微粒群算法在结构优化设计中的应用

结构优化设计对于实际工程具有重要的意义.通过对现有优化方法进行分析,将微粒群算法应用到结构优化设计中,提出了结构优化设计的微粒群算法,并建立了相应的优化模型.介绍了微粒群算法的基本思想、结构优化微粒群模型及其实施的具体步骤,最后通过一个算例验证了该方法的效率和有效性.结果表明该方法科学可行,具有很好的应用前景.     

微粒群算法在结构优化设计中的应用

结构优化设计对于实际工程具有重要的意义．通过对现有优化方法进行分析。将微粒群算法应用到结构优化设计中,提出了结构优化设计的微粒群算法,并建立了相应的优化模型．介绍了微粒群算法的基本思想、结构优化微粒群模型及其实施的具体步骤,最后通过一个算例验证了该方法的效率和有效性．结果表明该方法科学可行,具有很好的应用前景．     

混沌微粒群优化算法及其在非线性函数参数估计中的应用

混沌微粒群优化算法是在微粒群优化算法的基础上引入混沌思想,提高算法的局部搜索能力,具有良好的性能.主要介绍微粒群算法的原理以及混沌优化思想,最后结合求解平面度误差证明混沌微粒群算法在非线性函数参数估计中的有效性及应用前景.     

微粒群优化算法

微粒群算法是继蚁群算法之后提出的又一种新型的进化计算技术。具有典型的群体智能的特性．介绍了微粒群算法的基本原理及其改进算法。从群体组织与进化以及混合微粒群算法等方面对国内外微粒群算法的研究进展进行综述．     

微粒群算法在图像检索中的应用

基于内容的图像检索技术已成为信息检索中的瓶颈.针对此问题提出了基于微粒群算法的图像检索技术.首先提取图像的颜色特征向量,用特征向量对粒子进行编码,检索图像的过程可以看成是利用微粒群算法在特征空间搜寻最优解的过程.该方法能够有效全面地搜索图片库,改进和提高了传统的基于内容的图像检索算法的性能.     

基于不同进化模型的双群交换微粒群优化算法

针对标准微粒群优化算法(PSO)在全局优化过程中容易陷入局部极值的问题,分析了标准微粒群优化算法早熟收敛的原因,提出了一种新的基于不同进化模型的双群交换技术的改进微粒群优化算法.该方法将微粒分成两个大小相同的分群,其中第一分群采用标准PSO模型进化,第二分群采用cognition only模型进化.两个分群每选代一次后,将第一分群的适应值最差的微粒与第二分群的适应值最优的微粒进行交换,以提高种群的多样性,改善算法的收敛性.与其它双群算法相比,该算法概念简单,程序实现容易.与标准微粒群优化算法相比.全局寻优能力更强,函数测试结果表明,提出的双群交换微粒群优化算法的收敛性能明显优于标准PSO算法.     

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法，已在许多领域得到了非常成功的应用。本以约束优化问题为对象，首先介绍了采用罚函数法将约束优化问题化为无约束优化问题，和将约束优化问题转化为minmax问题，然后对无约束优化问题和minmax问题，采用PSO算法进行进化求解；在此基础上，以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

基于并行文化微粒群优化算法的非线性方程组解法

并行文化微粒群优化算法是一种改进的微粒群优化算法,具有较强的全局搜索能力。将非线性方程组的求解问题转化为函数优化问题,应用并行文化微粒群优化算法求解非线性方程组的解。计算中不需要使用目标函数的导数信息和初始点信息,数值实验结果表明了该算法的有效性和可行性。     

异步随机微粒群算法

在研究微粒群算法生物特征的基础上,提出了一种异步随机微粒群算法——ASPSO．该方法是在微粒的进化过程中,采用异步模式使全局最好位置信息以异步方式在种群中传播。从理论上证明了ASPSO与同步模式微粒群算法SPSO相比较具有更快的局部收敛速度,并对四个经典测试函数进行了仿真测试,测试结果表明：与SPSO相比,ASPSO算法具有更快的收敛速度。     

基于微粒群优化算法的T-S模糊建模

在传统T-S模糊模型的基础上,提出一种高次多项式T-S模糊辨识模型.将传统T-S模型规则后件中的线性模型用简单多项式模型代替,并进一步利用微粒群优化算法辨识规则后件参数.数值仿真表明:用该方案辨识得到的T-S模糊模型同传统的具有线性后件的T-S模型相比,能够显著减少模型规则条数而保持辨识精度不变,同时辨识时间也相应地缩短;且随着输入变量个数的增加,这一优势将更加明显.     

改进的粒子群优化算法在机器人足球中的应用

为了提高算法对复杂动态环境的适应性,提出一种改进的粒子群优化算法,在确保其收敛性的前提下,采用动态跟踪优化的方法,获得动态环境中相对较高的性能.并将该方法应用于机器人足球比赛中,解决了多个机器人间的竞争与合作,以及机器人最佳动作的选择问题,实验结果表明该方法是有效的.     

An extended particle swarm optimization algorithm based on coarse-grained and fine-grained criteria and its application

In order to study the problem that particle swarm optimization （PSO） algorithm can easily trap into local mechanism when analyzing the high dimensional complex optimization problems, the optimization calculation using the information in the iterative process of more particles was analyzed and the optimal system of particle swarm algorithm was improved. The extended particle swarm optimization algorithm （EPSO） was proposed. The coarse-grained and fine-grained criteria that can control the selection were given to ensure the convergence of the algorithm. The two criteria considered the parameter selection mechanism under the situation of random probability. By adopting MATLAB7.1, the extended particle swarm optimization algorithm was demonstrated in the resource leveling of power project scheduling. EPSO was compared with genetic algorithm （GA） and common PSO, the result indicates that the variance of the objective function of resource leveling is decreased by 7.9%, 18.2%, respectively, certifying the effectiveness and stronger global convergence ability of the EPSO.     

一种基于混沌序列的粒子群优化算法

提出了一种基于混沌思想的粒子群优化算法,它利用粒子群优化算法收敛速度快和混沌运动遍历性的特点,对于陷入局部极小点的粒子,引入混沌序列重新初始化,从而使惰性粒子能够跳出束缚并快速搜寻到全局最优解。对几个经典函数的测试计算表明,其在收敛速度和精度上均优于标准的PSO算法。     

粒子群优化算法在函数优化上的研究与发展

粒子群优化算法(PSO)与其他演化算法相似,也是基于群体的。每个粒子被随机初始化以表示一个可能的解,并在解空间通过更新迭代搜索最优解。该算法的特点是简单容易实现而又功能强大。该算法最初被提出来主要应用于函数优化。经过几年的发展,已经出现了大量的改进算法。本文总结了这些改进算法的基本主要形式,并给出了未来可能的研究方向。     

一种改进的粒子群优化算法及其应用

介绍了粒子群优化算法及其原理,针对其后期容易陷入局部极值的缺陷,提出了一种改进粒子群算法.改进算法采用全局最优粒子变异策略和部分粒子群部分维初始化策略.通过将其应用于(N M)容错系统模型的实例,对改进算法的性能进行了分析,结果表明,改进算法的搜索效率和精度均优于一般的粒子群算法,同时具有较好的收敛稳定性.     

一种新的混合差分粒子群优化算法及其应用

基于差分进化算法在收敛快速性及粒子群算法在种群多样性保持上的优势,提出一种新的混合启发式优化算法,其基本思路是将粒子群种群作为辅助变异算子,与差分进化算法种群进行交叉操作,产生的新子代继承了父代和母代的优势特性,从而避免了单一算法的早熟收敛和收敛速度过慢的问题。通过与已有的改进算法仿真对比,该算法能够有效的跳出局部极值防止算法早熟且收敛速度很快。最后,借鉴已有文献方法对混合算法在B2C路径优化问题中的工程应用进行了实验研究。     

运用邻域平均性能准则的粒子群优化法

在工业过程参数优化问题中，由于测量噪声和过程的随机干扰，测量所得的性能曲面往往呈现多极值点的形态，但其中真正的极值点只有一个.传统的方法是在建模(例如神经网络)的过程中自然消除掉部分高频噪声.首先介绍了一种寻优性能指标——邻域平均性能准则，这种准则不是仅以性能曲面上某点的函数值作为性能指标，而是以该点及其周围各点函数的加权平均值作为指标.然后，把该性能指标与一种新的寻优方法——粒子群优化法相结合，给出了混有噪声的多维多极值点函数的寻优算法.一、二维函数的仿真数据初步表明了这种新方法是可行的.     

一种粒子群优化的用户优先级虚拟网络映射算法

以底层网络资源利用率最大化为目标,对控制转发分离网络建立基于"资源抢占+重映射"的用户优先级虚拟网络映射整数线性规划模型,并提出了一种改进离散粒子群算法来解决虚拟网络映射问题.该算法的粒子进化更具方向性,同时引进不同粒子位置互斥因子,解决粒子群算法易早熟陷入局部最优解的缺陷.最后通过仿真实验从节点资源利用率、链路资源利用率、一般虚拟网络接受率、平均跳数和长期运营收益成本比等方面,将改进离散粒子群算法与贪婪算法和二进制离散粒子群算法对比,验证了改进离散粒子群算法的高性能.     

Discontinuous flying particle swarm optimization algorithm and its application to slope stability analysis

A new version of particle swarm optimization (PSO) called discontinuous flying particle swarm optimization (DFPSO) was proposed, where not all of the particles refreshed their positions and velocities during each iteration step and the probability of each particle in refreshing its position and velocity was dependent on its objective function value. The effect of population size on the results was investigated. The results obtained by DFPSO have an average difference of 6% compared with those by PSO, whereas DFPSO consumes much less evaluations of objective function than PSO does.