一类0/1优化问题融合神经网络的粒子群算法

将局部寻优能力极强的人工Hopfield神经网络算法融合到粒子群优化算法的搜索过程中,提出解决一类0/1优化问题融合神经网络的混合粒子群优化算法。在该算法中依粒子群当前全局最优个体为初始态激活神经网络,生成一个局部最优态,用这个局部最优态代替粒子群当前全局最优个体,增强了算法的局部寻优能力,通过数值试验证明该算法是有效的。     

新的全局-局部最优最小值粒子群优化算法

为了提高粒子群优化算法的收敛速度,克服陷入局部最优的缺点,在全局-局部最优粒子群优化算法的基础上,提出了一种新的改进粒子群优化算法——全局-局部最优最小值粒子群优化算法.该算法把惯性权重和学习因子分别通过结合全局和局部最优最小值来进行改写,速度更新公式也做了相应的简化.仿真实验表明该算法在收敛速度和寻优质量上都优于基于LDIW策略改进的粒子群算法和全局-局部最优粒子群算法.     

求多目标优化问题的粒子群优化算法

将粒子群优化算法应用于求解多目标优化问题,提出一种双向搜索机制,指导粒子向着搜索空间中非劣目标区域以及粒子分布最为稀疏的区域这两个方向进行寻优,进而提出了求解多目标优化问题的基于粒子群优化算法的双向搜索法,该算法对粒子全局最优经验的选择策略以及粒子群的状态更新机制进行了改进。实验研究表明,该算法不仅能快速有效地获得多目标优化问题的非劣最优解集,而且求出的解集具有良好的分布性。     

三群粒子群优化算法及其在丙烯腈收率软测量中的应用

提出了一种三群粒子群优化算法（THSPSO, three sub-swarms particle swarm optimization）．该算法将整个粒子群分为三群，第一群粒子朝全局历史最优方向飞行，第二群粒子朝着相反方向飞行，第三群粒子在全局历史最优位置周围随机飞行．分别将该算法和基本粒子群优化算法（PSO, particle swarm optimization）用于一些常用测试函数的优化问题；结果表明,与PSO相比，THSPSO具有更好的优化性能．然后，用THSPSO训练神经网络，并将其用于丙烯腈收率软测量建模，结果显示了三群粒子群优化算法在丙烯腈软测量建模中的可行性与有效性．     

混沌变异粒子群优化算法及其应用研究

为克服粒子群优化算法容易陷入局部最优值的缺点,提出了基于变异思想的粒子群优化算法,为提高粒子群优化算法的计算精度,利用混沌运动随机性、遍历性的特点,提出了一种基于混沌思想的改进粒子群优化算法,进而提出了基于混沌变异的改进粒子群优化算法(CMPSO).基于几种典型benchmark函数的测试研究结果表明,该算法与基本PSO算法和遗传算法相比,较好地克服了早熟收敛,提高了算法的搜索精度.将该算法应用于水库优化调度问题中,所得结果优于标准粒子群优化算法和遗传算法,这也验证了混沌变异粒子群优化算法的有效性.     

基于改进粒子群算法的多阈值灰度图像分割

针对粒子群协同学习优化算法和粒子群综合性学习优化算法中的粒子更新规则不灵活问题,提出了一种新的粒子群多阈值灰度图像分割算法。该算法中的粒子更新策略能够根据粒子状态随时改变:迭代前期,粒子速度会不断增加以便加快搜索最优解;迭代后期,粒子速度开始变慢以便搜索更广区域,避免陷入局部最优;当粒子陷入局部最优时,让该粒子根据选出的榜样粒子学习,以便逃出局部最优。另外评价粒子最优解的目标函数采用的是图像指数熵。仿真实验结果表明改进的粒子群阈值优化算法在单阈值和多阈值情况下解决了传统熵算法执行效率低和粒子群优化算法更新规则不灵活易于陷入局部最优问题,分割结果非常好,而且稳定、高效。     

基于自然选择的线性递减权重PSO与Taylor算法的TDOA协同定位算法研究

针对Taylor算法进行TDOA定位时,其初始估计位置的误差易导致Taylor算法不收敛和定位精度差的问题,提出一种基于自然选择的线性递减权重粒子群优化（W-SPSO）与Taylor算法协同定位的方法。该方法先通过W-SPSO算法得到一个初始估计位置（x,y）,再通过Taylor算法在（x,y）处进行迭代运算得到最终定位结果。不同噪声情况下的仿真结果显示：W-SPSO与Taylor算法协同定位方法对MS坐标估计值的均方差（RMSE）小于标准PSO（粒子群优化）、SelPSO（基于自然选择的粒子群优化算法）、W-SPSO、Taylor以及Chan五种算法的RMSE。因此,所提出的定位方法在保留了SelPSO算法求解精度和收敛性的基础上,同时提高了全局搜索能力,使其具有更高的定位精度和收敛性。     

基于飞行理论萤火虫算法的TDOA与GROA定位机制

节点定位是无线传感器网络中最为关键的一项技术。针对无源定位的问题,提出一种到达时间差(TDOA)和到达信号增益比(GROA)联合定位算法,并且采用飞行机制的萤火虫算法(GSO)来求得最终结果。结合TDOA和GROA定位模型,引入辅助变量将方程伪线性化,然后采用修正两步加权最小二乘算法(TSWLS)来进行求解。并且在不影响收敛速度和精度的前提下,采用带有飞行机制的GSO算法来寻求目标定位的最优解,克服粒子群算法易陷入局部最优的缺点。仿真结果表明,该算法相比较TDOA算法而言,定位精度提高了23 dB,并且具有相对较高和较稳定的定位精度。     

基于EM算法和PSO算法的混合优化算法

针对粒子群优化算法容易陷入局部最优解并且存在过早收敛的问题,将类电磁机制算法中的吸引-排斥机制引入到粒子群优化算法中,提出一种类电磁机制算法和粒子群优化算法的混合优化算法(EMPSO).首先按照基本粒子群优化算法的寻优方式对各粒子进行更新,再利用类电磁机制中的吸引-排斥机制对个体最优粒子和群体最优粒子进行移动,最后通过几个标准测试函数进行了测试,并与标准粒子群算法(PSO)、免疫粒子群算法(IPSO)、混沌粒子群算法(CPSO)进行对比.测试结果表明,改进算法提高了全局搜索能力和熟练速度,改善了优化性能.     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

非视距环境下的超宽带室内定位算法

为了进一步提高超宽带技术在非视距室内环境中的定位精度,研究了抑制非视距误差的定位算法。首先,对非视距环境下的TDOA定位模型进行重构;其次,推导出非视距情况下均方根时延拓展的统计模型,获得附加时延参数的估计值,对TDOA测量误差参数校正;最后,通过最小二乘法初步估计出目标节点位置,将其作为粒子群算法的初始值进行智能粒子群算法求最优解,惯性权重在迭代中按照高斯函数的策略变化。仿真结果表明本文提出的优化算法可有效减弱非视距误差在复杂室内环境中定位的影响,进一步提高定位精度和算法的收敛速度。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

A hybrid biogeography-based optimization algorithm for job shop scheduling problem

In this paper, a hybrid biogeography-based optimization (HBBO) algorithm has been proposed for the job-shop scheduling problem (JSP). Biogeography-based optimization (BBO) is a new bio-inpired computation method that is based on the science of biogeography. The BBO algorithm searches for the global optimum mainly through two main steps: migration and mutation. As JSP is one of the most difficult combinational optimization problems, the original BBO algorithm cannot handle it very well, especially for instances with larger size. The proposed HBBO algorithm combines the chaos theory and “searching around the optimum” strategy with the basic BBO, which makes it converge to global optimum solution faster and more stably. Series of comparative experiments with particle swarm optimization (PSO), basic BBO, the CPLEX and 14 other competitive algorithms are conducted, and the results show that our proposed HBBO algorithm outperforms the other state-of-the-art algorithms, such as genetic algorithm (GA), simulated annealing (SA), the PSO and the basic BBO.     

求解工程约束优化问题的PSO-ABC混合算法*

针对包含约束条件的工程优化问题,提出了基于人工蜂群的粒子群优化PSO-ABC算法。将PSO中较优的粒子作为ABC算法的蜜源,并使用禁忌表存储其局部极值,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性规则进行约束处理,将粒子种群分为可行子群和不可行子群,并在ABC算法产生蜜源的过程中保留部分较优的可行解和不可行解的信息,弥补了可行性规则处理最优点位于约束边界附近的问题时存在的不足。四个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。     

基于随机漂移粒子群算法的WSNs节点定位

提出了随机漂移粒子群优化（RDPSO）算法,并将该算法应用于接收信号强度指示（RSSI）定位算法中,以降低由RSSI测距产生的定位误差.在仿真实验中,分别比较了基于RDPSO和PSO的RSSI定位算法.实验结果表明：RDPSO算法是在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法收敛速度快,稳定性能好,精度高,适用于WSNs节点定位问题.     

基于次锚节点的无线传感器网络改进加权质心定位算法

针对加权质心定位算法（ WCLA）对锚节点数量要求较高和定位精度较低的缺陷,提出一种基于次锚节点的改进加权质心定位算法（ IWCLA-SAN）。该算法在加权因子中引入修正系数,以提高定位精度;同时,将基于粒子群优化（ PSO）的定位算法的未知节点升级为次锚节点,在锚节点数量有限的情况下,以提高定位精度和定位覆盖率。仿真结果表明：该算法能有效提高定位精度和定位覆盖率。     

基于改进粒子群算法的无线传感器网络节点定位

针对传统距离矢量-跳数(DV-Hop)算法中最小二乘法的估计误差过大、粒子群(PSO)算法易陷入局部最优的问题,提出了一种改进粒子群算法与DV-Hop的融合算法。首先从粒子速度、惯性权重、学习策略、变异方面对粒子群算法进行改进,增强算法跳出局部最优的能力,提高迭代后期算法的搜索速度;然后在DV-Hop算法第三阶段采用改进粒子群算法优化节点的定位结果。仿真结果表明:相比传统DV-Hop算法、基于混沌粒子群算法的DV-Hop改进算法(MPSO1-DV-Hop)和基于改进型粒子群优化的DV-Hop算法(MPSO2-DV-Hop),该算法的定位精度高,稳定性好,适用于定位精度和稳定性要求较高的场景。     

基于混合粒子群算法的烧结配料优化

在引入惩罚函数和对目标函数进行适当修改的前提下,充分利用粒子群优化算法的全局搜索能力和约束条件下共轭梯度法的局部搜索能力,设计了烧结配料优化算法．利用惩罚函数方法将约束条件优化问题转化为无约束条件优化问题,然后利用粒子群优化算法进行寻优．当群体最优信息陷入停滞时将目标函数进行适当变化,继续利用共轭梯度法进行寻优．计算结果表明,采用该方法能够在提高混合料中的有用成分、降低有害成分的前提下,更多地降低生产成本．     

一种改进PSO优化RBF神经网络的新方法

为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.     

一种改进细菌觅食优化算法及其在软测量建模中的应用

针对软测量建模中模型参数的优化需求,在分析细菌觅食优化算法(BFOA)和粒子群优化(PSO)算法的基础上,将二者有机结合,提出了一种新型细菌觅食粒子群混合优化算法(BSOA)。该算法将PSO粒子移动的思想引入BFOA,有效解决了BFOA趋向性操作中细菌位置更新的盲目性。将其分别用于典型函数的寻优与成品油研究法辛烷值最小二乘支持向量机(LSSVM)模型参数的优化,仿真结果表明:该方法有效增强了算法的全局寻优能力与收敛速度,并在一定程度上改善了模型的预测精度与泛化能力。