混沌量子粒子群算法在模型修正中的应用

混沌粒子群算法和量子粒子群算法在一定程度上改进了标准粒子群算法的搜索质量,但两者仍存在收敛速度慢、易陷入局部极小等问题。混沌量子粒子群算法将混沌搜索机制引入量子粒子群算法,提高了搜索效率和计算质量。用粒子群算法、混沌粒子群算法、量子粒子群算法和混沌量子粒子群算法对一平板结构进行模型修正,结果表明,混沌量子粒子群算法具有较高的搜索效率和避免陷入局部最优的能力,修正后的模型比单独采用混沌或者量子粒子群算法具有更高的修正精度。     

模糊需求下转运联盟车辆路径及混沌粒子群优化

建立了基于模糊需求的企业间转运联盟车辆路径问题,并基于模糊结构元理论将模糊需求问题转化为清晰需求问题．针对该模型,提出了一种混沌粒子群算法,该算法在经典粒子群算法的基础上融入了两次混沌变换,有效的利用了粒子群算法和混沌算法各自的优势．     

一种混沌变参数粒子群优化算法

粒子群优化算法存在易陷入局部最优、收敛精度低、进化后期收敛慢等问题,混沌粒子群优化算法利用混沌运动的遍历性、随机性、规律性特点,很好地解决了粒子群优化算法陷入局部最优的问题,但混沌初始化会破坏已收敛的种群结构。在混沌粒子群优化算法的基础上,提出了一种混沌变参数粒子群优化算法。对陷入局部最优的种群进行混沌初始化,并采取一定的规则动态改变混沌运动的控制参数,以增强或减弱混沌方程的混沌特性,既可以减轻混沌初始化对已收敛种群结构的破坏性,又能利用混沌特性摆脱种群陷入局部最优问题,提高收敛精度,从而提高算法的全局寻优能力。通过仿真测试表明,混沌变参数的粒子群优化算法能有效避免种群陷入局部最优现象,收敛快、收敛精度高,全局寻优能力优于基本粒子群优化算法。     

基于Chebyshev映射的混沌粒子群融合FCM聚类算法

在PSO融合FCM实施聚类分析中,为克服PSO迭代后期易于发生早熟这一问题,选用Chebyshev映射产生混沌序列。在粒子群初始化时,使用该映射分别初始化各粒子位置和速度,同时,在粒子群算法各次迭代运行中,使用该映射计算惯性系数,并利用适应度方差判定粒子群算法是否发生早熟。若未发生早熟,则依基于混沌惯性系数粒子群搜索最优解,当发生早熟时,则按当前粒子群迄今为止搜索到的最优位置为起点进行混沌搜索,并用搜到的最优位置替换粒子群中最差粒子位置,进而将该混沌粒子群算法同FCM算法融合完成聚类分析任务。提出一种基于Chebyshev映射的混沌粒子群融合FCM均值聚类算法。实验结果显示该算法具有较好的寻优能力并提高了样本分类精度。     

混沌粒子群在节点定位中的应用

该文基于节点定位中经常用到方程组的求解问题,采用混沌粒子群算法用于最优解的求解。混沌粒子群基于传统粒子群,具有建模容易,算法简单,收敛速度快的优点;考虑到粒子群的局部最优问题,该文在传统粒子群的基础上,添加混沌扰动,扩大粒子群的应用范围,摆脱局部最优。实验结果表明,在相同工作条件下,混沌粒子群算法相比于最小二乘算法,定位误差明显降低,达到了预期的目标。     

基于黄金分割准则的混沌云粒子群算法

针对传统粒子群算法寻优精度不高、易早熟的缺点,提出了基于黄金分割评判准则的混沌云粒子群（CCGPSO）算法。该算法利用黄金分割评判准则,将粒子群按照适应度大小分为标准粒子、混沌云粒子、云粒子三个子群,分别进行不同的算法操作。黄金分割的引入使整个粒子群可以搜索到全部解空间,解决了标准粒子群算法易陷入局部最优解和寻优精度不高的问题。选取了四种典型函数测试,并与混沌云粒子群算法（CCPSO）比较。仿真结果表明CCGPSO具有较高的寻优精度和收敛速度。     

改进CPSO-SVM在人脸识别中的应用

为使粒子群优化算法初始粒子均匀分布在解空间,增强全局的搜索能力,通过对混沌运动的遍历性和粒子群优化算法中惯性权重的分析,提出了一种改进型混沌粒子群算法。该算法采用Circle映射,产生了分布均匀的混沌变量轨道点,并结合动态调整惯性权重的思想来避免粒子群算法陷入局部最优。同时,给出了应用混沌粒子群算法训练SVM的方法,并将其应用于人脸识别。仿真实验结果表明,改进CPSO-SVM方法比基本粒子群方法能获得更好的识别性能。     

基于群体适应度方差的自适应混沌粒子群算法*

已有的混沌粒子群算法多使用Logistic混沌映射,但Logistic混沌映射产生的混沌序列不够均匀,影响了混沌粒子群算法的性能。提出在混沌粒子群算法中引入均匀性更好的An混沌映射,利用An混沌映射初始化粒子群的位置和速度,并通过适应度方差的变化来自适应控制部分粒子进行混沌更新,来改善混沌粒子群算法的性能。数值仿真的结果表明,改进算法的收敛性和全局搜索能力都有所提高,能有效避免早熟收敛。     

非线性规划的混沌粒子群优化算法

粒子群优化算法是一类基于群智能的优化搜索算法.该算法初期收敛较快,但后期易陷入局部最优点.为了提高粒子群算法的性能,将粒子群算法全局搜索的快速性和混沌算法的一定范围内的遍历性二者结合,利用罚函数的思想把有约束的非线性规划问题转化为无约束最优化问题,并利用了混沌运动遍历性、随机性等特点,对传统粒子群算法进行改进,摆脱了粒子群算法后期易陷入局部极值点的缺点,然后与罚函数方法结合,构造出一个基于罚函数的混沌粒子群优化算法.数值结果表明文中所提出的算法是有效的.     

基于混沌粒子群SVR的烟气轮机状态预测

研究烟气轮机状态测试,为了保证安全,克服当前烟气轮机状态预测精度低的问题,结合混沌粒子群与支持向量回归模型(SVR)的特点,提出一种烟气轮机状态预测的新方法,混沌粒子群能克服粒子群优化算法容易陷入局部最优且收敛速度较慢等缺点,以获得高预测性能的支持向量回归模型.在分析支持向量回归算法和混沌粒子群算法基础上,采用混沌粒子群算法选取合适的支持向量回归模型,并利用训练集建立混沌粒子群SVR烟气轮机状态预测模型.以某烟气轮机机组作为应用对象测试方法在机电状态预测中的效果.实验结果表明,与粒子群SVR相比,混沌粒子群SVR的预测精度有了较大幅度提高,证明适合烟气轮机状态预测.     

基于D-S的粒子群算法

粒子群优化(Particle Swarm Optimization,PSO)算法是一类性能优越的寻优算法.但由于早熟问题,影响了算法性能的发挥.针对这一问题,通过获取粒子群的状态信息,来控制PSO进化过程,是一种有效的PSO改进方法.但现有的方法是从单一的角度来描述粒子群进化状态,使用时还具有一定的局限性.为了更进一步发挥PSO算法的优越性能,充分考虑了粒子群进化状态中的不同信息,根据证据融合理论,提出一种PSO算法(称为DS_PSO).首先根据全局和局部搜索的要求,把算法分为不同的搜索模式;然后,在进化过程中,对描述粒子群的不同参数进行D-S融合.根据融合结果,确定粒子群状态,选择合适的搜索模式.对测试函数的仿真实验表明,与对比方法相比较,DS_PSO算法具有更好的收敛精度和更快的进化速度.     

群核进化粒子群优化方法

粒子群优化方法（PSO Particle Swarm Optimization）是由Kennedy和Eberhart于1995年提出的进化计算技术,并成功应用于各类优化问题。其基本思想源于对鸟群捕食等群体行为的研究。本文对标准PSO方法进行了分析,给出了“群核”（Swarm-Core）的概念,并在此基础上,提出了群核进化粒子群优化方法（Swarm-Core Evolutionary Particle Swarm Optimization,SCEPSO）,同时把该方法与其它版本PSO方法进行了比较。试验结果表明：在相同环境下,SCEPSO方法能较好地克服传统PSO方法中的不足,测试结果较其它几个版本的PSO方法有很大提高,是非常有效的。     

Dynamic parameter adaptation in particle swarm optimization using interval type-2 fuzzy logic

In this paper, we propose a new method for dynamic parameter adaptation in particle swarm optimization (PSO). PSO is an optimization method inspired in social behavior, which has been applied to different optimization problems obtaining good results. In this paper, we propose an improvement to the convergence and diversity of the swarm in PSO using interval type-2 fuzzy logic. Simulation results show that the proposed approach improves the performance of PSO. A comparison of the proposed method using type-2 fuzzy logic with the original PSO approach, and with PSO using type-1 fuzzy logic for dynamic parameter adaptation is presented.     

一种改进PSO的室内机器人路径规划方法

针对室内空间局限性造成的移动机器人路径规划难度提升问题,文章分析了机器人室内移动中转弯、启停等运动特征,为获得最优规划路径引入了粒子群算法(particle swarm optimization, PSO),同时为改善经典算法中收敛度低,易早熟等问题,首先使用收敛因子、线性递减、非线性凹函数、随机分布方式等对PSO惯性权重的选取进行了讨论,并结合三次样条插值方法、选取罚函数作为适应度函数等对PSO进行了算法改进,最后,以实验室作为室内环境背景进行了仿真实验,并与经典的PSO路径规划方法进行了对比,实验结果表明,文章中改进的PSO路径规划方法精度高于经典PSO方法5%,平均寻优时间比经典PSO的少5s左右,能够有效的提高规划路径的平滑度,对于室内环境中机器人路径规划具有良好的实时性和有效性。     

Particle swarm optimization–Markov Chain Monte Carlo for accurate visual tracking with adaptive template update

A novel tracking method is proposed, which infers a target state and appearance template simultaneously. With this simultaneous inference, the method accurately estimates the target state and robustly updates the target template. The joint inference is performed by using the proposed particle swarm optimization–Markov chain Monte Carlo (PSO–MCMC) sampling method. PSO–MCMC is a combination of the particle swarm optimization (PSO) and Markov chain Monte Carlo sampling (MCMC), in which the PSO evolutionary algorithm and MCMC aim to find the target state and appearance template, respectively. The PSO can handle multi-modality in the target state and is therefore superior to a standard particle filter. Thus, PSO–MCMC achieves better performance in terms of accuracy when compared to the recently proposed particle MCMC. Experimental results demonstrate that the proposed tracker adaptively updates the target template and outperforms state-of-the-art tracking methods on a benchmark dataset.     

A hybrid intelligent GMPPT algorithm for partial shading PV system

Maximum power extraction for PV systems under partial shading conditions (PSCs) relies on the optimal global maximum power point tracking (GMPPT) method used. This paper proposes a novel maximum power point tracking (MPPT) control method for PV system with reduced steady-state oscillation based on improved particle swarm optimization (PSO) algorithm and variable step perturb and observe (P&O) method. Firstly, the grouping idea of shuffled frog leaping algorithm (SFLA) is introduced in the basic PSO algorithm (PSO–SFLA), ensuring the differences among particles and the searching of global extremum. Furthermore, adaptive speed factor is introduced into the improved PSO to improve the convergence of the PSO–SFLA under PSCs. And then, the variable step P&O (VSP&O) method is used to track the maximum power point (MPP) accurately with the change of environment. Finally, the superiority of the proposed method over the conventional P&O method and the standard PSO method in terms of tracking speed and steady-state oscillations is highlighted by simulation results under fast variable PSCs.     

二次微粒群算法及其参数选择

在对标准微粒群算法模型及其机理进行分析的基础上改进了标准微粒群算法的进化方程,提出了二次微粒群算法,由于其几个主要参数的选择很大程度上影响到算法的性能,故用标准微粒群算法对二次微粒群算法参数的选择进行优化,得到其参数的选取范围,并在仿真所得的范围内选取一组参数对典型测试函数进行仿真,将结果与标准微粒群算法的仿真结果进行比较,结果表明性能有很大提高,且二次微粒群算法能更快更好的找到全局最优点,这说明了这种算法的正确性和有效性.     

应用粒子群优化算法的混合纹理合成*

应用粒子群优化算法作为像素寻优策略,应用于多样图纹理合成算法中,将群智能中经典的粒子群优化算法引入到纹理合成领域。应用粒子群优化多样图纹理合成方法是传统的基于像素纹理合成方法和基于块的纹理合成方法的折中,除能大大提高多样图纹理合成的速度,样图的质量也得到了很大改善。实验证明,该算法有效解决了徐晓刚混合纹理合成中输出纹理出现的条痕问题。     

基于免疫粒子群算法的参数估计方法

针对污水生化反应模型参数估计问题,提出一种基于免疫粒子群算法的估计方法。该方法采用免疫算法保持粒子群的多样性,避免粒子群算法的过早收敛而降低寻优能力。利用估计的参数值对实验数据进行拟合,仿真结果表明,拟合误差率低于标准的粒子群和遗传算法,进一步提高了污水生化反应模型参数估计精度。     

高维化工数据共轭粒子群算法处理

针对化工数据多为高维数据,而粒子群算法对求解高维优化问题易陷局部极值,提出将共轭方向法与粒子群算法相结合处理高维数据.当粒子群算法迭代了一定步数而陷入局部极值并得局部最优解χ*时,以χ*为初值,用共轭方向法对其求解,利用粒子群算法对低维优化问题的有效性,将得新的更优的当前最优解χ**,从而使算法跳出局部极值;在新极值的条件下,又用粒子群算法对原问题求解,如此反复直至结束.通过经典的测试函数对其测试,结果表明这一尝试是有效的.最后将算法用于SO2催化氧化反应动力学模型的非线性参数估计,获得满意效果.