均匀粒子群算法

由于粒子群算法(PSO)本质上的随机性,其搜索质量和速度也呈随机性.这使得普通的粒子群算法难以满足某些需要快速优化的工程需要.利用均匀设计方法产生PSO算法的初始种群（或关键代次种群）,可以使种群中的粒子在搜索空间分布更均匀,更好地保持分散性.算法中给出了4种种群的生成方案,通过测试和对比分析表明:基于值域分割的均匀设计种群生成法能使算法的搜索效果最好;算法可以在不丧失搜索精度和效率的前提下,提高搜索效率和搜索精度的稳定性,有效减少粒子聚集和早熟的发生.     

基于均匀设计的聚类多目标粒子群优化算法

为更有效地求解多目标优化问题,提出一种基于均匀设计的聚类多目标粒子群算法UCMOPSO。采用基于均匀设计的交叉操作尽可能地获得目标空间中均匀分布的非劣解,帮助种群跳出局部最优解,并通过一种新的聚类操作选择外部存档中有代表性的非劣解,从而控制外部存档规模,降低计算复杂度。对基准函数的测试结果表明,UCMOPSO算法相比同类算法在收敛性和分布性方面具有优势。     

具有量子行为粒子群优化算法的并行化研究

在研究了具有量子行为粒子群算法的基础上,受遗传算法并行化的启发,对具有量子行为的粒子群算法提出并实现了新的并行化策略。针对通信时间过长的问题,提出了改进方法。最后通过benchmark测试函数,将并行化量子粒子优化算法和二进制遗传算法、十进制遗传算法、粒子群优化算法的并行化方法进行了仿真比较,并对结果进行了分析。     

基于均匀设计的粒子群算法及其在飞控系统中的应用

将粒子群算法应用于飞行控制系统的优化设计中,需要解决两个问题：如何选择目标函数和如何确定初始种群和算法运行参数。针对这两个问题,分别提出了基于参考模型的飞行控制系统优化策略和基于均匀设计的粒子群算法初始种群和运行参数的选择方法。仿真结果表明,本文所提出的优化策略能够有效地解决飞行控制系统的优化设计问题,粒子群初始种群分布均匀,收敛速度快。     

结合K-means的并行粒子群优化

通过给基于孤岛模型的并行粒子群算法引入K-means来进行子种群的划分。这不仅可以使一个子种群中的粒子位置相对集中,学习相对容易,而且可以提高搜索效率,使有限的时间用在最有效的搜索上。针对并行算法的特点,对其进行改进,在满足一定条件时才进行通信,这样可以避免无效通信,减少通信所花的时间。仿真结果证实,该算法具有较高的收敛速度和收敛精度。     

并行仿真的粒子群优化算法异步模式研究

粒子群优化算法,起源于鸟群行为的研究,是一种基于群智能的进化计算技术,通过粒子之间的协作与竞争以实现对多维复杂空间的高效搜索。该文研究了粒子群优化算法的生物特征,提出粒子群优化算法的异步模式,使进化中的粒子个体充分表现出独立性,种群表现出异步性。异步模式的程序实现通过MFC多线程并行仿真实现。最后,采用经典测试函数验证异步模式的有效性,测试结果表明：与同步模式(经典PSO算法)比较分析,异步模式的收敛速度显著提高,同时刻的寻优效果更好。     

基于非均匀变异和多阶段扰动的粒子群优化算法

该文提出一种基于非均匀变异和多阶段扰动的粒子群优化算法,并对算法的搜索性能进行了一般性分析.首先,在算法执行的不同阶段利用对当前最优解施加大小不同的邻域扰动操作,很好地增加了群体多样性,提高了跳出局部陷阱的概率,同时加强了对当前最优解邻域内的精细搜索;其次,在粒子群优化算法中引入非均匀变异运算,并依据非均匀变异运算规律适应性地调整解向量的搜索步长.算法性能分析表明,本算法较好地兼顾了群体优化算法的多样性和精英学习强度之间的平衡问题.数值实验上,首先用12个经典测试函数,验证该文提出的几种新措施的有效性与互助性;其次,针对30维和50维的CEC2005测试函数集,所提算法NmP3PSO与经典算法wFIPS、CLPSO和OLPSO做了大量的仿真实验,结果表明该文提出的算法表现出富有竞争力的性能和稳定性.     

基于模拟退火的并行粒子群优化研究

针对粒子群优化(PSO)容易陷入局部极小,提出将模拟退火(SA)引入并行PSO算法．这种模拟退火并行粒子群算法,结合了并行粒子群算法的快速寻优能力和SA的概率突跳特性,保持了群体多样性,从而避免了种群退化．针对转炉提钒过程是一个复杂非线性反应过程而难以建立终点控制模型的问题,提出了基于模拟退火的并行粒子群RBF网络的辨识模型,优化了RBF核中心个数,从而克服了随机性选择．将该模型用于预测提钒吹氧时间,仿真结果表明预测误差不超过真实值的20％．     

保持粒子活性的改进粒子群优化算法

针对基本粒子群优化算法（particle swarm optimization, 简称PSO）存在的早熟收敛问题,提出了一种保持粒子活性的改进粒子群优化（IPSO）算法。当粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,使粒子能够有效地进行全局和局部搜索。通过对4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,而且能够更有效地进行全局搜索。     

基于粒子群优化算法的自动机制设计

机制设计是在代理自私行为的基础上寻找博弈规则,获得满意结果的理论和方法。传统的机制设计是手工完成的,Conitzer和Sandholm提出了自动机制设计的方法,把机制设计作为优化问题,并且用线性规划来解决。在本文中,我们提出了使用粒子群优化算法来实现自动机制设计,并对离婚案问题获得了较好的结果。     

一种基于PSO&PAM的聚类算法

PAM是最早提出的k-medoids算法之一,该算法比较健壮,比k-means算法鲁棒性更强,但是PAM对初始值敏感,易陷入局部收敛。利用PSO算法对PAM进行优化,提出一种基于PSO和PAM的聚类方法,充分利用PAM和PSO两者对于不同问题的优势,来不断地更新PAM的聚类中心。通过建立基于熵的聚类有效性函数,对混合聚类算法的性能进行客观评价。从来自UCI的数据的测试结果表明,这种混合聚类的方法有较高的聚类正确率。     

改进的云自适应粒子群算法

为了提高粒子群算法的寻优速度和精度,提出一种改进的云自适应粒子群算法（MCAPSO）。算法中根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略和进化策略,普通子群粒子采用云自适应惯性权重,有效地调整了算法的全局与局部搜索能力。选取了五个基准函数进行测试,与其他PSO算法作了比较。仿真结果表明该方法是有效的。     

基于PSO算法的飞行保障车辆调度问题研究

通过对飞行保障车辆调度过程的分析,针对传统估算法依据指挥员经验进行飞行保障车辆调度效率低等缺点,提出了一种基于线性递减权重PSO的飞行保障车辆调度问题解决方案。根据飞行保障车辆调度问题解的特点,对粒子的编码及寻优操作进行了深入研究,提出适合飞行保障车辆调度问题的粒子编码和寻优方式,并将算法利用Matlab编程实现,应用于实际飞行保障车辆调度过程中。仿真结果表明,通过对算法参数的合理设置,可以快速地得到较优的飞机保障工序排序结果,该排序结果能够满足动态飞行保障车辆调度的需要。     

基于粒子群优化算法的三角网格孔洞修补

为了对三角网格模型中的复杂孔洞和曲率变化较剧烈部位处的孔洞进行修补,提出了一种基于粒子群优化算法（PSO）的三角网格孔洞修补算法。首先对孔洞多边形进行初始网格化,并计算所有网格顶点的梯度值,然后采用PSO搜索与孔洞边缘顶点梯度匹配的点集,最后根据孔洞匹配点集中顶点的梯度对孔洞中的初始网格进行修正,实现三角网格孔洞的修补。实验表明,该算法对各种复杂或曲率变化较大的孔洞,都有很好的修补效果。     

基于MPI的并行PSO混合K均值聚类算法

传统的串行聚类算法在对海量数据进行聚类时性能往往不尽如人意,为了适应海量数据聚类分析的性能要求,针对传统聚类算法的不足,提出一种基于消息传递接口(MPI)集群的并行PSO混合K均值聚类算法。首先将改进的粒子群与K均值结合,提高该算法的全局搜索能力,然后利用该算法提出一种新的并行聚类策略,并将该算法与K均值聚类算法、粒子群优化(PSO)聚类算法进行比较。实验结果表明,该算法不仅具有较好的全局收敛性,而且具有较高的加速比。     

多粒子群协同进化算法

针对遗传算法收敛速度慢且易于陷入局部最优,而微粒群算法存在早熟的现象,提出了一种多粒子群协同进化算法,在多个粒子群协同进化的同时,通过构建基因库,使较劣的粒子根据基因库进行遗传操作,用4个基准函数进行实验表明,算法MPSOE3性能明显优于基本PSO算法,最后对该算法进行了推广,给出了一种基于计算智能的多群协同进化模型。     

基于粒子群算法的灰度相关图像匹配技术

首先对图像匹配问题进行了描述,接着简单介绍了标准粒子群优化算法及其一些基本概念。最后,引出如何运用粒子群优化算法来求解图像匹配问题。对实验结果的分析表明：基于粒子群优化算法的图像匹配算法能够在不失匹配精度的条件下,克服一般图像匹配方法运算量大、耗时长的缺点,满足实际运用中匹配精度和速度的要求。     

融合邻域粗糙集与粒子群优化的网络入侵检测

入侵检测数据往往含有大量的冗余、噪音特征及部分连续型属性,为了提高网络入侵检测的效果,利用邻域粗糙集对入侵检测数据集进行属性约简,消除冗余属性及噪声,也避免了传统粗糙集在连续型属性离散化过程中带来的信息损失;使用粒子群算法优化支持向量机的核函数参数和惩罚参数,以避免靠主观选择参数带来精度较低的风险,进一步提高入侵检测的性能。仿真实验结果表明,该算法能有效提高入侵检测的精度,具有较高的泛化性和稳定性。     

基于PSO的Wang Tiles纹理合成

如何在纹理样图中选择组成Wang Tiles的图像块决定着纹理的合成质量。基于PSO的Wang Tiles纹理合成通过粒子群优化算法在纹理样图中快速搜索边界差异最小的图像块,并用选取的图像块构建Wang Tiles,最后用Wang Tiles纹理合成算法合成纹理。实验表明,该算法合成的纹理具有较少的接缝,比随机选择图像块具有更好的合成效果。     

基于改进PSO算法的任务分配研究

为了解决虚拟企业中的任务分配问题,建立了任务分配的多目标决策优化模型。分析了传统的PSO算法,通过设置算法中速度惯性权重和加速度系数的自动调整,以及引入遗传算法中的变异操作,实现了对该算法的改进。基于改进的PSO算法求解任务分配模型,研究了求解问题与粒子的映射以及采用TOPSIS计算粒子位置适应度的方法,进而设计了一种基于改进PSO算法的任务分配算法。通过应用实例及仿真实验,证明了改进的PSO算法应用于任务分配的可行性和有效性。