GA-PSO优化BP神经网络的遥感影像分类方法

针对BP神经网络在遥感影像分类中存在易陷入局部极值、受初始权阈值影响大和网络训练时间长等问题,提出一种遗传算法(GA)结合粒子群算法(PSO)优化BP神经网络(GA-PSO-BP)的遥感影像分类方法。通过PSO对问题的解空间进行迭代寻优,将粒子群粒子个体转化为GA染色体,利用GA的复制、交叉和变异对种群所有染色体进行寻优。GA-PSO迭代寻优得到的初始权阈值直接赋给BP神经网络,解决其易陷入局部极值的问题,同时提升其训练速率。利用Landsat-8中分辨率和高分二号高分辨率遥感影像进行地物分类。结果表明,相对于最大似然法、支持向量机、传统BP、GA优化BP和PSO优化BP,GA-PSO-BP的分类精度得到有效提高,能与AlexNet卷积神经网络分类精度接近,且简单易操作。     

改进的粒子群算法对RBF神经网络的优化

为了改进神经网络模型结构和参数的设置方法,提出了一种改进的粒子群优化径向基函数(RBF)神经网络的方法。该方法通过动态调整粒子群算法中的惯性权重因子,提高了算法的收敛速度和搜索全局最优值的能力。实验结果表明:基于改进的PSO算法训练的神经网络在函数逼近性能上优于自组织选取中心算法与标准PSO算法,提高了网络泛化能力和优化效果,有效地增强了网络对非线性问题的处理能力。     

基于最具影响粒子群优化的BP神经网络训练

系统地介绍了粒子群优化算法,将粒子群优化算法用于BP神经网络的学习训练,提出了一种改进的粒子群算法——最具影响粒子PSO算法BIPSO,并利用复合适应度即均方误差和误差均匀度之和作为BIPSO训练神经网络的指标,并对它与其他的神经网络训练算法诸如BP算法、GA算法、PSO算法进行了比较。实验结果表明:BIPSO性能优于其他算法,更容易找到全局最优解,具有更好的收敛性。     

基于面向对象自适应粒子群算法的神经网络训练*

针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的基于面向对象的自适应粒子群优化算法(OAPSO)用于神经网络的训练。该算法通过改进PSO的编码方式和自适应搜索策略以提高网络的训练速度与泛化性能,并结合Iris和Ionosphere分类数据集进行测试。实验结果表明：基于OAPSO算法训练的神经网络在分类准确率上明显优于BP算法及标准PSO算法,极大地提高了网络泛化能力和优化效果,具有快速全局收敛的性能。     

基于混沌搜索的粒子群优化算法

粒子群优化算法(PSO)是一种有效的随机全局优化技术。文章把混沌优化搜索技术引入到PSO算法中,提出了基于混沌搜索的粒子群优化算法。该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高的算法的收敛速度和计算精度。仿真计算表明,该算法的性能优于基本PSO算法。     

基于自适应驱散机制的粒子群优化算法

为克服粒子群优化算法(PSO)易陷入局部最优导致早熟收敛的问题,提出了一种新型的基于自适应驱散机制的粒子群优化(ADMPSO)算法。基本的粒子群优化算法易陷入局部最优,一般的改进算法在搜索过程之中对个体最优和全局最优结果进行调整,虽然避免了粒子群陷入局部最优,但会很大程度减慢收敛速度。提出的改进算法只有在种群快要陷入局部最优时,才会对粒子群进行有效驱散,这样不仅保证了收敛速度,又不会使粒子群陷入局部最优。对维度30的12个标准测试函数进行测试的结果表明ADMPSO算法相较于经典粒子群(General PSO,GPSO)算法、综合学习粒子群优化算法(Comprehensive Learning PSO,CLPSO)算法和动态多粒子群协调搜索优化算法(Dynamic Multi-Swarm PSO with sub-regional Harmony Search,DMS-PSO-HS),可以更有效避免陷入局部最优,稳定地找到最优值,同时又能保证一定的收敛速度。ADMPSO算法不容易陷入局部最优和迭代次数更少的特点使得PSO算法更加实用化。     

基于QPSO算法的RBF神经网络参数优化仿真研究

针对粒子群优化(PSO)算法搜索空间有限，容易陷入局部最优点的缺陷，提出一种以量子粒子群优化(QPSO)算法为基础的RBF神经网络训练算法，将RBF神经网络的参数组成一个多维向量，作为算法中的粒子进行进化，由此在可行解空间范围内搜索最优解。实例仿真表明，该学习算法相比于传统的学习算法计算简单，收敛速度快，并由于其算法模型的自身特性比基于PSO的学习算法具有更好的全局收敛性能。     

一种改进的粒子群优化算法及其仿真

粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。     

动态邻域混合粒子群优化算法

粒子群优化(PSO)算法对于多峰搜索问题一直存在早熟收敛问题。为在增强PSO算法全局搜索能力的同时提高收敛速度,提出一种动态邻域混合粒子群优化算法DNH_PSO,采用PSO局部模型,将随机拓扑和冯诺依曼拓扑相结合形成动态邻域,提高算法的全局搜索能力,为增强算法的局部搜索能力并加快收敛速度,使用粒子邻域全面学习策略,将拟牛顿法引入算法中。与其他PSO实验对比分析表明,该算法对于多峰搜索问题具有较好的全局收敛性。     

多粒子群优化算法和RBF神经网络在缺陷故障参数红外智能识别中的应用

讨论了利用多粒子群优化算法(Multi-PSO)和径向基函数(RBF)神经网络进行缺陷参数红外识别的途径.PSO算法可以不用计算梯度,算法通用,而使用RBF神经网络作为代理模型,极大简化了复杂、费时的有限元计算,其中训练RBF神经网络的样本由有限元软件的计算结果产生.提出的多粒子群优化算法将粒子群分为若干子群,并利用粒子本身、粒子所在子群以及全局的最优解来更新粒子的速度与位置,该方法收敛速度较慢,但有可能找到问题的多个极小值.最后给出了该方法在缺陷参数红外识别中一个简单的应用例子.     

广义粒子群优化模型

粒子群优化算法提出至今一直未能有效解决的离散及组合优化问题．针对这个问题，文中首先回顾了粒子群优化算法在整数规划问题的应用以及该算法的二进制离散优化模型，并分析了其缺陷．然后，基于传统算法的速度一位移更新操作，在分析粒子群优化机理的基础上提出了广义粒子群优化模型（GPSO），使其适用于解决离散及组合优化问题．GPSO模型本质仍然符合粒子群优化机理，但是其粒子更新策略既可根据优化问题的特点设计，也可实现与已有方法的融合．该文以旅行商问题（TSP）为例，针对遗传算法（GA）解决该问题的成功经验，使用遗传操作作为GPSO模型中的更新算子，进一步提出基于遗传操作的粒子群优化模型，并以Inverover算子作为模型中具体的遗传操作设计了基于GPSO模型的TSP算法．与采用相同遗传操作的GA比较，基于GPSO模型的算法解的质量与收敛稳定性提高，同时计算费用显著降低．     

Modified binary PSO for feature selection using SVM applied to mortality prediction of septic patients

This paper proposes a modified binary particle swarm optimization (MBPSO) method for feature selection with the simultaneous optimization of SVM kernel parameter setting, applied to mortality prediction in septic patients. An enhanced version of binary particle swarm optimization, designed to cope with premature convergence of the BPSO algorithm is proposed. MBPSO control the swarm variability using the velocity and the similarity between best swarm solutions. This paper uses support vector machines in a wrapper approach, where the kernel parameters are optimized at the same time. The approach is applied to predict the outcome (survived or deceased) of patients with septic shock. Further, MBPSO is tested in several benchmark datasets and is compared with other PSO based algorithms and genetic algorithms (GA). The experimental results showed that the proposed approach can correctly select the discriminating input features and also achieve high classification accuracy, specially when compared to other PSO based algorithms. When compared to GA, MBPSO is similar in terms of accuracy, but the subset solutions have less selected features.     

Particle Swarm Optimization Algorithm for Agent-Based Artificial Markets

Particle swarm optimization (PSO) is adapted to simulate dynamic economic games. The robustness and speed of the PSO algorithm is compared to a genetic algorithm (GA) in a Cournot oligopsony market. Artificial agents with the PSO learning algorithm find the optimal strategies that are predicted by theory. PSO is simpler and more robust to changes in algorithm parameters than GA. PSO also converges faster and gives more precise answers than the GA method which was used by some previous economic studies.     

基于粒子群优化算法的航空影像纹理分类

粒子群优化算法是基于群智能的随机全局优化技术,将它引入航空影像纹理分类,在提取纹理样本小波、分形等特征的基础上,提出了针对分类问题的粒子表达方法和群体寻优策略,实现了基于粒子群算法的纹理分类。将其与基于遗传算法的纹理分类法作比较,结果表明粒子群优化算法具有较好的寻优性能,基于该算法的纹理分类法分类精度较高且计算时间较少。     

求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法(PSO)通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题(JSP)。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题(JSP)的混合微粒群算法。算法将微粒群算法、遗传算法(GA)、模拟退火(SA)算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明:与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

混合优化的贝叶斯网络结构学习

从大型数据库中学习网络结构一直是贝叶斯网络学习的难点之一.针对此问题提出了一种混合算法,将粒子群优化法简单且全局寻优能力强的特点,以及遗传算法良好的并行计算能力进行有效的结合,以增加学习的精度和效率.最后以经典的Asia,Cancer网络为实例,并与文中算法进行比较,验证了该算法的有效性.     

用于分类问题的粒子群优化遗传算法

提出一种混合粒子群遗传分类算法,根据种群中个体的相互关系,采用“家族”思想对算法进行综合调控,利用家族交叉操作进行微调,并在各家族中引入粒子群思想的交叉算子,兼顾收敛速度和多样性2项指标。根据分类问题的特点,设计相应的编码方式和适应度函数,用播种的方式生成初始种群。对国际通用检验分类效果的数据集进行分类。实验结果证明,该算法的分类效果优于其他算法。     

Automatically extracting T–S fuzzy models using cooperative random learning particle swarm optimization

This paper proposes a methodology for automatically extracting T–S fuzzy models from data using particle swarm optimization (PSO). In the proposed method, the structures and parameters of the fuzzy models are encoded into a particle and evolve together so that the optimal structure and parameters can be achieved simultaneously. An improved version of the original PSO algorithm, the cooperative random learning particle swarm optimization (CRPSO), is put forward to enhance the performance of PSO. CRPSO employs several sub-swarms to search the space and the useful information is exchanged among them during the iteration process. Simulation results indicate that CRPSO outperforms the standard PSO algorithm, genetic algorithm (GA) and differential evolution (DE) on the functions optimization and benchmark modeling problems. Moreover, the proposed CRPSO-based method can extract accurate T–S fuzzy model with appropriate number of rules.     

一种模拟退火和粒子群混合优化算法

针对粒子群优化算法(PSO)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.把模拟退火技术(SA)引入到PSO箅法中,提出了一种混合优化算法.混合优化算法在各温度下依次进行PSO和SA搜索,是一种两层的串行结构.由于PSO提供了并行搜索结构,所以,混合优化算法使SA转化成并行SA算法.SA的概率突跳性保证了种群的多样性,从而防止PSO算法陷入局部极小.混合优化算法保持了PSO算法简单容易实现的特点,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度.仿真结果表明,混合优化算法的优化性能优于基本PSO算法.     

Neuro evolutionary model for weld residual stress prediction

Welding is an efficient reliable metal joining process in which the coalescence of metals is achieved by fusion. Localized heating during welding, followed by rapid cooling, induce residual stresses in the weld and in the base metal. Determination of magnitude and distribution of welding residual stresses is essential and important. Data sets from finite element method (FEM) model are used to train the developed neural network model trained with genetic algorithm and particle swarm optimization (NN–GA–PSO model). The performance of the developed NN–GA–PSO model is compared neural network model trained with genetic algorithm (NN–GA) and neural network model trained with particle swarm optimization (NN–PSO) model. Among the developed models, performance of NN–GA–PSO model is superior in terms of computational speed and accuracy. Confirmatory experiments are performed using X-ray diffraction method to confirm the accuracy of the developed models. These developed models can be used to set the initial weld process parameters in shop floor welding environment.