基于粒子群优化的神经网络训练算法研究

本文提出了基于连接结构优化的粒子群优化算法(SPSO)用于神经网络训练,该算法在训练神经网络权值的同时优化其连接结构,删除冗余连接,使神经网络获得与模式分类问题匹配的信息处理能力.经SPSO训练的神经网络应用于Iris,Ionosphere以及Breast cancer模式分类问题,能够部分消除冗余分类参数及冗余连接结构对分类性能的影响.与BP算法及遗传算法比较,该算法在提高分类误差精度的同时可加快训练收敛的速度.仿真结果表明,SPSO是有效的神经网络训练算法.  

一种改进粒子群优化算法

作为群集智能的代表性方法之一，粒子群优化(PSO)算法通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。提出了一种改进粒子群优化(MPSO)算法。MPSO同时采用局部模式压缩因子方法和全局模式惯性权重方法以获得相对较高的性能。针对PSO算法可能出现的停滞现象，MPSO引入了基于全局信息反馈的重新初始化机制。数值仿真结果显示了该算法的有效性。  

粒子群优化算法及其应用

粒子群优化（PSO）算法是一种新颖的演化算法，它属于一类随机全局优化技术，PSO算法通过粒子间的相互作用在复杂搜索空间中发现最优区域。PSO的优势在于简单而又功能强大。介绍了基本的PSO算法、研究现状及其应用，并讨论将来可能的研究内容。  

一种快速红外图像分割方法

为准确地实现目标识别，提出了将二维最大熵图像分割方法应用于红外图像实行分割．利用图像的二维直方图，二维最大熵分割方法不仅考虑了象素的灰度信息，而且还充／矿利用了象素的空间领域信息，能取得较为理想的分割结果．然而该方法所需的巨大运算量限制了其实际应用．运用PSO算法代替穷尽搜索获得阈值向量，求解速度可提高300～400倍，提高了分割效率．通过对实际的红外图像分割表明，这种方法简单、有效．  

粒子群优化算法在FIR数字滤波器设计中的应用

本文针对有限脉冲响应(FIR)数字滤波器的设计实质上是一个多参数优化问题,提出了一种用粒子群优化算法(PSO)设计FIR数字滤波器的方法.首先将滤波器的设计问题转化为滤波器参数的优化问题,然后利用粒子群优化算法对整个参数空间进行高效并行搜索以获得参数的最优化.FIR数字低通、带通滤波器设计实例证明了该方法的有效性和优越性.  

基于离散粒子群算法求解复杂联盟生成问题

针对联盟生成问题现有解决方案的不足,提出复杂联盟和虚拟Agent的概念,设计一种基于多粒子群协同优化的复杂联盟串行生成算法,实现一个Agent可以加入多个联盟和一个联盟可以承担多个任务,在一定程度上解决了Agent资源和能力的浪费问题.实验结果证明了算法的有效性.  

应用粒子群优化的非线性系统辨识

提出了一种应用粒子群优化的非线性系统辨识方法。首先将非线性系统的辨识问题转化为参数空间上的优化问题,然后利用粒子群优化算法对整个参数空间进行高效并行搜索以获得系统参数的最优估计。以Hammerstein模型的辨识为例说明了本方法的可行性。  

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.  

一种改进的粒子群和K均值混合聚类算法

该文针对K均值聚类算法存在的缺点，提出一种改进的粒子群优化(PSO)和K均值混合聚类算法。该算法在运行过程中通过引入小概率随机变异操作增强种群的多样性，提高了混合聚类算法全局搜索能力，并根据群体适应度方差来确定K均值算法操作时机，增强算法局部精确搜索能力的同时缩短了收敛时间。将此算法与K均值聚类算法、基于PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较，数据实验证明，该算法有较好的全局收敛性，不仅能有效地克服其他算法易陷入局部极小值的缺点，而且全局收敛能力和收敛速度都有显著提高。  

实数遗传算法的改进及性能研究

提出一种粒子群优化方法(PSO)与实数编码遗传算法(GA)相结合的混合改进遗传算法(HIGAPSO).该方法采用混沌序列产生初始种群、非线性排序选择、多个交叉后代竞争择优和变异尺度自适应变化等改进遗传操作;并通过精英个体保留、粒子群优化及改进遗传算法(IGA)三种策略共同作用产生种群新个体,来克服常规算法中收敛速度慢、早熟及局部收敛等缺陷.通过四个高维典型函数测试结果表明该方法不但显著提高了算法的全局搜索能力,加快了收敛速度;而且也改善了求解的质量及其优化结果的可靠性,是求解优化问题的一种有潜力的算法.