基于免疫量子粒子群优化的属性约简

受生物免疫系统启发,把疫苗提取和疫苗接种思想应用到量子粒子群算法,提出了免疫量子粒子群算法。免疫接种可以指导粒子朝着更优方向进化,提高了量子粒子群的收敛速度和寻优能力。分别采用Hu算法、粒子群算法、量子粒子群、免疫量子粒子群多种算法应用于粗糙集属性约简。实验结果表明,基于免疫量子粒子群优化的约简算法在收敛速度和寻优能力都取得了更好的效果。     

基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法

针对基于粒子群的属性约简算法易陷入局部最优、效率不高等问题,充分利用小生境技术在寻求最优解方面优势,提出一种基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法（NCNPSO-IAR）。该算法通过圆锥分层空间构造小生境半径邻域子集向量,避免过多地依赖于先验领域知识生成小生境半径和早熟收敛,始终保持种群多样性,提高算法收敛速度。另外粒子种群在圆锥解空间充分进行约简集子矢量的协同学习,使属性约简集较好收敛到最优集。相关仿真实验表明：该属性约简优化算法是高效和鲁棒的,适用于不完备、含噪音决策表的属性约简。     

基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法

针对基于粒子群的属性约简算法易陷入局部最优、效率不高等问题,充分利用小生境技术在寻求最优解方面优势,提出一种基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法(NCNPSO-IAR)。该算法通过圆锥分层空间构造小生境半径邻域子集向量,避免过多地依赖于先验领域知识生成小生境半径和早熟收敛,始终保持种群多样性,提高算法收敛速度。另外粒子种群在圆锥解空间充分进行约简集子矢量的协同学习,使属性约简集较好收敛到最优集。相关仿真实验表明:该属性约简优化算法是高效和鲁棒的,适用于不完备、含噪音决策表的属性约简。     

基于小生境粒子群的属性约简算法

遗传算法（GA）及蚂蚁算法（ACO）等进化属性约简算法,具有全局寻优的优点,但存在算法时间复杂度高,搜索空间大等不足;粒子群（PSO）属性约简算法,虽然可提高求解效率,但易陷入局部最优.本文引入小生境技术,提出基于小生境粒子群的属性约简算法,利用小生境技术造就种群的多样性,使解保持多样化,以此避免粒子群属性约简算法易早熟收敛的缺点.理论分析及实验结果表明,该算法是有效可行的.     

基于TS模糊推理的自适应量子行为粒子群优化算法

为进一步改善量子行为粒子群优化算法的性能,保证搜索过程中粒子群的多样性,本文提出了基于Takagi-Sugeno(TS)模糊推理的自适应量子行为粒子群优化算法。该算法利用群体分布和搜索进程信息,通过TS模糊推理,动态调整算法参数及迭代方式,提升种群在更大空间搜索的能力,减少陷入局部最优的几率,并通过若干标准测试函数仿真和威氏(Wilcoxon)符号秩次检验。研究结果表明,与传统的粒子群优化算法相比,自适应量子行为粒子群优化算法性能更好,不但迭代初期收敛快,而且能收敛到理论最优值,尤其对复杂高维函数的优化问题更有效。该研究改善了量子行为粒子群优化算法的性能。     

基于云计算的多层量子精英属性协同约简算法

针对传统粗糙集属性约简算法无法高效处理日益增长的大数据问题,提出了一种基于云计算的多层量子精英属性协同约简算法。该算法首先在云计算MapReduce模型下将大规模数据集划分到不同的进化蛙群中,分别获得各子种群最优解;然后构造一种基于多层量子蛙群精英向量的属性协同约简策略,挑选出具有全局搜索和局部精化最强优化能力的精英子种群向量,快速引导各子种群找到各自最小属性约简集,从而取得大规模数据集的全局最优属性约简集。实验结果表明本文算法在大规模数据集上求解全局最优属性约简解的效率和精度具有明显优势,同时应用于电子病历数据库MRI分割效果表明其具有较强适用性。     

基于动态扰动项的禁忌粒子群优化算法

针对粒子群优化算法后期收敛速度慢,且容易陷入局部最优解的缺点,在算法中加入动态扰动项,改变了速度的更新公式,使粒子可以跳出局部极值.后期引入禁忌搜索算法,充分利用禁忌搜索的记忆能力和爬上能力,能够快速搜索到全局最优解.通过对测试函数的仿真实验表明,采用动态扰动项的禁忌粒子群优化算法更能提高收敛速度,获得全局最优解.     

禁忌粒子群算法

针对基本粒子群算法容易陷入局部最优的缺点,将禁忌搜索算法中的禁忌思想与粒子群算法结合,提出了一种新的粒子群算法——禁忌粒子群算法（TPSO）。该算法将粒子群算法找到的当前最优值禁忌一段时间后再释放,以此避免算法陷入局部最优,即使算法暂时陷入局部最优,该算法跳出局优的能力也很强。实验表明,TPSO在收敛速度以及收敛精度方面都比基本粒子群算法有了很大程度的提高,特别对于多极值问题搜索效果非常好,可以很好的解决算法陷入局部最优的问题。     

基于量子遗传算法的粗糙集属性约简的研究

将粗糙集理论应用于股市的分析与研究,除了采用已有的约简方法进行试验之外,还引入了量子计算与遗传算法相结合的方法来进行粗糙集的属性约简.与其他约简算法不同的是,该算法采用量子旋转门策略来达到全局最优搜索和较高的收敛速度.最后,通过具有代表性的股票数据证明了该方法的有效性和高效性.     

基于新型两阶段混合算法的电力系统无功优化

针对电力系统无功优化领域现有的人工智能算法易早熟和收敛精度不佳的缺点,将萤火虫算法和量子粒子群算法相结合,形成一种新型两阶段混合优化算法。该混合算法采用串联的方法将GSO算法与QPSO算法混合,使两种算法优势互补。在算法迭代前期充分利用萤火虫算法可同时搜索全部局部最优解的特性,保证了寻优的全面性。在迭代中后期,利用量子粒子群算法收敛速度快、解的精度高的特点进行寻优,保证了算法的收敛精度。同时基于黄金分割点理论,引入了群体替代算子,避免了迭代后期算法陷入局部最优。经过算法在IEEE30节点算例中的对比仿真,结果表明:在无功优化领域中,两阶段混合算法的全局搜索能力,收敛速度及精度均优于对比算法。     

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能|采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.     

新型混合粒子群算法在核动力设备优化设计中的应用

针对标准粒子群算法在处理非线性约束优化问题时存在收敛速度慢、精度低和易陷入局部最优的缺点,设计了一种新型混合粒子群算法,该算法采用可行性原则处理约束条件,避免惩罚函数法中惩罚因子选取的困难;引入基本复合形法产生初始可行群体,加快粒子群收敛速度;引入遗传算法的交叉和变异策略,避免粒子群陷入局部最优;在迭代末期的优解附近,进行改进复合形算法的寻优,提高最优解的精度.通过算法测试基准函数的优化计算,结果显示,新型混合粒子群算法有较好的优化性能,并在核动力设备优化设计中有很好的应用.     

基于改进QPSO算法的小波神经网络参数优化

暋针对传统的小波神经网络在参数优化过程中所采用的梯度下降法容易产生局部最优,提出了一种改 进的量子行为PSO 算法。新算法通过在最优平均值的全局搜索点中加入权重系数,用于改善粒子群的全局、局部搜 索能力和收敛速度,当粒子进化到后期,满足早熟条件时,粒子群在该维上发生变异,重新初始化后的位置均匀分布 在可行区域上,用于提高搜索精度。仿真实验结果表明,改进QPSO 算法比常规网络训练方法在寻优能力方面更加 有效。     

电力线多载波系统中自适应资源分配

针对电力线通信系统中应用传统粒子群算法进行比特功率分配存在陷入局部最优值和收敛速度慢的问题,提出了IPSO（improvedparticleswarmoptimization）算法．新算法通过引入遗传算法的交叉和变异操作,克服了传统粒子群算法由早熟收敛而陷入局部最优解的问题,加快了收敛速度．建立了IPSO算法的理论模型,给出了新算法在PLC—OFDM系统中进行比特功率分配的方法．仿真结果表明,在PLC—OFDM系统中应用IPSO算法进行比特功率分配与GA算法和传统粒子群算法相比．可以加快收敛速度．改善系统的信噪比特性．降低系统发射功率．     

改进粒子群算法及其在共形相控阵综合中的应用

在常规粒子群算法的基础上,通过引入新的速度更新算子、自适应边界控制算子和全局最优粒子扰动算子等操作,提出一种改进粒子群优化算法(IPSO); 并将该算法与简单二次插值算法相结合,克服了收敛速度慢,早熟及局部收敛等缺陷．进一步在对球面共形相控阵方向图综合时,引入了修正的波恩斯坦多项式以减少优化的变量,能够有效地加快算法的收敛速度．与常规粒子群算法和遗传算法的比较结果表明,该算法的局部搜索能力和全局搜索能力都有了很大程度的改善,从而证明了该方法在天线阵列综合中的有效性．     

一种新颖的人工鱼群算法

为了克服基本人工鱼群算法(AFSA)收敛速度慢、求解精度不高和易陷入局部最优的不足,提出了一种新颖的人工鱼群算法(AO-AFSA).该算法结合人工鱼与粒子群(PSO)中的粒子都具有个体学习能力和社会学习能力,模拟粒子群中粒子的速度位置更新公式去分别修改人工鱼群算法中人工鱼的觅食行为、聚群行为、追尾行为的更新公式.并采用5个典型的测试函数进行仿真实验,分析算法的寻优精度、收敛速度以及稳定性.测试结果表明改进后的算法能够较快地收敛至全局较优解,有更强的稳定性,并具有较好的寻优性能.     

一种改进的混合粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,把Hooke-Jeeves模式搜索方法作为粒子群优化算法的一个局部搜索算子,嵌入到粒子群算法中,Hooke-Jeeves的强局部搜索能力提高了粒子群优化算法的局部收敛速度和精度,从而提出了一种混合粒子群优化算法。通过基准函数和实例测试进行了验证,结果表明,提出的混合算法的收敛速度和精度均优于粒子群优化算法。     

一种基于协同进化方法的聚类集成算法

针对单一聚类算法存在的不能泛化的问题,将集成学习技术应用于聚类算法中,集成学习技术可以显著提高学习系统的泛化能力。提出了1种基于粒子群和遗传算法的协同进化聚类集成算法,粒子群算法保证算法快速收敛,遗传算法全局搜索扩大搜索范围,提高了聚类的性能和收敛速度。将本研究提出的算法在多个UCI数据集上进行试验验证,结果表明该算法是有效的。