基于混沌粒子群优化的图像相关匹配算法研究

该文将混沌优化搜索技术应用于粒子群优化算法(PSO),提出了一种基于混沌搜索的粒子群优化算法(CPSO),该算法利用了PSO算法的收敛快速性和混沌运动的遍历性、随机性等特点,采用混沌初始化粒子初始位置,在运行过程中根据粒子群适应度的方差来自适应混沌更新粒子位置。几种典型函数的测试结果表明:CPSO提高了对多维空间的全局搜索能力,并可以有效避免早熟现象。将该方法用于图像相关匹配算法,提出了一种新的基于CPSO的图像相关匹配算法。实验结果证明该方法对解决噪声情况下的图像匹配问题十分有效。     

基于混沌粒子群优化的图像相关匹配算法研究

该文将混沌优化搜索技术应用于粒子群优化算法（PSO）,提出了一种基于混沌搜索的粒子群优化算法（CPSO）,该算法利用了PSO算法的收敛快速性和混沌运动的遍历性、随机性等特点,采用混沌初始化粒子初始位置,在运行过程中根据粒子群适应度的方差来自适应混沌更新粒子位置。几种典型函数的测试结果表明：CPSO提高了对多维空间的全局搜索能力,并可以有效避免早熟现象。将该方法用于图像相关匹配算法,提出了一种新的基于CPSO的图像相关匹配算法。实验结果证明该方法对解决噪声情况下的图像匹配问题十分有效。     

车间调度问题的量子粒子群优化算法设计

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,将量子粒子群优化算法用于求解车间调度问题,按照量子粒子群优化算法的进化规则在调度空间内搜索最优解,并对量子粒子群算法的参数选择进行了研究。以典型的Job-Shop调度问题作为实验对象,实验结果表明QPSO算法相对PSO算法具有较好的全局搜索能力。     

基于量子粒子群优化算法的光纤光栅参数重构

提出了一种基于量子粒子群优化算法的光纤光栅参数重构方法。该方法通过传输矩阵法得到优化目标函数,并将待优化的光纤光栅参数以粒子表示,再让粒子在解空间模拟量子行为进行搜索。以均匀布拉格光栅和线性啁啾光纤光栅为例,分别采用遗传算法(GA)、经典粒子群优化(PSO)算法以及量子粒子群优化(QPSO)算法对其进行参数重构。与传统粒子群算法及遗传算法相比,该方法借鉴了量子行为,具有更好的收敛性能和稳态性能。数值结果表明,种群规模为40时,针对均匀和非均匀光栅分别进化100代和200代得到的重构参数误差均小于0.5%。     

基于SOM和PSO的聚类组合算法

自组织映射（SOM）算法和粒子群优化（PSO）算法拥有概念简明、实现方便、收敛速度快、参数设置少,自组织自适应的特点。为了提高聚类效果,提出一种基于SOM和PSO的聚类组合算法SOM／PSO算法。先用SOM算法对UCI数据集中的数据进行聚类,然后以SOM的输出权值初始化PSO的粒子位置,再用PSO聚类算法进行聚类。实验结果表明所提出算法能够改进聚类性能,有很好的全局收敛性,不易陷入局部最优,也不会出现空簇现象。     

粒子对算法在图像矢量量化中的应用

本文给出了一种新的图像矢量量化码书的优化设计方法——粒子对算法.在传统粒子群优化(Particle Swarm Optimization,PSO)算法的基础上,用两个粒子构成了群体规模较小的粒子对,在码书空间中搜索最佳码书.在每次迭代运算中,粒子对按先后顺序执行PSO算法中的速度更新、位置更新操作和标准LBG算法,并用误差较大的训练矢量代替越界的码字.此算法避免粒子陷入局部最优码书,较准确地记录和估计每个码字的最佳移动方向和历史路径,在训练矢量密集区域和稀疏区域合理地分配码字,从而使整体码书向全局最优解靠近.实验结果表明,本算法始终稳定地取得显著优于FKM、FRLVQ、FRLVQ-FVQ算法的性能,较好地解决了矢量量化中初始码书影响优化结果的问题,且在计算时间和收敛速度方面有相当的优势.     

改进的粒子群优化算法

提出了改进的粒子群优化算法。基于4个不同的基准函数对所提算法与1995年Kennedy和Eberhart提出的常规PSO作了比较。PSO最初是受到如鸟或鱼等生物群体的社会行为的启发而提出的,每一个体依照自身及群体的过去解决问题的最好办法来调整自己的最佳位置,通过重复这一过程来得出最佳值。这里提出的改进的PSO的关健之处在于:如果一个新的位置确实得到了改善,则每一个体就调整它的位置;如果不是这样,就根据概率来做出决定。这一策略是既避免盲目跳转又避免只简单地跳转到好的新位置而陷入局部最优。模拟结果表明改进的PSO总能比PSO找到更好的解决方法。     

求解连续空间优化问题的量子粒子群算法

为提高粒子群算法的搜索能力和优化效率并避免早熟收敛,将量子进化算法融合到粒子群算法中,提出一种求解连续空间优化问题的量子粒子群优化算法.用量子位的概率幅对粒子位置编码,用量子旋转门实现粒子移动,完成粒子搜索;用量子非门实现变异,提高种群多样性.因每个量子位有两个概率幅,故每个粒子同时占据空间两个位置,在粒子数目相同时,能加速粒子的搜索进程.实验结果表明,本算法优于基本粒子群算法.     

求解多输入多输出检测新算法——遗传粒子群优化

设计两种基于粒子群优化算法(PSO)和基于遗传算法(GA)的多输入多输出(MIMO)系统检测算法.提出一种新的融合GA和PSO进化机制的遗传粒子群进化(GPSO)算法,并将其应用于MIMO系统检测问题求解.新算法改善了初始化种群,并将每一代粒子划为精英粒子、次优粒子和糟糕粒子三部分,对这三种粒子分别采用极值扰动、PSO...     

粒子群优化算法的研究现状与发展概述

粒子群优化算法(PSO)是基于群体智能的一种优化算法。该算法简单易于实现,可调参数少,得到了广泛的研究和飞速发展。介绍了PSO提出的背景、PSO的思想和原理,分析并总结了PSO的优缺点。根据PSO算法研究侧重点的不同,总结了PSO算法的发展现状及特点,分析并展望了PSO还需要完善或继续研究的问题,展望了PSO的研究热点及发展趋势。     

Enhancement of Particle Swarm Optimization by Stabilizing Particle Movement

We propose an improvement of particle swarm optimization (PSO) based on the stabilization of particle movement (PM). PSO uses a stochastic variable to avoid an unfortunate state in which every particle quickly settles into a unanimous, unchanging direction, which leads to overshoot around the optimum position, resulting in a slow convergence. This study shows that randomly located particles may converge at a fast speed and lower overshoot by using the proportional‐integralderivative approach, which is a widely used feedback control mechanism. A benchmark consisting of representative training datasets in the domains of function approximations and pattern recognitions is used to evaluate the performance of the proposed PSO. The final outcome confirms the improved performance of the PSO through facilitating the stabilization of PM.     

基于VB和Access的温度采集系统的设计与实现

针对函数优化问题,提出了一种基于离差平方和法的粒子群优化算法。该算法用混沌序列初始化粒子的位置和速度,选择好于粒子群优化算法产生的粒子位置。通过离差平方和法进行聚类,利用分类方式来更新粒子的速度。最后将算法应用到3个典型的函数优化问题中,数值结果比较表明,提高了算法搜索能力,全局最优解的精度和收敛速度。     

基于PPSO-GRADS算法的盲信号分离

该文将联姻策略应用在粒子群算法中,提出一种并行分阶段的基于粒子群优化算法的盲信号分离方法(PPSO-GRADS)。该算法具有收敛速度快,分离精度高的特点。通过仿真证明该算法比未使用联姻策略的粒子群算法有更好的性能,在收敛速度和分离效果上比传统的梯度算法,遗传算法都有较明显的改善。     

Adaptive Multi-layer Particle Swarm Optimization with Neighborhood Search

Particle swarm optimization (PSO) has shown a good performance on solving global optimization problems.Traditional PSO has two main drawbacks of premature convergence and low convergence speed,especially on complex problems.This paper presents a new approach called Adaptive multi-layer particle swarm optimization with neighborhood search (AMPSONS),where the traditional PSO is improved by employing an adaptive multi-layer search and neighborhood search strategy to achieve a trade-off between exploitation and exploration abilities.In order to evaluate the performance of the proposed AMPSONS algorithm,the performance of AMPSONS is compared with five other PSO family algorithms,namely,CLPSO,DNLPSO,DNSPSO,global MLPSO and local MLPSO on a set of benchmark functions.The comparison results show that AMPSONS has a promising performance on majority of the test functions.     

Nodes organization for channel assignment with topology preservation in multi-radio wireless mesh networks

The wireless mesh network is a new emerging broadband technology providing the last-mile Internet access for mobile users by exploiting the advantage of multiple radios and multiple channels. The throughput improvement of the network relies heavily on the utilizing the orthogonal channels. However, an improper channel assignment scheme may lead to network partition or links failure. In this paper we consider the assignment strategy with topology preservation by organizing the mesh nodes with available channels, and aim at minimizing the co-channel interference in the network. The channel assignment with the topology preservation is proved to be NP-hard and to find the optimized solution in polynomial time is impossible. We have formulated a channel assignment algorithm named as DPSO-CA which is based on the discrete particle swarm optimization and can be used to find the approximate optimized solution. We have shown that our algorithm can be easily extended to the case with uneven traffic load in the network. The impact of radio utilization during the channel assignment process is discussed too. Extensive simulation results have demonstrated that our algorithm has good performance in both dense and sparse networks compared with related works.     

基于改进QPSO算法的阵列天线方向图综合

 针对传统智能方法在方向图综合中易于早熟和局部寻优能力不足等缺陷,在基于量子位概率幅编码的量子粒子群优化算法(QPSO)的基础上,设计一种进行收敛停滞检测,并对粒子选择性变异的新量子粒子群算法,然后将其应用于阵列天线方向图综合.仿真结果表明,在多零点和低旁瓣约束情况下新算法均可以取得良好的优化效果,而且该算法相对于近邻粒子群算法(NPSO)和免疫克隆选择算法(ICSA)来说,在方向图综合中精度更高,速度更快,具有很好的推广能力.     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

基于进化计算的二元序列优化算法研究

具有良好非周期自相关特性二元序列在通信同步、雷达等领域具有广泛的应用。通过对遗传算法、粒子群算法与量子粒子群算法三种进化算法进行对比分析,设计了具有良好非周期自相关特性的二元序列的搜索算法。研究结果表明,粒子群算法的搜索能力优于遗传算法,而量子粒子群算法具有参数少,易于控制的优点,取得了较好的优化结果。     

基于粒子群优化和免疫Agent的入侵检测算法研究

为解决传统入侵检测系统检测速度慢和误检率高的问题,结合量子粒子群优化算法、免疫原理和移动A-gent技术,提出了基于粒子群优化算法和免疫Agent的入侵检测模型.介绍了系统模型与体系结构,并对系统性能进行仿真实验.实验结果对比表明,系统能提高传统入侵检测系统的检测速度和降低误检率.