一种改进的线性递减权值的粒子群优化算法

针对粒子群优化算法的早熟问题,在线性递减权值的粒子群优化算法的基础上,提出了一种增强粒子多样性的粒子群算法,有效减少了粒子的无效迭代。实验结果表明,该算法具有较高的收敛精度,能有效避免早熟收敛问题。     

基于粒子群算法的无线传感器网络覆盖优化

传统无线传感器网络覆盖优化方法所选算法的结构不合理,使其覆盖能力、迭代能力和有效性无法维系网络基本功能,为此提出粒子群算法的无线传感器网络覆盖优化方法。通过构建无线传感器网络认知模型,将网络覆盖优化工作转化成求取目标物体最大覆盖几率问题,使用粒子群算法对模型进行编码,利用模型适应度函数给出的约束值对网络节点位置进行更新,实现对无线传感器网络覆盖率的优化。通过分析仿真实验结论可知,与传统方法相比,该方法具有更强的覆盖能力、迭代能力和有效性。     

基于EDPSO算法实现智能组卷

组卷问题是一个多重约束的组合优化问题,目前已有多种组卷策略、组卷算法都从某一方面或某几方面对智能组卷系统进行了改进和研究,并取得了一定的进展,文中基于分布估计离散粒子群算法进行了组卷.     

基于随机加速系数的粒子群优化算法

针对粒子群算法中加速系数的取值问题,对C1和C2的各种取值策略做了充分调查分析,得到参数C1和C2对算法性能的影响规律,并提出了一种基于随机加速系数的粒子群优化算法.该算法在迭代的每一代中,加速系数取一定范围内随机产生的一组C1和C2的组合,通过非对称的、范围更大的C1和C2取值来增加算法的多样性,避免了算法早熟.在典型测试函数上进行对比实验,结果验证了新算法在优化性能和稳定性上高于传统粒子群优化算法.     

一种改进惯性权重的粒子群优化算法

针对粒子群算法易陷入局部最优解的问题,提出一种改进惯性权重的粒子群优化算法（CWPSO）。首先引入Sigmoid函数构造自适应的惯性权重策略;然后引入线性递减的惯性权重策略;最后通过群体适应度方差将自适应惯性权重策略和线性递减惯性权重策略动态结合,构造综合惯性权重策略,以提高算法全局搜索和局部搜索的能力。实验结果表明,CWPSO算法的寻优性能相较于对比算法有明显提升。     

改进的粒子群算法在智能组卷中的应用研究

考试是教学活动中一个重要的环节。根据试卷的总分值、答题时间、试题类型、试题难度、考查的知识点等约束,从试题库中抽取若干试题组合为一张试卷。为了得到一份优秀的试卷,要求试卷中的试题必须满足众多的约束,将全局粒子群算法与局部粒子群算法相混合,并且引入了遗传算法中的交叉与变异算子,很好地解决了收敛速度与局部最优的问题。将改进的粒子群算法应用于智能组卷中,经过仿真试验表明,该方法能够在满足多个约束的同时,获得比较优秀的试卷组合结果。     

基于粒子群优化算法的配电网优化调度模型

配电网优化调度可以为决策者提供有价值的信息,为了获得理想的配电网优化调度方案,提出基于粒子群算法的配电网优化调度模型。首先对配电网优化调度研究现状进行分析,指出当前模型的不足,并设计了配电网优化调度问题的目标函数和约束条件,然后采用粒子群优化算法模拟粒子群搜索过程找到最优方案,并对标准粒子群算法的不足进行了改进,最后采用配电网优化调度实验测试其有效性。结果表明,该模型可以快速、准确地找到配电网优化调度的最优方案,具有一定的实际应用价值。     

基于交叉和自适应权重的混合粒子群优化算法

针对粒子群算法易陷入"局部最优解"和搜索精度逐渐降低的缺点,提出了基于交叉和自适应权重的混合粒子群优化算法.加入的交叉操作使得种群在粒子数目不变的情况下多样性得以维持,而自适应权重有效地平衡了整个算法的全局与局部搜索能力.通过函数测试实验表明,新的算法能够避免早熟收敛问题,有效地提高了其寻优能力.     

动态自适应微粒群优化算法

群体智能是目前智能领域非常活跃的新兴研究领域,微粒群算法作为其典型的实现形式,受到普遍的关注.本文分析了基本微粒群算法的特点,改善了动态自适应微粒群优化算法,实验结果证明该方法的优越性.     

基于粒子群优化算法的房屋布局优化

随着社会经济建设进程的快速发展,人们的生活水平得到提高,现代化城市建设的进程促使房地产建筑项目数量增加,我国逐渐成为全世界建筑行业发展最迅速的发展中国家之一,同时也加剧了房地产市场竞争的激烈程度。而优化房屋结构设计,能增加企业效益,满足居民需求。文章将通过粒子群优化算法对房屋布局进行优化。     

Opposition-based particle swarm optimization with adaptive elite mutation and nonlinear inertia weight

An opposition-based particle swarm optimization with adaptive elite mutation and nonlinear inertia weight (OPSO-AEM＆NIW) was proposed to overcome the drawbacks, such as falling into local optimization, slow convergence speed of opposition-based particle swarm optimization. Two strategies were introduced to balance the contradiction be-tween exploration and exploitation during its iterations process. The first one was nonlinear adaptive inertia weight (NIW), which aim to accelerate the process of convergence of the algorithm by adjusting the active degree of each parti-cle using relative information such as particle fitness proportion. The second one was adaptive elite mutation strategy (AEM), which aim to avoid algorithm trap into local optimum by trigging particle's activity. Experimental results show OPSO-AEM＆NIW algorithm has stronger competitive ability compared with opposition-based particle swarm optimiza-tions and its varieties in both calculation accuracy and computation cost.     

Fuzzy particle swarm algorithm for function optimization

在传统粒子群算法的基础上运用模糊规则表加入了新的扰动因子,提出了一种新的算法--模糊粒子群算法。算法结合了模糊控制器中输入输出的模糊化处理和粒子群寻优的特点,为实际问题提供了新的解决手段。将模糊粒子群算法应用于函数优化的问题上,通过多组实例数据进行测试,验证表明了本算法具有良好的有效性和鲁棒性。     

基于VB和Access的温度采集系统的设计与实现

针对函数优化问题,提出了一种基于离差平方和法的粒子群优化算法。该算法用混沌序列初始化粒子的位置和速度,选择好于粒子群优化算法产生的粒子位置。通过离差平方和法进行聚类,利用分类方式来更新粒子的速度。最后将算法应用到3个典型的函数优化问题中,数值结果比较表明,提高了算法搜索能力,全局最优解的精度和收敛速度。     

带惯性权重的粒子群优化算法性能仿真

粒子群优化算法是一种随机搜索算法,并能以较大概率收敛到全局最优,微粒群算法中关键参数的选择方法对算法特性有显著影响.文中针对微粒群算法中的加速常数、惯性权重、取值范围、种群规模的设置对算法基本性能的影响进行了分析.实验结果证明:选择适合的参数设置水平,能够获得稳健和高效的优化效果.     

基于自适应惯性权重粒子群优化的多跳频信号盲源分离

针对跳频通信中多跳频信号的盲源分离问题,提出了一种基于自适应惯性权重粒子群的盲源分离算法。该算法将分离信号的负熵作为目标函数,依据迭代前后每个粒子适应度值间差值自适应地调节惯性权重。把适应度值变差的粒子惯性权重设成零,以消除惯性分量不利影响,这样可以减少无效迭代次数,提高收敛速度。应用于盲源分离时,比经典算法分离效果好且克服了激活函数选取难题。实验结果表明该算法用于多跳频信号盲分离时性能稳定且收敛速度快,与经典算法比较优势明显,为智能算法在盲源分离方面的研究提供了一定的参考。     

一种基于粒子群优化算法的快速圆检测方法

为了实现以较少的内存资源,快速而准确地进行圆 检测, 提出一种基于粒子群的快速圆检测方法。方法中,以每个粒子作为一个候选圆,采用优化策 略,以粒子 运动、融合更新等操作完成圆的检测。优化策略包括提出使用一种图像分块的策略限 定圆检测的感兴趣区 域,各个图像块的大小由各个块内粒子的生成结果决定,以起到抑制部分噪声的作用。为减 少生成无用粒子的概 率,提高检测效率,提出融入图像金字塔的思想,并以循证的方法对粒子的有效性加以验证 。实验结果表明,本文 方法对于检测手绘的、嵌套的、不完整的或包含有大量噪声的圆,均能起到较好的检测效果 ;能 够在较短的时间内排除众多干扰,准确地进行圆的检测,具有检测速度快、内存消耗小和适 用范围广等优点。     

基于粒子群优化非局部模糊聚类图像分割算法

为提高局部模糊聚类算法(WFLICM)对噪声图像 分割的抗噪性,克服模糊聚类图像分割算法对初 始聚类中心的敏感性及易陷入局部最优问题,在WFLICM算法的基础上提出一种基于粒子群 优化的融合 局部和非局部空间信息的模糊聚类图像分割算法(PSO-WMNLFCM)。首先,利用粒子群优化 算法的全局 寻优能力得到最优粒子,并以此粒子作为模糊聚类算法的初始聚类中心。其次,用像素的非 局部空间信息 替换模糊因子中的局部邻域值,产生新的目标函数。最后,由拉格朗日乘子法最小化目标函 数,得到隶属 度和聚类中心的更新公式,从而完成图像分割。仿真结果表明,PSO-WMNLFCM算法相比于 模糊局部聚 类(FLICM)算法、局部模糊权重(WFLICM)算法、非局部模糊聚类(NLFCM)算法、非局部模 糊聚类 (MNLFCM)算法、基于粒子 群的局部模糊聚类(PSO-FLICM)算法的划分系数提高了20.92%,20.51%,24.84%,1.44%,23.28%左右。     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

粒子群算法的可视化在MATLAB下的实现

粒子群算法是一种新型的仿生优化算法,由于收敛速度快、参数设置少、实现简单,在很多领域得到应用。以标准粒子群算法为例,首先描述了粒子群算法的工作原理,然后给出了该算法在MATLAB中实现的详细步骤,并实现了二、三维粒子的可视化。可视化实现不但能够使粒子群算法更容易理解,同时也能更深入的理解粒子群算法的运行原理,为进一步的深入研究、改进及推广应用提供了理论与实践基础。