基于二进制具有量子行为的粒子群算法的多边形近似

提出了适合二进制搜索空间的具有量子行为的粒子群优化算法（BQPSO）。在二进制环境中重新定义粒子的位置向量及距离向量，调整了QPSO算法的进化公式。用二进制具有量子行为的粒子群算法求解平面数字曲线的多边形近似，解决了传统BPSO算法中粒子搜索范围受限的问题。用2条通用benchmark曲线进行测试，结果表明，该算法较BPSO加快了收敛速度，在相同的容忍误差和迭代次数下找到了更少顶点的多边形。     

基于新颖S型转换函数的二进制粒子群优化算法求解具有单连续变量的背包问题

为了高效求解具有单连续变量的背包问题（KPC）,首先基于高斯误差函数提出了一个新颖S型转换函数,给出了利用该转换函数将一个实向量转换为0-1向量的新方法,由此提出了一个新的二进制粒子群优化（NBPSO）算法;然后,利用KPC的第二数学模型,并且把NBPSO与处理KPC不可行解的有效算法相结合,提出了求解KPC的一个新方法。为了检验NBPSO求解KPC的性能,利用NBPSO求解四类大规模KPC实例,并把所得计算结果与基于其他S、V型转换函数的二进制粒子群优化算法（BPSO）、具有混合编码的单种群二进制差分演化算法（S-HBDE）、具有混合编码的双种群二进制差分演化算法（B-HBDE）和二进制粒子群优化算法（BPSO）等的计算结果相比较。比较结果表明NBPSO不仅平均计算结果更优,而且稳定性更佳,说明NBPSO的性能比其他算法有显著提升。     

概率表示的二进制粒子群算法在组卷中的应用

在组卷优化问题的研究中,组卷受到多约束条件的限制。为提高在线考试系统中试卷的质量,提出采用概率表示的二进制粒子群优化算法(BPSO)的智能组卷策略,采用粒子群优化算法有效克服遗传算法的局部搜索能力差,以及导致"早熟"和收敛速度不理想等缺陷。在标准粒子群算法基础上,利用贝叶斯公式对粒子群算法进行改进,克服人为因素对算法收敛速度的影响,同时算法的时间性能和空间性能得到进一步提升。通过仿真证明改进算法是一种切实可行的组卷策略。     

基于改进BPSO的Web服务组合选择算法

为使现有Web服务组合的服务选择技术满足用户需求,提出一种基于改进二进制粒子群优化(BPSO)的服务选择算法。引入变异算子和线性递减惯性权重,解决传统二进制BPSO的早熟收敛问题,采用粒子记忆性对不满足约束条件的个体进行修正。实验结果表明,该算法能提高寻优效率。     

二进制粒子群算法在人脸识别中的应用

把二进制粒子群优化算法(BPSO)应用到人脸识别中.对人脸图像进行二维离散余弦变换(DCT),获得人脸图像的特征向量,应用BPSO算法对得到的特征向量进行特征选择,得到最具代表性的人脸特征.与遗传算法(GA)相比,在选择的特征较少的情况下,BPSO算法比遗传算法有更好的识别率.实验结果表明,BPSO算法应用到人脸识别中有较高的识别率,是一种非常有效的特征提取方法.     

二进制粒子群算法中V型转换函数的应用分析

二进制粒子群算法(BPSO)由于规则简单、参数设置较少等优点被广泛应用到各领域,但是其具有过强的全局搜索能力,缺乏局部的搜索能力等缺陷。针对BPSO存在的缺陷很多文献提出了改进方法,但是针对转换函数的改进较少。通过定义粒子间的距离来分析出BPSO所存在的缺陷,从而进一步分析BPSO中S型转换函数的缺点,并且有针对性地提出更符合BPSO要求的V型转换函数。实验结果表明,所提V型转换函数能克服原始BPSO的缺陷,相比S型转换函数以及现有文献所提的V型转换函数更能提升算法的性能,得到更高的分类准确率。     

基于改进的BPSO算法的产品优化配置求解模型研究

以台式PC机组装为典型案例,从客户和生产商两个角度出发,将性能和成本两个因素作为考察对象,研究一般性商品的模块化优化配置。建立了基于单位成本的客户需求与模块实例相关度最大优化配置模型。通过改进的离散二进制粒子群优化(BPSO)算法,进行优化求解。最后通过实例证明BPSO算法的优化配置模型具有实用可行性。     

一种求解类覆盖问题的混合算法

提出一种扩展的类覆盖问题,并将它归纳为一个有约束的多目标优化问题模型,该问题的解决对构建强壮的分类识别系统具有重要的意义.因此,通过对二进制粒子群算法参数特性的深入分析,阐明二进制粒子群算法不仅具有良好的全局搜索特性,而且能够充分利用已有的先验知识.进而提出一种贪心算法与二进制粒子群优化算法相结合的混合算法求解扩展的类覆盖问题,该算法在获得更优解的同时,仍具有较快的运算速度.多种算法的比较结果表明了算法的有效性和可行性.     

基于BQPSO的潜水器路径规划算法

在栅格法的自治水下机器人离散工作空间基础上,提出一种基于二进制编码的量子粒子群(BQPSO)算法求解自治水下机器人路径规划问题。该算法将路径表示为粒子位置的二进制编码,以路径长度为适应值,引入交叉策略避免陷入局部最小。仿真实验表明,BQPSO算法可以进行有效的自治水下机器人路径避障。     

基于二进制量子微粒群算法的二维熵图像分割

分析量子计算的特点,对量子旋转门进行研究,给出了新的量子旋转门调整策略,并与离散二进制粒子群优化算法进行组合,提出了二进制量子粒子群优化算法。该算法具有收敛速度快、全局寻优能力强的特点。用典型复杂函数对其进行测试,测试结果表明,算法的优化质量和效率都优于离散二进制粒子群优化算法。将二进制量子粒子群优化算法与阈值法相结合应用于图像分割,结果表明了基于二进制量子粒子群优化算法的二维熵图像分割法用于阈值寻优具有更快的收敛速度和更好的全局寻优能力。     

Binary particle swarm optimization with multiple evolutionary strategies

This paper introduces a novel variation of binary particle swarm optimization(BPSO) algorithm and a further extension to improve its performance.Firstly,mimicking the behaviors of some creatures group,multiple evolutionary strategies BPSO(MBPSO) is introduced which takes different evolutionary strategies for various particles according to their performances.Then,on the basis of MBPSO,a new strategy is discussed to improve the performance of the MBPSO(M2BPSO) which adopts the concept of the mutation operator aiming to overcome the premature convergence and slow convergent speed during the later stages of the optimization.The proposed two algorithms are tested on seven benchmark functions and their results are compared with those obtained by other methods.Experimental results show that our methods outperform the other algorithms.     

求解广义背包问题的贪心DS_BPSO算法

首先针对演化算法求解背包问题定义了贪心变换的概念,并给出了该变换的一种有效实现算法;然后将此算法与文献[5]中提出的具有双重结构编码的二进制粒子群优化算法(DS_BPSO)相结合,提出了一种解决广义背包问题GKP(General Knapsack Problem)的快速算法:基于贪心变换的DS_BPSO算法(GDS_BPSO).利用该算法求解文献[3,6]中的著名背包实例,给出了该背包实例的目前最好结果.此外,对于随机生成的大规模背包实例,通过与文献[3]中的HGA算法对比计算表明:GDS_BPSO算法是求解广义背包问题的一种高效方法.     

BPSO优化算法在含DG配电网中的故障诊断研究

针对含分布式电源(distributed generation,DG)的配电网故障检测,传统的故障检测方法容易出现检测精度低、适用性差、容错力低等问题;为此,提出了一种改进的二进制粒子群算法(binary particle swarm optimization,BPSO)进行故障检测,该算法是在BPSO算法的基础上,重新对自适应度值进行定义确保种群寻找到最为准确的最优解,解决BPSO算法容易陷入"早熟"的情况;通过IEEE33节点进行仿真分析,实验结果表明:采用改进的BPSO算法可以有效对故障区段进行定位,验证了改进的BPSO算法的有效性和正确性;同时,当存在信息畸变时,改进的BPSO算法比一般算法具有更强的容错能力。     

混合编码和声搜索算法在动态优化中的应用

采用混合双重编码方法,提出一种混合编码二进制和声搜索算法HBHSA,用以求解动态位匹配问题和时变背包问题。仿真结果表明,与DS_BPSO、HBDE和PDGA算法相比,HBHSA具有更好的鲁棒性和通用性,在动态环境中的搜索能力和对最优解的跟踪能力更优。     

未知环境下基于粒子群优化的多任务联盟生成

针对多Agent系统(MAS)资源有限、环境信息未知、任务依次随机产生的情况,通过引入惩罚系数,基于剩余资源平衡定义一种新的适应度函数,并提出改进的二进制离散粒子群优化(BPSO)算法。新的适应度函数不仅考虑系统收益,同时还考虑系统剩余资源的平衡性,并通过调整惩罚系数在两者之间做出折衷。利用改进的BPSO算法对联盟进行优化,给出粒子速度和位置的更新公式,从而控制粒子的发散性,提高算法的局部搜索能力。仿真结果表明,新的适应度函数可使MAS执行更多的任务。与基本BPSO和遗传算法相比,改进算法在解的质量、收敛速度和稳定性方面具有更好的性能。     

改进的带经验因子的二进制粒子群优化算法

针对传统二进制粒子群优化(BPSO)算法未充分利用粒子位置的历史信息辅助迭代寻优,从而影响算法寻优效率的进一步提高的问题,提出一种改进的带经验因子的BPSO算法。该算法通过引入反映粒子位置历史信息的经验因子来影响粒子速度的更新,从而引导粒子寻优。为避免粒子对历史信息的过度依赖,算法通过赏罚机制和历史遗忘系数对其进行调节,最后通过经验权重决定经验因子对速度更新的影响。仿真实验结果表明,与经典BPSO算法以及相关改进算法相比,新算法无论在收敛速度还是全局搜索能力上,都能达到更好的效果。     

基于编码转换的离散演化算法设计与应用

为了利用演化算法求解离散域上的组合优化问题,借鉴遗传算法（GA）、二进制粒子群优化（BPSO）和二进制差分演化（HBDE）中的映射方法,提出了一种基于映射变换思想设计离散演化算法的实用方法——编码转换法（ETM）,并利用一个简单有效的编码转化函数给出了求解组合优化问题的离散演化算法一般算法框架A-DisEA.为了说明ETM的实用性与有效性,首先基于A-DisEA给出了一个离散粒子群优化算法（DisPSO）,然后分别利用BPSO、HBDE和DisPSO等求解集合联盟背包问题和折扣{0-1}背包问题,通过对计算结果的比较表明：BPSO、HBDE和DisPSO的求解性能均优于GA,这不仅说明基于ETM的离散演化算法在求解KP问题方面具有良好的性能,同时也说明利用ETM方法设计离散演化算法是一种简单且有效的实用方法.     

Prediction of TBM operation parameters using machine learning models based on BPSO

Rational parameters of TBM (Tunnel Boring Machine) are the key to ensuring efficient and safe tunnel construction. Machine learning (ML) has become the main method for predicting operating parameters. Grid Search and optimization algorithms, such as Particle Swarm Optimization (PSO), are often used to find the hyper parameters of ML models but suffer from excessive time and low accuracy. In order to efficiently construct ML models and enhance the accuracy of predicting models, a BPSO (Beetle antennae search Particle Swarm Optimization) algorithm is proposed. Based on the PSO algorithm, the concept of BAS (Beetle Antennae Search) is integrated into the updating process of an individual particle, which improves the random search capability. The convergence of the BPSO algorithm is discussed in terms of inhomogeneous recursive equations and characteristic roots. Then, based on the proposed BPSO prototype, a hybrid ML model BPSO-XGBoost (eXtreme Gradient Boosting) is proposed. We applied the model to the Hangzhou Central Park tunnel project for the prediction of screw conveyer rotational speed. Finally, our model is compared with existing methods. The experimental results show that the BPSO-based model outperforms other traditional ML methods. The BPSO-XGBoost is more accurate than PSO-XGBoost and BPSO-RandomForest for predicting the speed. Also, it is verified that the hyper parameters optimized by the BPSO are better than those optimized by the original PSO. The comprehensive prediction performance ranking of models is as follows: BPSO-XGBoost > PSO-XGBoost > BPSO-RF > PSO-RF. Our models have preferable engineering application value.     

Binary particle swarm optimization (BPSO) based state assignment for area minimization of sequential circuits

State assignment (SA) for finite state machines (FSMs) is one of the main optimization problems in the synthesis of sequential circuits. It determines the complexity of its combinational circuit and thus area, delay, testability and power dissipation of its implementation. Particle swarm optimization (PSO) is a non-deterministic heuristic that optimizes a problem by iteratively trying to improve a candidate solution with regard to a given measure of quality. PSO optimizes a problem by having a population of candidate solutions called particles, and moving them around in the search-space according to a simple mathematical formulae. In this paper, we propose an improved binary particle swarm optimization (BPSO) algorithm and demonstrate its effectiveness in solving the state assignment problem in sequential circuit synthesis targeting area optimization. It will be an evident that the proposed BPSO algorithm overcomes the drawbacks of the original BPSO algorithm. Experimental results demonstrate the effectiveness of the proposed BPSO algorithm in comparison to other BPSO variants reported in the literature and in comparison to Genetic Algorithm (GA), Simulated Evolution (SimE) and deterministic algorithms like Jedi and Nova.