标准粒子群优化算法的马尔科夫链分析

根据粒子群优化（Particle swarm optimization, PSO)算法的差分模型定义粒子状态序列和群体状态序列, 并分析其马尔科夫性质, 证明了粒子及种群的最优状态集的封闭性, 以及计算粒子一步转移概率; 进一步基于全概率公式和马氏链的性质, 推导了群体状态转到最优状态集的转移概率; 根据该转移概率, 对PSO算法的惯性权重ω和加速度因子c进行了讨论和解释, 研究了算法早熟收敛和发散等问题, 最后分析表明标准PSO算法以一定概率收敛到全局最优.     

人工蜂群算法的收敛性分析

利用随机过程理论,对人工蜂群算法收敛性进行理论分析,给出人工蜂群算法的一些数学定义和蜜源位置的一步转移概率,建立人工蜂群算法的Markov链模型,分析此Markov链的一些性质,论证了人工蜂群状态序列是有限齐次Markov链,且状态空间是不可约的。结合随机搜索算法的全局收敛准则,证明了人工蜂群算法能够满足随机搜索算法全局收敛的两个假设,保证算法的全局收敛。     

噪声环境下精英克隆选择算法的收敛性分析

利用随机过程相关理论对加性噪声环境下精英策略克隆选择算法(ECSA)的全局收敛性进行了研究. 首先采用有序对的状态表示方法构造精英克隆选择算法在噪声环境中的Markov链; 然后将算法种群中最佳亲和度函数的进化过程转化为下鞅, 利用鞅理论证明了种群最佳亲和度函数的全局收敛性; 最后通过分析加性噪声环境下精英克隆选择算法的状态转移概率的特性, 证明了精英克隆选择算法在加性噪声环境下最终能以概率1 收敛到全局最优解.     

蝙蝠算法的Markov链模型分析

针对当前蝙蝠算法的性能改进缺少严谨的收敛性证明,导致算法的改进不具备明确的理论意义的问题,从数学概率以及蝙蝠算法状态转移满足Markov过程的角度为出发点,通过建立合理的Markov链模型研究蝙蝠个体状态的转移行为,论证蝙蝠群体状态空间具有可约性和齐次性,从理论上证明蝙蝠算法满足随机算法的收敛准则,保证算法能100%收敛到全局最优解。     

一种信度马尔科夫模型及应用

马尔科夫链以其无后效性广泛应用于自然科学和工程技术领域. 经典的马尔科夫链并不能反映对象状态的不确定性, 并且当状态划分边界过于清晰时, 状态转移情况不稳定. 为了保持状态转移的稳定性以及能够有效地表示和处理对象状态的不确定性, 本文提出了一种信度马尔科夫模型. 新模型引入了Dempster-Shafer (DS) 证据理论来描述对象状态的不确定性, 将对象的所有状态归类为一个辨识框架, 建立基本概率指派函数, 然后生成一个命题转移概率矩阵, 最后根据对象当前的状态得到将来的状态. 本文提出的信度马尔科夫模型是对经典马尔科夫链的推广, 向下兼容了它的性质. 实例表明, 新模型克服了上述缺陷, 获得了较经典马尔科夫链更加合理、准确的结果, 具有更高的有效性和实用性.     

二元进化策略的全局收敛与早熟收敛

离散状态马尔科夫链理论已经广泛应用于进化算法的收敛性和时间复杂度分析中,而连续状态马尔科夫过程理论由于需要用到比较高深的数学工具,应用还不多.引入连续状态马尔科夫过程理论,以测度论为工具,借助公理化的条件数学期望理论推导出关键的转移概率的计算公式,分析了以(1+1)ES为代表的连续型进化算法的收敛性,从理论上证明若采用常变异算子,包括正态分布、柯西分布在内的一大类常用变异分布可使(1+1)ES依概率收敛到全局最优解的ε-邻域;构造了一个带适应值平台的函数,从理论上证明某些自适应变异算子即使以正态分布、柯西分布为变异分布也会导致(1+1)ES陷入早熟收敛.通过仿真实验验证了理论分析.结果表明自适应调整机制并非总是有效的.     

求解非线性方程组的元胞自动机方法及其全局收敛性证明

为了求得非线性方程组所有精确解,根据元胞自动机的特点构造了求解非线性方程组的全局收敛算法。在该算法中,将非线性方程组解的理论搜索空间划分为离散搜索空间,将离散搜索空间定义为元胞空间;离散搜索空间的每个点就是一个元胞,而一个元胞对应着非线性方程组的一个试探解;元胞的状态由其空间位置及位置修正量构成。将元胞空间划分为若干个非空子集,所有元胞的状态从一个非空子集转移到另一个非空子集的状态演化过程实现了元胞空间对理论搜索空间的搜索。在元胞状态演化过程中,元胞从一个状态转移到另一个状态的状态转移概率可以计算出来;元胞演化过程中的每个状态对应于有限Markov链上的一个状态。利用可归约随机矩阵的稳定性条件证明了该算法具有全局收敛性。仿真实例表明该算法是高效的。     

基于思维进化的MEBML算法的收敛性研究

针对基于思维进化的机器学习（ＭＥＢＭＬ）的马尔可夫链的分析,证明了离散状态下趋同操作的群体信概率１收敛到全局最优状态,但由于趋同操作的局部性,从局部最优状态转移到全局最优状态的概率非常小,要增加这种转移概率,需要引进异化操作,通过Ｐ－最优状态和吸引域的概念,分析了趋同操作、异化操作的理论和实际意义。     

基于Monte Carlo方法的自适应多模型诊断

多模型混合系统的模型切换服从有限状态的Markov链,其转移概率通常假定是已知的.当模型转移概率未知的时候,本文基于Monte Carlo粒子滤波器给出了混合系统状态估计的一种自适应算法.该算法假定未知的转移概率先验分布为Dirichlet分布,首先通过采样得到一组模型序列的随机样本,利用其中状态的转移次数计算先验转移概率,使用量测信息对样本更新选择后,获得模型转移概率的一种迭代的后验估计值,同时由粒子滤波器得到系统状态和模型概率的后验估计.将该方法用于混合系统的状态监测和故障诊断,仿真结果表明了算法的有效性.     

部分拓扑切换概率未知的移动传感网保性能一致性控制研究

本文研究了基于马尔科夫切换拓扑的移动传感网保性能一致性问题.网络拓扑切换由一般的马尔科夫链驱动,其初始和转移概率部分未知.切换拓扑集中的每个拓扑皆是带有树的有向拓扑图.借助定义包括接收、发送信息和控制输入的新的全局能耗函数,可以得到切换分布式一致性控制器集合.然后经过状态变换,一致性控制问题转化为减阶的马尔科夫跳跃系统的保性能问题.通过分析马尔科夫跳跃系统的稳定性,提出了可以同时计算次优的一致性控制器增益和次小能耗上界的算法.最后,通过数值仿真检验了控制器设计方法的性能.     

自适应扩散混合变异机制微粒群算法

为了避免微粒群算法(particle swarm optimization,简称PSO)在全局优化中陷入局部极值,分析了标准PSO算法早熟收敛的原因,提出了自适应扩散混合变异机制微粒群算法(InformPSO).结合生物群体信息扩散的习性,设计了一个考虑微粒分布和迭代次数的函数,自适应调整微粒的"社会认知"能力,提高种群的多样性;模拟了基因自组织和混沌进化规律,引入克隆选择使群体最佳微粒gBest实现遗传微变、局部增值,具有变异确定性;利用Logistic序列指导gBest随机漂移,进一步增强逃离局部极值能力.基于种群的随机状态转移过程,证明了新算法具有全局收敛性.与其他几种PSO变种相比,复杂基准函数仿真优化结果表明,新算法收敛速度快,求解精度高,稳定性好,能够有效抑制早熟收敛.     

基于AKPSO算法的加速度计快速标定方法

针对粒子群优化（ PSO）算法在加速度计标定优化后期出现的早熟、陷入局部最优的不足,以及KalmanPSO（ KPSO）算法在设计与应用过程中存在的缺陷,提出了基于自适应 Kalman 滤波的改进 PSO （ AKPSO）算法,并将其成功应用于加速度计快速标定。利用粒子群状态空间Markov链模型,建立了粒子群系统状态方程和观测方程;采用指数加权的自适应衰减记忆Kalman滤波来对粒子的位置进行估计。加速度计标定仿真结果表明：所提出的算法在收敛速度、收敛精度方面都要优于PSO,KPSO算法,有效地提高了加速度计的标定精度。     

Particle swarm optimization–Markov Chain Monte Carlo for accurate visual tracking with adaptive template update

A novel tracking method is proposed, which infers a target state and appearance template simultaneously. With this simultaneous inference, the method accurately estimates the target state and robustly updates the target template. The joint inference is performed by using the proposed particle swarm optimization–Markov chain Monte Carlo (PSO–MCMC) sampling method. PSO–MCMC is a combination of the particle swarm optimization (PSO) and Markov chain Monte Carlo sampling (MCMC), in which the PSO evolutionary algorithm and MCMC aim to find the target state and appearance template, respectively. The PSO can handle multi-modality in the target state and is therefore superior to a standard particle filter. Thus, PSO–MCMC achieves better performance in terms of accuracy when compared to the recently proposed particle MCMC. Experimental results demonstrate that the proposed tracker adaptively updates the target template and outperforms state-of-the-art tracking methods on a benchmark dataset.     

Cryptanalysis of Vigenere cipher using Cuckoo Search

Evolutionary techniques such as Genetic Algorithm (GA), Particle Swarm Optimization (PSO) and Cuckoo Search (CS) are promising nature-inspired meta-heuristic optimization algorithms. Cuckoo Search combined with Lévy flights behavior and Markov chain random walk can search global optimal solution very quickly. The aim of this paper is to investigate the applicability of Cuckoo Search algorithm in cryptanalysis of Vigenere cipher. It is shown that optimal solutions obtained by CS are better than the best solutions obtained by GA or PSO for the analysis of the Vigenere cipher. The results show that a Cuckoo Search based attack is very effective on the Vigenere cryptosystem.     

基于粒子群神经网络的气阀机构故障诊断

提出应用粒子群神经网络和小波包能量特征的柴油机气阀机构故障诊断方法.为了克服BP算法的缺陷,将粒子群优化(PSO)算法应用于神经网络的学习算法中;为了避免PSO算法在全局最优值附近搜索变慢,采用了一种从PSO搜索到BP搜索的启发式算法;然后,通过模拟柴油机气阀机构的两种常见的主要故障:气阀漏气和气门间隙异常,采集气缸盖...     

基于CS算法的Markov模型及收敛性分析

为完善布谷鸟搜索(CS)算法的收敛性理论,建立CS算法的Markov链模型,分析该Markov链的有限齐次性,在此基础上通过分析鸟窝位置的群体状态转移过程,指出随机序列将进入最优状态集,同时证明CS算法满足随机搜索算法全局收敛的2个条件。通过仿真实验验证CS算法可收敛于全局最优,从而确保CS算法的全局收敛性。     

A novel optimal PID controller autotuning design based on the SLP algorithm

A novel optimal proportional integral derivative (PID) autotuning controller design based on a new algorithm approach, the “swarm learning process” (SLP) algorithm, is proposed. It improves the convergence and performance of the autotuning PID parameter by applying the swarm and learning algorithm concepts. Its convergence is verified by two methods, global convergence and characteristic convergence. In the case of global convergence, the convergence rule of a random search algorithm is employed to judge, and Markov chain modelling is used to analyse. The superiority of the proposed method, in terms of characteristic convergence and performance, is verified through the simulation based on the automatic voltage regulator and direct current motor control system. Verification is performed by comparing the results of the proposed model with those of other algorithms, that is, the ant colony optimization with a new constrained Nelder–Mead algorithm, the genetic algorithm (GA), the particle swarm optimization (PSO) algorithm, and a neural network (NN). According to the global convergence analysis, the proposed method satisfies the convergence rule of the random search algorithm. With respect to the characteristic convergence and performance, the proposed method provides a better response than the GA, the PSO, and the NN for both control systems.     

一类新颖的粒子群优化算法

粒子群优化(PSO)是一类有效的随机全局优化技术。它利用一个粒子群搜索解空间,每个粒子表示一个被优化问题的解,通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出一类新颖的PSO算法,该算法在基本PSO算法的粒子位置更新公式中增加了一个积分控制项。积分控制项根据每个粒子的适应值决定粒子位置的变化,改善了PSO算法摆脱局部极小点的能力。另外,该算法增加了限制搜索空间范围的机制,这对某些函数优化问题是必需的。用5个基准函数做的对比实验结果显示,该算法优于基本PSO算法以及自适应修改惯性因子的PSO算法。