结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.     

多策略差分进化的元胞多目标粒子群算法

为了增加Pareto解集的多样性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种多策略差分进化的元胞多目标粒子群算法.该算法在分析粒子群优化原理基础上,将元胞自动机理论融入粒子群算法,研究粒子种群的交流结构和信息传递机制.为了避免粒子飞行速度过快陷入局部收敛,提出一种限制粒子飞行速度的策略,并引入一种多策略差分进化选择算子增加对粒子的扰动.实验证明,该算法相对于比较算法,有更好的收敛性和多样性.     

雷达干扰资源的粒子群分配技术研究

粒子群算法是一种群智能的优化算法,其理论来源于人工生命和演化计算理论.该论文建立了雷达干扰资源分配的数学模型,基于粒子群算法,采用了交叉策略.为了避免陷入局部最优,该论文还采用了进化策略,从而改进了粒子群分配技术.最后,仿真实现了干扰资源的优化分配并详细分析了仿真结果.     

新的自适应免疫量子粒子群优化算法

为了克服粒子群优化算法早熟收敛以及粒子在进化过程中缺乏很好的方向指导的问题,算法中采用了量子技术以及免疫机制来提高粒子群的收敛速度和寻优能力,从而获得了一个新的自适应免疫量子粒子群优化算法.仿真试验表明该算法具有较好的性能.     

基于单纯形法的量子粒子群优化算法

针对粒子群优化算法容易陷入局部极值点,进化后期收敛慢和优化精度较差等缺点,提出了将单纯形搜索法与量子粒子群算法混合的改进算法,更好的平衡了全局搜索和局部搜索能力.仿真结果表明,该算法效率高、优化性能好,其性能远远优于一般的粒子群算法与量子粒子群算法.     

基于粒子群优化的反潜搜索研究

在分析目前反潜搜索现状的前提下,提出了使用粒子群优化算法进行反潜搜索,并针对基本粒子群优化算法存在早熟和后期收敛速度慢的局限性,对个体极值实行高斯变异,并使惯性因子随进化代数自适应调节,提高了全局搜索能力和后期收敛速度,改进了粒子群优化算法的潜艇搜索策略.经过实验验证,本算法可以有效地提高反潜搜索效率.     

基于模拟退火粒子群优化的粒子滤波算法

本文提出一种基于模拟退火粒子群优化的粒子滤波新算法,该算法基于一个高斯分布来不断更新粒子,采用随机概率扰动的方式作为粒子群算法的全局极值更新条件,增加了全局最优区域的搜索能力,避免了粒子过早的"趋同性",仿真实验结果表明,算法克服了粒子退化问题,提高了预估精度,预估性能优于传统的粒子滤波方法。     

一种基于动态边界的粒子群优化算法

2007年提出的标准粒子群优化算法(PSO-2007)在进化的后期容易出现停滞现象而导致早熟收敛,为此本文提出了一种基于动态边界的粒子群优化算法(DBPSO).该算法根据停滞期粒子运动的特点,将边界动态调整策略引入到PSO-2007中,通过跟踪粒子飞行位置的分布动态调整搜索空间的边界,引导粒子在更有效的区域内进行搜索,从而减轻早熟收敛,提高收敛精度.典型测试函数的求解实验结果表明DBPSO是可行而有效的.     

巨量二维粒子群分组协同算法

针对传统粒子群算法对巨量粒子群收敛时间长且易于陷入局部收敛的现象,提出一种分组协同粒子群优化算法,在巨量粒子群搜索过程中对粒子群进行编组分别独立进化,并针对进化过程中新进的粒子群进行再编组参与进化。在搜索过程中各组的粒子动态的变化,有新加入的粒子也有进入临界区间的粒子,等待各组粒子都进入到临界区间后对所有粒子进行整合再搜索,粒子从分组再到整合可以有效地避免粒子陷入局部收敛,此外再搜索的过程中粒子分布比较集中,则会有较快的收敛速度。文中首先对粒子群模型进行了定义,然后具体描述了粒子群搜索过程中的分组算法,最后对算法进行了验证分析,证明了算法的有效性。     

混沌粒子群优化粒子滤波算法

针对基于粒子群优化算法的粒子滤波计算复杂度大,并且容易陷入局部最优,提出了一种新的基于混沌的粒子群优化粒子滤波算法。该算法在粒子群优化的基础上,引入混沌序列,利用混沌运动的遍历性、随机性等特点改善了初始样本的质量,同时利用混沌扰动避免搜索过程陷入局部最优,使算法具有更快的收敛速度和更好的全局搜索能力。最后利用UNGM模型将该算法与标准粒子滤波和粒子群粒子滤波进行仿真对比,并利用纯角度目标跟踪模型验证了算法的有效性。实验结果表明,该算法改善了粒子群优化算法的粒子滤波易陷入局部最优的现象,提高了粒子滤波的精度和速度,具有较高的应用价值。     

混合粒子群和差分进化的定位算法

针对传统无线传感器网络(wireless sensor network,WSN)中节点定位精度不高的问题,提出了一种混合粒子群(particle swarm optimization,PSO)和差分进化优化(differential evolution,DE)算法。首先在PSO中引入惯性权重的自适应更新策略,以兼顾开发和勘探能力,在种群经过PSO进化后,然后根据提前设定的阈值,将其分为适应度值较大的Su种群和适应度值较小的In种群,In中的粒子使用DE算法继续优化。HPSO-DE算法结合PSO算法和DE算法的优点,达到较好的性能。然后用标准测试函数来检测该算法的性能,验证结果表明所提出的HPSO-DE在寻优速度和收敛精度较PSO和DE而言都有了较大提高。接下来将HPSO-DE方法应用到WSN网络节点定位场景上,从实验测试结果可以看出,其精度相比PSO平均提高了0.5 m左右,在定位上具有更大的优势。     

基于多尺度选择性学习和探测-收缩机制的PSO算法

针对粒子群算法逃离局部最优能力差、易早熟收敛、求解精度低等缺点,提出了一种具有多尺度选择性学习和探测-收缩机制的PSO 算法.在多尺度选择性学习机制中,粒子根据其自身进化状态在拓扑结构、邻居个体、目标变量维等多个尺度上进行选择性学习,提升粒子个体的学习效率;在探测-收缩机制中,算法利用历史信息指导种群最优解进行探测,提高其逃离局部最优的能力,当判断种群历史最优解处于全局最优解附近时,执行空间收缩策略,将种群的搜索空间限定在较小的一个区域,增强算法的开采能力,提高算法的求解精度.通过和其它PSO算法在22个典型测试函数的实验对比表明,本算法能有效克服早熟收敛、加快收敛速度、提高求解精度.     

基于混合PSO算法的加速度计快速标定

针对粒子群优化算法(PSO)在加速度计标定中存在早熟及陷入局部最优的不足,提出了基于差分进化(DE)的双种群信息共享及并行进化的混合PSO算法,并将该算法应用于加速度计快速标定。为提高混合算法的优化性能,提出了一种平衡DE算法全局探索和局部开发能力的加权变异算子,将Logistic函数的非线性特性引入到PSO算法惯性权重和DE算法加权系数的动态调整中。基准测试函数仿真表明所提出的混合算法在收敛速度、收敛精度、全局搜索性能和鲁棒性等方面明显优于PSO、DE算法;加速度计标定仿真结果表明,提出的混合算法能有效提高加速度计的标定精度。     

基于改进粒子群优化算法的摄像机标定

本文在充分研究多种摄像机标定方法和粒子群优化算法（PSO）的基础上,针对传统PSO算法存在早熟和局部收敛的问题,提出了一种改进的新型粒子群优化算法在摄像机标定中的应用。该算法在基本PSO惯性权重部分加入了收缩因子,很好的改善了算法的收敛性;为了进一步提高优化的速度和可靠性,引入了多适应值函数策略。最后在OpenCV上实现了基于该改进方法的摄相机标定。实验结果表明：该摄像机标定方法有效提高了原有张正友平面标定法的标定精度,结果稳定可靠,具有一定的工程应用价值。     

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.     

参数自适应混沌粒子群算法在盲源分离中的应用

独立分量分析(ICA)是盲源信号分离中应用最为广泛技术,其应用过程需要对目标函数进行优化,传统粒子算法(PSO)对其进行优化时,存在易陷入局部最优、稳定性差等缺陷,针对此问题,提出采用参数自适应混沌粒子群算法对ICA进行优化.首先采用对PSO的参数进行自适应调整,提高粒子的搜索能力,然后对粒子群进行混沌扰动,提高算法收敛速度.仿真结果表明,使用参数自适应混沌粒子群算法可以有效解决ICA的目标函数优化问题,极大提高了盲源信号的分离效果.     

基于改进粒子群算法的无线传感网络覆盖优化

针对传统粒子群算法容易陷入早熟陷阱而导致无线传感网络(WSN)的覆盖优化效果欠佳的现象,提出一种引入种子杂交策略的粒子群优化(PSO)改进算法。通过将前期的PSO算法寻优与后期的种子杂交策略相结合,从而完成覆盖性能的优化。综合理论分析与实验仿真可知,相比于其他算法,本文算法改善了覆盖率与RD指标,在改善网络覆盖性能方面具有一定优势。     

Scheduling strategy for science workflow with deadline constraint on multi-cloud

In view of the deadline-constrained scientific workflow scheduling on multi-cloud,an adaptive discrete particle swarm optimization with genetic algorithm (ADPSOGA) was proposed,which aimed to minimize the execution cost of workflow while meeting its deadline constrains.Firstly,the data transfer cost,the shutdown and boot time of virtual machines,and the bandwidth fluctuations among different cloud providers were considered by this method.Secondly,in order to avoid the premature convergence of traditional particle swarm optimization (PSO),the randomly two-point crossover operator and randomly one-point mutation operator of the genetic algorithm (GA) was introduced.It could effectively improve the diversity of the population in the process of evolution.Finally,a cost-driven strategy for the deadline-constrained workflow was designed.It both considered the data transfer cost and the computing cost.Experimental results show that the ADPSOGA has better performance in terms of deadline and cost reducing in the fluctuant environment.     

基于鲶鱼粒子群优化算法的认知无线电频谱分配

目前亟待解决如何获得认知无线电系统效益最大化问题,而求解最优频谱分配方法是一项关键技术,针对传统粒子群(PSO)算法收敛速度慢、易陷入局部最优解等缺陷,提出一种基于鲶鱼粒子群算法(CE-PSO)的认知无线电频谱分配方法。首先建立认知无线电频谱分配优化的数学模型,然后以用户取得的效益最大化为优化目标,引入"鲶鱼效应",保持粒子群的多样性,通过粒子间信息交流找到空闲频谱最优分配方案,最后采用仿真实验测试CE-PSO算法的有效性。结果表明,CE-PSO算法克服了PSO算法的缺陷,可以快速、准确地寻找到最优频谱分配方案,更好地实现系统效益的最大化,可以满足认知无线电系统的应用需求。