一种基于扰动项的混合粒子群优化算法

为了保持粒子种群的多样性而避免发生"早熟"的问题,本文提出一种基于扰动项混合粒子群优化算法(PSO),该方法通过提高粒子群多样性来提高PSO的收敛性能.首先用标准PSO来迭代,当粒子群失去多样性时,在包含粒子群的超球外随机设置一粒子对全局最优粒子干扰,并在PSO更新公式中加入扰动项来干扰每个粒子.最后将该改进的PSO应用于函数逼近,实验结果验证了本文提出的PSO性能优于几种经典的PSO算法.     

基于改进粒子群算法的三维无线传感器网络节点部署算法

针对水下传感器网络的节点部署问题,提出了一种基于改进粒子群(PSO)算法的三维传感器网络节点部署算法。通过线性调整PSO算法的权重因子,在有效避免节点陷入局部寻优的同时,实现对当前部署区域的全面部署,消除部署后期节点在最佳部署位置附近产生的震荡现象。与虚拟力算法相比,所提算法在较短时间内即可达到最优部署效果,并且在获得较高三维覆盖率的同时,有效地保证了网络节点之间的连通性。     

一种基于权重优化的σ策略的微粒群优化算法

微粒群算法是一种受鸟类和鱼类群体行为启发而产生的一种智能化计算方法,针对微粒群算法易于陷入局部最优的缺点,对标准PSO算法进行了改进,提出了一种更为简化的PSO算法,即σ-PSO。在σ-PSO中,用相位角的增量代替速度的增量,通过绘制相位角来确定微粒的位置。用这种新的权重优化算法与标准PSO算法对大学生的评价进行仿真的结果进行比较,证明该算法具有一定的优越性。     

一种改进的混沌粒子群优化算法

粒子群优化算法（PSO）自提出以来,已经被广泛地应用于求解各类复杂的优化问题,过去对粒子群算法的研究主要集中在融入新的优化方法或对其相关参数进行调整,但这样只会使得PSO更加复杂.针对这一问题,文中提出一种改进的混沌粒子群优化算法（ICPSO）,ICPSO从粒子群优化算法的时间与寻优实时角度出发（即在较短的时间内获得较好的解）,对粒子速度更新算子进行了简化,每隔一定代数后,在最优解邻近区域引入混沌扰动以避免种群陷入局部最优解.数值实验结果表明：提出的算法相对于文献给出的PSO改进算法,不仅能够获得较好的最优解,而且还具有较快的收敛速度和较好的稳定性.     

一种新的混沌粒子群优化算法

针对粒子群优化算法(PSO)缺少跳出局部最优的机制而易出现早熟问题,提出一种新的混沌粒子群优化算法(NCPSO).该算法引入混沌扰动更新粒子的位置,避免搜索陷入局部最优,再嵌入判断早熟停滞的方法,一旦检测到早熟现象,使用逃逸策略来增大粒子群的多样性.最后用3个常用的测试函数进行仿真,实验结果表明:NCPSO算法比PSO算法、CPSO算法有更高的寻优精度和更快的收敛速度.     

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。     

基于改进PSO理论的二维Otsu分割算法

二维Otsu阈值分割方法是图像分割中常用的分割方法,但其算法运算量大,大大限制了实时性要求,为此,提出了一种基于改进PSO理论的二维Otsu分割算法。首先从二维Otsu算法基本理论出发应用有智能寻优特点的PSO理论来寻找最佳阈值向量,而后又针对传统PSO算法的缺点引入协同分工的合作思想来寻找最佳的分割阈值。实验证明,应用改进的PSO理论的二维Otsu算法不仅能够正确地寻找到阈值,还大大提高了计算速度,是一种高效快速的分割方法。     

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。     

FIR滤波器设计：基于PSO优化算法的频率采样法

粒子群优化算法(PSO)是一种具有智能优化进化计算技术。该算法基于对鸟群活动行为观察,利用群体中的个体对信息的共享这一特点,使整个群体活动的问题求解空间中产生的一种从无序到有序的演化过程,从而获得最优解。文中介绍了PSO在频率采样技术中的应用。结合PSO算法,将滤波器过渡带样本值作为优化变量,通过PSO算法确定的频率过渡带样本值是最优的。     

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。     

基于改进粒子群算法的稀布阵列优化设计

针对稀布线阵的阵元位置优化问题,提出了一种基于改进的自适应粒子群算法的稀布阵综合新方法。该方法首先采用自适应策略,根据粒子的适应度值自适应地调整其惯性权重和学习因子,提高了种群的寻优能力;然后对粒子群算法的速度更新公式进行了修正,保证了速度的有效更新;在算法停滞时,通过引入交叉策略进一步加快了算法的收敛速度。该方法高效地实现了多约束稀布线阵的综合,获得了更低的峰值旁瓣电平,数值仿真验证了算法的有效性。     

具有异构分簇的粒子群优化算法研究

 粒子群优化(Particle Swarm Optimization,PSO)算法在复杂多峰函数可行域空间搜索时极易陷入局部极值点.研究表明改变种群拓扑结构和调整算法参数有助于改善种群的多样性,但是目前研究中少有同时考虑种群全局拓扑结构和局部粒子个体能力.本文提出一种具有异构分簇特性的自适应PSO算法.该算法采用K-均值聚类算法对种群进行动态分簇,形成多异构子群,并采用Ring型拓扑结构进行子群间信息流通.而后采用基于寻解水平评价的粒子自适应参数调整策略进行个体调整.通过实验分析表明该算法能够提高粒子群优化的种群的多样性、粒子活性、搜索能力和收敛性能,同时也降低了算法对参数初值的依赖性.     

基于改进粒子群算法的天线方向图综合技术

针对基本粒子群算法的早熟收敛、易收敛于局部极值的特点，提出一种改进的粒子群优化算法，采用对全局最佳微扰和惯性权重跳变阈值的设置改善了算法的优化速度和收敛精度。经过对一系列测试函数的计算，证明该方法具有良好的优化效果。最后，给出了该方法应用于阵列天线方向图综合中的模型和仿真实例。     

基于混沌粒子群算法的宽零陷方向图综合方法

自适应阵列天线常需要采用宽零陷技术,以增强阵列天线抗干扰的稳健性。为此,提出了一种基于混沌粒子群算法（CPSO）的阵列天线宽零陷方向图综合方法。该算法首先采用混沌序列初始化粒子位置,以增强搜索多样性,并在对部分非优胜粒子的位置更新时引入混沌扰动项,在每次迭代中对全局最优位置进行变尺度混沌优化,提高了全局和局部搜索能力,加快了收敛速度。仿真结果验证了混沌粒子群算法在阵列天线宽零陷方向图综合时的收敛速度和精度方面均优于标准粒子群算法。     

A Modified Particle Swarm Optimizer and its Application to the Design of Microwave Filters

In this paper, a modified particle swarm optimization (PSO) algorithm is presented and its applicability is shown for the design of specific microwave filter as a case study of microwave components. In the proposed modified PSO algorithm, particles in the swarm are divided to form multiple sub-swarms. The social component of PSO’s velocity update equation is modified to include the effects of multiple sub-swarms. Five benchmark functions have been considered for testing the proposed algorithm. The approach has been tested for two basic modifications of PSO namely PSO with inertia weight (IW) and PSO with constriction factor method (CFM). The simulated results illustrate that the modified PSO algorithm has the potential to converge faster, thus reducing the computational expenses, while maintaining/improving the quality of solution. Finally, the proposed algorithm is used for the design of coupled microstrip line band pass filter which is a computationally expensive process when the design is conducted using evolutionary algorithms and electromagnetic (EM) simulation tools.     

Craziness based particle swarm optimization algorithm for IIR system identification problem

In this paper a variant of particle swarm optimization (PSO), called craziness based particle swarm optimization (CRPSO) technique is applied to the infinite impulse response (IIR) system identification problem. A modified version of PSO, called CRPSO adopts a number of random variables for having better and faster exploration and exploitation in multidimensional search space. Incorporation of craziness factor in the basic velocity expression of PSO not only brings diversity in particles but also ensures convergence to optimal solution. The proposed CRPSO based system identification approach has alleviated from the inherent drawbacks of premature convergence and stagnation, unlike real coded genetic algorithm (RGA), particle swarm optimization (PSO) and differential evolution (DE). The simulation results obtained for some well known benchmark examples justify the efficacy of the proposed system identification approach using CRPSO over RGA, PSO and DE in terms of convergence speed, unknown plant coefficients and mean square error (MSE) values produced for both the same order and reduced order models of adaptive IIR filters.     

一种基于分布估计的离散粒子群优化算法

 本文提出了一种基于分布估计的离散粒子群优化算法.提出的新算法突破了传统粒子群速度-位移搜索模型的局限,且种群中的每个粒子具有更全面的学习能力,从而能够有效地解决组合优化问题.仿真实验结果表明提出的新算法的性能优于现有的其它几种离散粒子群优化算法.     

基于余弦距离的多目标粒子群优化算法

针对粒子群优化算法具有的个体分布不均匀以及重复个体较多等缺陷,提出了一种基于余弦距离的多目标粒子群优化算法,该算法根据外部精英存储策略,利用余弦距离排挤机制来选取最分散的粒子,扩大 Pareto最优解集的收敛性和多样性,增强算法的全局寻优能力。通过采用标准多目标优化问题ZDTl～ZDT3进行仿真实验与粒子群算法、混沌粒子群算法、基于拥挤距离的多目标优化算法对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于基于拥挤距离排挤机制,并具有较高的效率     

一种多粒子群的协同优化算法

提出了一种多个粒子群优化的协同方法（MPSCO）。该算法用多个粒子群同时进化搜索，各粒子群定期交流信息，每经过若干代后相互交换各自的全局最优解，这样就使各粒子群在搜索过程中借鉴了其他粒子群的搜索成果，使搜索更具全局性。通过对Griewank函数等4个标准函数做优化测试，MPSCO的性能明显优于基本PSO。