杂搜索空间中的最优区域.本文介绍了基本的PSO算法,使用3类代表性的标准测试函数对粒子群算法进行了实验分析,并进一步讨论了PSO算法的寻优性能,提出了PSO求解连续优化问题的性能分析策略.     

基于混沌的PSO粒子滤波算法

粒子群优化(PSO)粒子滤波算法容易陷入局部最优,从而降低算法精度。针对该问题,提出一种基于混沌的PSO粒子滤波算法。该算法通过混沌搜索算法找到全局最优位置,驱散聚集在局部最优的粒子群,使其向全局最优位置靠近,增加有效估计粒子数,抑制粒子退化与枯竭问题。仿真结果表明,与传统的粒子滤波算法和PSO粒子滤波算法相比,改进算法的估计精度有较大提高。     

基于复合粒子群算法的几何约束求解技术研究

在将几何约束问题的约束方程组转化为优化模型的时候,需要找到一种方法来跳出局部最优解,进而找到全局最优解。为了兼顾算法的快速性和全局性,几何约束求解时,考虑使用复合粒子群算法。这种粒子群算法是一种基于群智能方法的演化计算技术,不仅在所有的进化算法中都包括控制其自身特性的启发式参数,而且这些参数通常是与特定的问题相关,并可由用户自己定义。虽然合适的参数选择需要用户丰富的经验和对研究问题所提供信息的正确判断,更重要的是,这些启发式参数会影响到算法的收敛特性,但是即便是很有经验的用户也可能选择不恰当的参数,从而使问题得不到有效地解决,这就越来越需要对这些参数进行研究。为此可将将粒子群算法中的控制参数的选取作为一个优化问题,以便用常规遗传算法来控制粒子群算法中的启发式参数,即形成了复合粒子群优化算法,通过把复合粒子群算法成功地应用到几何约束求解技术的实验表明,该方法可以在很短的时间内找到最优解。     

一种混合粒子群算法的贝叶斯网络优化模型

传统的粒子群优化算法通过群体中粒子间的合作和竞争进行群体智能指导优化搜索,算法收敛速度快,但较易陷入局部较优值,进入早熟状态。为了解决这个问题,提出了一种混合粒子群算法的贝叶斯网络优化模型,它可以通过当前所选择的较优解群构造一个贝叶斯网络和联合概率分布模型,利用这个模型进行采样得到更优解,用其可随机替换掉PSO中的一些粒子或个体最优解;同时利用粒子群算法对当前选择出的较优解群进行深度搜索,并将得到的最优解融入到较优解群中。分析可知,该方法可以提高算法有效性和可靠性。     

Accurate sub-swarms particle swarm optimization algorithm for service composition

Service composition (SC) generates various composite applications quickly by using a novel service interaction model. Before composing services together, the most important thing is to find optimal candidate service instances compliant with non-functional requirements. Particle swarm optimization (PSO) is known as an effective and efficient algorithm, which is widely used in this process. However, the premature convergence and diversity loss of PSO always results in suboptimal solutions. In this paper, we propose an accurate sub-swarms particle swarm optimization (ASPSO) algorithm by adopting parallel and serial niching techniques. The ASPSO algorithm locates optimal solutions by using sub-swarms searching grid cells in which the density of feasible solutions is high. Simulation results demonstrate that the proposed algorithm improves the accuracy of the standard PSO algorithm in searching the optimal solution of service selection problem.     

带两类正态变异的多目标粒子群算法

提出一种带两类正态变异的多目标粒子群算法,其中一类变异有助于在非劣解的邻域内发现新的非劣解,另一类变异可以分散粒子群.将搜索过程分为3个阶段,在每个阶段引导粒子的选择采用不同的针对性策略.数值结果表明,所提出的算法能够显著提高解的多样性和收敛性.     

基于双种群交叉学习的粒子群优化算法

粒子群优化算法因其支配参数少、收敛速度快、易于实现等特点被广泛应用,但是粒子群优化算法存在精度低、容易陷入局部优化的问题。为此提出一种基于双种群交叉学习的粒子群优化算法。在该算法中,整个种群被分为普通子种群和精英子种群。普通子种群采用综合变异机制,该机制通过设置概率参数使普通子种群随机选择朝着优秀粒子的方向或者保持自身方向进行变异,以侧重寻找可能解区域。精英子种群则采用交叉学习机制,将粒子的历史最优和全局最优个体进行交叉生成范例,从而引导粒子对可能解区域进行局部搜索,还提出了一种非线性惯性权重来平衡粒子的全局勘探和局部开发能力。为了验证算法的有效性,在十六个基准问题上进行测试并与其他七种粒子群优化算法变体比较,实验结果表明该算法在求解精度和收敛速度总体排名第一,验证了该算法求解性能优于其他粒子群优化算法变体。     

一种基于混合PSO的投影寻踪动态聚类模型

针对粒子群算法容易陷入局部最优解,将遗传算法的交叉和变异引入到粒子群算法中。根据不同的收敛情况及交叉和变异的特点使用两种算子,提出一种既能预防陷入局部最优解又能跳出局部最优解的混合粒子群算法,将该算法应用到投影寻踪动态聚类模型中来优化投影方向,得到近似最好的投影寻踪动态聚类模型。实验证明,相对于原始粒子群算法,该方法可以有效地避免陷入局部最优解,而且投影效果也更好。     

加速食物引导的粒子群算法在协作频谱感知中的应用

为找到基于合作频谱感知软判决算法中的优化加权系数,最终来优化提高认知无线网络协作频谱感知的检测概率,针对传统的粒子群优化算法进行研究改进。通过赋予每个微粒以生物体的特性,根据它们能量需求的不同,获取当前粒子最需要的信息,选择向个体或群体最优食物源靠近。同时,引入加速变量,运用在粒子的位置更新中,称这种方法为加速食物引导的粒子群优化算法(accelerated food guided Particle Swarm Optimization, afgPSO)。另外,针对噪声环境的不确定性,推导出了噪声不确定最坏情况下的系统检测概率。仿真结果表明,afgPSO算法具有可行性,并且在不同的噪声环境中都能获得更好的频谱检测概率,从而验证了此方法的优越性。对于粒子群算法中的其它参数,还有待进一步改善。     

一种自适应粒子群算法在云资源调度中的应用

通过资源调度优化提升云计算的效率并降低数据中心能耗是云计算领域的主要研究内容之一。粒子群算法常用于解决资源调度问题,然而粒子群算法在云计算资源调度应用中算法初期收敛速度快,后期收敛速度缓慢,易陷入局部寻优。本文提出了一种自适应改进的粒子群算法用于云计算资源调度问题的研究,该算法通过自适应改进粒子的个体学习因子和社会学习因子,以提高算法的全局探索能力,使得粒子逼近更优解。实验结果表明：本文提出的自适应粒子群算法不仅具备良好的收敛性和全局寻优能力,同时能够大幅度降低云资源调度中任务队列的总完成时间。