基于全局层次的自适应QPSO算法

阐明了具有量子行为的粒子群优化算法理论（QPSO）,并提出了一种基于全局领域的参数控制方法。在QPSO中引入多样性控制模型,使PSO系统成为一个开放式的进化粒子群,从而提出了自适应具有量子行为的粒子群优化算法（AQPSO）。最后,用若干个标准函数进行测试,比较了AQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,AQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题。     

基于权重QPSO算法的PID控制器参数优化

传统的PID控制器参数优化方法容易产生振荡和较大的超调量,因此智能算法如遗传算法（SGA）和粒子群算法（PSO）被用于参数优化,弥补传统算法的不足,但是遗传算法在进化过程中收敛速度慢,粒子群算法存在易于早熟的缺点。在分析量子粒子群算法（QPSO）的基础上,在算法中引入了权重系数,提出使用改进的量子粒子群算法（WQPSO）优化PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过三个传递函数实例,分别使用Z-N、GA、PSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。     

一种基于差异演化变异的粒子群优化算法

为了保持粒子种群的多样性而避免发生“早熟”的问题,提出一种基于差异演化变异的粒子群优化算法（PSO）,该方法通过粒子聚集性判断如果粒子群中的粒子过于聚集,则使用差异演化算法对PSO算法中各个粒子的自身历史最佳位置进行变异,以实现保持粒子群种群多样性的目的。对4种常用函数的优化问题进行测试并进行比较,结果表明：所改进的粒子群优化算法比标准粒子群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。     

带扩展记忆的粒子群优化算法仿真分析

从心理学的角度提出带扩展记忆的粒子群优化算法（PSOEM）,以克服标准粒子群优化算法（PSO）在优化多维函数过程中粒子搜索方向性差、目的性弱的缺陷.采用扩展记忆存储粒子的历史信息,并引入参数表征扩展记忆的重要性.利用经典离散控制理论分析其定值算法的稳定范围.此算法与标准算法是同源异构的,可以与已改进的PSO算法结合使用.基准测试函数的仿真结果验证了所提出算法的有效性.     

基于多种群粒子群优化算法的主动轮廓线模型

主动轮廓线模型凹陷边界点的寻优属于动态优化问题,由于其复杂性,传统方法不能准确搜索到最佳边界点。若采用单一的粒子群优化算法求解,不仅耗时,而且容易陷入局部极值。针对以上问题,提出一种多种群粒子群优化算法,并将其应用于主动轮廓线模型的边界寻优过程中。该算法为每个控制点设置一个种群,各种群之间通过共享信息的方式协作寻优,从而避免采用单一PSO算法容易早熟的缺点,同时扩大了控制点的搜索区域,提高了收敛速度。将改进方法与传统方法进行了对比,实验结果证明了改进方法的有效性。     

基于改进的PSO算法在Shearlet图像去噪中的应用研究

本文主要通过对标准粒子群优化算法的分析与研究,根据不同特点的粒子群进化模型,提出基于不同进化模型的粒子群改进算法,增加算法群体多样性,提高算法的全局收敛性能。最后将改进的PSO算法应用于Shearlet图像去噪研究。     

改进PSO算法在二维下料问题中的研究

粒子群优化（PSO）算法是一种基于集群智能的进化计算方法,在该方法中粒子通过追随自己找到的最优解和种群最优解完成优化。文章将PSO算法应用到三角形优化下料问题的研究中,给出了具体的实施流程,为了提高PSO算法的收敛精度,避免早熟现象的产生,对PSO进行了改进,提出一种启发式PSO算法。通过对三角形的优化下料进行仿真,仿真结果显示改进后的启发式粒子群优化算法在收敛效果和材料的利用率方面均有显著的提高。     

粒子群优化的两种改进策略

粒子群优化方法(particle swarm optimization,PSO)是由Kennedy和Eberhart于1995年提出的,并成功应用于各类优化问题．通过对PSO方法深入分析,把模拟退火和分工两种机制引入到PSO方法中,提出了模拟退火粒子群优化(PSOwSAPSO with simulated annealing)和有分工策略的粒子群优化(PSOwDOWPSO with division of work),两种不同改进方法,详细阐述了这两种方法的主要思想．测试结果表明,这两种改进方法能够克服传统PSO方法中的不足,增强了粒子群的优化能力．     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

一种改进的双转式永磁无刷直流电动机PSO优化控制方法

研究了使用改进的PSO(Particle swarm optimization,粒子群优化)算法与PID控制器相结合实现对双转式永磁无刷直流电动机(PMBLDCM)进行控制的方法;针对传统PID调节器控制精度不高和鲁棒性差的缺点,提出了一种结合PSO优化算法和传统PID控制的新控制器;首先建立PMBLDCM的动力学模型,通过引入改进的PSO优化算法,提出了一种使用PSO优化PID控制器参数的模型,并定义了使用PSO优化PID控制器3个比例参数的具体算法;最后,使用Matlab/Simulink对PMBLDCM控制实例进行了仿真;空载和负载两种情况下的仿真结果表明:新的控制方法克服了PID控制器的不足,具有控制精度高、响应速度快、速度跟随准确等优点。     

基于AKPSO算法的加速度计快速标定方法

针对粒子群优化（ PSO）算法在加速度计标定优化后期出现的早熟、陷入局部最优的不足,以及KalmanPSO（ KPSO）算法在设计与应用过程中存在的缺陷,提出了基于自适应 Kalman 滤波的改进 PSO （ AKPSO）算法,并将其成功应用于加速度计快速标定。利用粒子群状态空间Markov链模型,建立了粒子群系统状态方程和观测方程;采用指数加权的自适应衰减记忆Kalman滤波来对粒子的位置进行估计。加速度计标定仿真结果表明：所提出的算法在收敛速度、收敛精度方面都要优于PSO,KPSO算法,有效地提高了加速度计的标定精度。     

基于改进的粒子群算法和信息熵的知识获取方法

针对粒子群优化算法（PSO）易陷入局部优化的问题,在PSO算法加入交叉变异算子,克服了标准PSO算法易陷入局部最优的不足;并将改进的PSO算法和模糊C 均值聚类相结合,提出了一种新的模糊聚类算法CMPSO FCM,该算法具有良好的搜索能力和聚类效果。进而将聚类得到的属性隶属矩阵用于属性约简,并提出一种基于信息熵的模糊粗糙集知识获取的方法。实验和实例分析表明该方法的正确性和有效性。     

基于BSP并行计算模型的并行微粒群算法

在对标准微粒群算法分析的基础上,将它与BSP并行计算模型相结合,设计并实现了一种基于BSP并行计算模型的并行微粒群算法.这种基于BSP并行计算模型的并行微粒群算法改变了标准微粒群算法的结构,提高了算法求解效率.实验结果表明,该并行算法的性能比标准微粒群算法有了很大的提高.     

基于PSO算法的测试信号模型参数提取

为了提高自动测试系统的自动化水平,提出了基于粒子群算法的测试信号模型参数提取方法.阐述了采用PSO算法提取测试信号模型参数的原理,针对参数提取过程中的早熟收敛问题,提出了一种改进算法.该算法监控粒子群多样性,采用局部初始化的方法,克服了早熟收敛的缺点,提高了参数提取的稳定性.仿真实验验证了基于PSO算法的测试信号模型参数提取方法具有较高的稳定性和精度.     

参数化运动模型和PSO的自主车运动规划方法

自主地面车辆在障碍物环境下的运动规划问题是一个包含非完整约束条件的全局优化问题。针对该优化问题,提出了一种基于参数化运动模型和改进粒子群优化算法的运动规划方法。该方法将车辆运动模型解耦为参数化弧长-曲率模型和速度模型,并采用混沌映射方法对粒子群优化算法进行了改进,将改进的粒子群优化算法应用于弧长-曲率模型中的参数优化问题。仿真结果证明了该方法的有效性,是自主地面车辆运动规划的一种较好方法。     

基于改进PSO和FCM的模糊辨识

为了提高T-S模糊模型的辨识精度和效率,本文提出了一种改进的粒子群算法和模糊C均值聚类算法相结合的模糊辨识新方法。在该方法中,针对粒子群算法在处理高维复杂函数时容易陷入局部极值的问题,提出了一种粒子群局部搜索和全局搜索动态调整的全新优化算法。模糊C均值聚类算法是模糊辨识最常用的方法之一,该算法简单,计算效率高,但是对初始化特别敏感,容易陷入局部最优。为了解决这一问题,利用改进粒子群算法的全局搜索能力优化聚类中心,显著地提高了算法的辨识精度和效率。最后,针对非线性系统进行建模仿真,仿真结果表明了本文方法的有效性和优越性。     

广义粒子群优化模型

粒子群优化算法提出至今一直未能有效解决的离散及组合优化问题．针对这个问题,文中首先回顾了粒子群优化算法在整数规划问题的应用以及该算法的二进制离散优化模型,并分析了其缺陷．然后,基于传统算法的速度一位移更新操作,在分析粒子群优化机理的基础上提出了广义粒子群优化模型（GPSO）,使其适用于解决离散及组合优化问题．GPSO模型本质仍然符合粒子群优化机理,但是其粒子更新策略既可根据优化问题的特点设计,也可实现与已有方法的融合．该文以旅行商问题（TSP）为例,针对遗传算法（GA）解决该问题的成功经验,使用遗传操作作为GPSO模型中的更新算子,进一步提出基于遗传操作的粒子群优化模型,并以Inverover算子作为模型中具体的遗传操作设计了基于GPSO模型的TSP算法．与采用相同遗传操作的GA比较,基于GPSO模型的算法解的质量与收敛稳定性提高,同时计算费用显著降低．     

基于粒子群优化算法和改进的Snake模型的图像分割算法

基于活动轮廓（Snake）模型的目标轮廓提取是图像分割中一种重要的方法.为了克服传统Snake模型在图像分割中不能向凹处收敛和收敛不准确的缺点,提出了一种粒子群优化算法与改进的Snake模型相结合的图像分割算法.改进的Snake模型,即在传统的Snake 模型的基础上增加了一个向心能量,增加此能量可以使初始化曲线向目标的凹处收敛.又由于粒子群优化算法具有获得全局最优的能力,可以使曲线能更准确地收敛到目标的边界.通过实验证明此方法可以取得很好的分割效果.     

Forecasting of Software Reliability Using Neighborhood Fuzzy Particle Swarm Optimization Based Novel Neural Network

This paper proposes an artificial neural network (ANN) based software reliability model trained by novel particle swarm optimization (PSO) algorithm for enhanced forecasting of the reliability of software. The proposed ANN is developed considering the fault generation phenomenon during software testing with the fault complexity of different levels. We demonstrate the proposed model considering three types of faults residing in the software. We propose a neighborhood based fuzzy PSO algorithm for competent learning of the proposed ANN using software failure data. Fitting and prediction performances of the neighborhood fuzzy PSO based proposed neural network model are compared with the standard PSO based proposed neural network model and existing ANN based software reliability models in the literature through three real software failure data sets. We also compare the performance of the proposed PSO algorithm with the standard PSO algorithm through learning of the proposed ANN. Statistical analysis shows that the neighborhood fuzzy PSO based proposed neural network model has comparatively better fitting and predictive ability than the standard PSO based proposed neural network model and other ANN based software reliability models. Faster release of software is achievable by applying the proposed PSO based neural network model during the testing period.      

基于相似历史信息迁移学习的进化优化框架

现有进化算法大都从问题的零初始信息开始搜索最优解, 没有利用先前解决相似问题时获得的历史信息, 在一定程度上浪费了计算资源.将迁移学习的思想扩展到进化优化领域, 本文研究一种基于相似历史信息迁移学习的进化优化框架.从已解决问题的模型库中找到与新问题匹配的历史问题, 将历史问题对应的知识迁移到新问题的求解过程中, 以提高种群的搜索效率.首先, 定义一种基于多分布估计的最大均值差异指标, 用来评价新问题与历史模型之间的匹配程度; 接着, 将相匹配的历史问题的知识迁移到新问题中, 给出一种基于模型匹配程度的进化种群初始化策略, 以加快算法的搜索速度; 然后, 给出一种基于迭代聚类的代表个体保存策略, 保留求解过程中产生的优势信息, 用于更新历史模型库; 最后, 将自适应骨干粒子群优化算法嵌入到所提框架, 给出一种基于相似历史信息迁移学习的骨干粒子群优化算法.针对多个改进的典型测试函数, 实验结果表明, 所提迁移策略可以加速粒子群的搜索过程, 显著提高算法的收敛速度和搜索效率.