基于自适应混沌粒子群优化的防空目标分配

粒子群优化算法存在早熟收敛和搜索精度较低的问题.为此,提出一种基于自适应混沌粒子群的优化算法.采用自适应权重和遗传算法中的交叉、变异操作更新粒子群,增加种群粒子的多样性,运用早熟判断机制判断粒子的当前状态,当粒子处于早熟状态时,利用混沌搜索的方法引导群体快速跳出局部最优.仿真结果表明,该算法可以有效解决粒子群算法的早熟问题,提高搜索精度和收敛速度.     

利用改进遗传算法优化PID参数

为了改善单纯遗传算法早熟收敛与寻优能力不足的问题,将粒子群算法引入遗传算法变异操作中,提出了一种基于遗传算法与粒子群算法的组合算法。将改进的遗传算法应用于PID控制器参数优化中,通过仿真实验表明,新算法效果明显优于单纯遗传算法,能有效克服早熟收敛现象、降低随机性初始种群的影响、提高算法收敛精度,具有良好的收敛性和寻优能力。     

一种新的自适应动态文化粒子群优化算法

为了克服粒子群优化算法在解决复杂问题时易陷入局部最优的缺陷, 提出了一种新的自适应动态文化粒子群优化算法。该算法引入评价粒子群早熟收敛程度的指标来判断种群空间粒子群状态, 以确定影响函数对种群空间粒子群的作用时机, 当算法陷入局部最优时, 自适应地利用影响函数对种群空间进行变异更新, 从而有效发挥文化粒子群算法的双演化双促进机制。并且根据种群的早熟收敛程度自适应地调整粒子的惯性权重, 使种群在进化过程中始终保持惯性权重的多样性, 在算法的全局收敛性与收敛速度之间作一个很好的折中。最后对四个经典的测试函数进行仿真, 结果表明该算法具有很强的搜索能力, 收敛速度和收敛精度也有所提高。     

基于多种群进化与粒子群优化混合的频谱分配算法

为了解决认知无线网络中的频谱分配问题,提出一种基于多种群进化与粒子群优化混合的频谱分配算法。它采用图论着色模型,首先使用遗传算法将多个种群进行独立进化,以提高种群的全局搜索能力;然后选出每个种群中的最优的个体作为粒子群优化的粒子,并通过控制每个粒子的初始速度方向来加快算法的收敛速度。最后以系统总收益最大化和用户间的公平性为优化目标与遗传算法和粒子群算法进行了对比实验,仿真结果表明,该算法在收敛速度、认知用户接入公平性和系统总收益3个方面的性能均优于遗传算法和粒子群算法。     

基于粒子群神经网络线控转向故障诊断的研究

改进的自适应粒子群优化算法根据群体早熟收敛程度和个体适应值来调整惯性权重和阈值系数,以及对粒子速度与位置进行更新,该算法兼顾全局寻优和局部寻优,有效地避免早熟收敛.使用改进的自适应粒子群优化算法训练神经网络,并根据汽车线控转向系统构建故障诊断模型.实验结果表明:与传统的粒子群优化算法、遗传算法训练神经网络相比,基于改进的自适应粒子群优化算法的神经网络能够有效改善神经网络的训练效率,加快了收敛速度,提高故障模式识别的准确率.     

混沌粒子群算法及其在优化设计中的应用

针对粒子群算法易早熟收敛的局限性,提出了一种基于Hénon 映射的混沌粒子群优化(CPSO)算法。该算法采用Hénon 映射,利用种群适应度方差进行早熟收敛判断,根据群体早熟收敛程度和个体适应值来调整惯性权重。仿真实验表明,改进后的混沌粒子群优化算法使收敛速度加快,且不易陷入局部极值点。     

基于吸收和再生变异的粒子群优化算法

标准粒子群算法随着迭代次数的增加,整个粒子种群的多样性呈下降趋势,种群很快在当前最优位置的吸引下容易陷入局部最优而无法逃脱.因此,如何增加种群多样性,使粒子逃脱局部最优,成为增强算法全局寻优能力的关键.为了克服粒子群算法早熟收敛的缺点和增加其粒子多样性,通过引入“吸收”、“再生变异”算子,设计了一种新的粒子群优化算法,通过对常用基准函数的数值试验,证明了新算法不仅能有效地避免早熟收敛,而且具有更好的收敛效果.     

基于动态随机搜索和佳点集构造的改进粒子群优化算法

针对粒子群优化算法局部搜索能力不足和易出现早熟收敛的问题,提出一种基于动态随机搜索和佳点集构造的改进粒子群优化算法。该算法通过引入动态随机搜索技术,对种群当前最优位置进行局部搜索;采用佳点集构造对陷入早熟收敛的种群重新初始化;引入负梯度方向直线搜索来加速算法寻优。仿真实验结果表明,与标准粒子群优化(SPSO)算法和耗散粒子群优化(DPSO)算法比较, 提出的改进算法具有快速的收敛能力而且能有效地跳出局部最优, 优化性能得到明显提高。     

基于改进粒子群算法的PID控制器参数自整定

针对标准粒子群算法寻优精度不高、易出现早熟收敛等缺陷,提出一种自适应混沌移民变异粒子群算法IPSO。该算法通过引入基因距离来反映粒子间合作与竞争的隐性知识,使粒子种群的多样性得到量化,采取自适应混沌移民变异策略对陷入聚集区域的粒子进行处理,使之获得继续搜索的能力,从而防止算法过早陷入局部最优。仿真结果表明,IPSO算法在PID控制器参数寻优问题上具有遗传算法和标准粒子群算法无法比拟的优势。     

带有非线性惯性权重和柯西变异的粒子群优化算法

粒子群优化算法是一种新型启发式智能优化算法,它运行速度快,收敛性强,但是容易陷入局部极值.为了克服粒子群算法的早熟收敛现象,提出了一种新的带有非线性惯性权重和柯西变异的粒子群优化算法.首先,对算法中的惯性权值进行改进,增强粒子局部收敛能力;然后,利用柯西变异算子,增加种群多样性.数值实验表明,提出的改进粒子群优化算法具有较快收敛速度,寻优能力强,能有效克服早熟收敛现象.     

多选择背包问题的求解算法探讨

本文简介了三种基本算法:动态规划、遗传算法、蚁群算法.给出了用这三种算法解决多选择背包问题的基本原理及求解步骤.并分别对其进行优缺点评述,指出在规模较大时用改进的遗传算法或蚁群算法较好.     

基于改进自适应遗传算法的智能组卷算法

传统的组卷算法具有组卷速度慢、成功率低和组卷质量不高等缺陷。为了解决该问题,提出一种基于正弦形式自适应遗传算子的改进遗传算法的组卷算法,理论分析和实验结果表明,与基本遗传算法和自适应遗传算法相比,改进的遗传算法更能满足组卷的实际需求,在全局搜索性能、收敛速度和组卷成功率较基本遗传算法和自适应遗传算法有显著提高,证明了改进算法的有效性和优越性。     

铁路输送中平车装载问题的模型与算法

分析了铁路运输中的平车装载问题，借鉴了First Fit算法的思想，并引入条件变异算子，提出了求解平车装载问题的一种改进遗传算法，给出了该改进遗传算法编码方法、遗传算子改进方案和适应度函数的定义，该算法能有效地解决初始群体和进化过程中的无效染色体和早熟问题，并用实例验证了该算法的有效性。     

遗传算法在0/1背包问题中的应用及研究

遗传算法作为一种优胜劣汰的自然规律,可应用于人工智能、机器学习等多个方面。本文将遗传算法应用于0/1背包问题,首先介绍简单遗传算法,通过实验数据分析遗传算法在搜索范围、收敛速度和精度等方面的不足,进而基于贪心算法、适应度函数及遗传算子,修正可行解和不可行解,逐步改进遗传算法,防止算法陷于局部最优,提高算法的全局搜索能力和收敛速度。最后通过实验数据,比较简单遗传算法和改进遗传算法的实验结果,证明改进遗传算法在0/1背包问题应用中的精确性和高效性。     

基于PBIL算法的物流中心选址问题研究

介绍了基于种群竞争式学习的PBIL算法的基本原理和实现方法。比较了PBIL算法和遗传算法求解过程的异同点。分析了PBIL算法在物流中心选址问题中的应用,并且通过实例验证了算法的可行性和有效性,证明了PBIL算法比遗传算法具有更高的搜索效率。     

一种基于隔离自适应算子的遗传算法研究

本文首先介绍了遗传算法的理论知识,阐述了基本遗传算法的优点及不足之处。然后在小生境遗传算法的基 础上,引入了隔离技术以及自适应算子,形成了一种基于隔离技术以及梯度算子的小生境遗传算法。理论及实践均表明,新的 改进的遗传算法在实际问题的解决中确实优于基本小生境遗传算法。     

基于混沌遗传算子的人工鱼群算法

为提高人工鱼群算法的计算精度和收敛速度,在全局版人工鱼群算法的基础上,利用混沌遗传算子,增加鱼群迭代的混沌扰动以避免局部极值陷阱的同时较大提高了鱼群整体的优化效果和计算精度,加快了算法收敛速度.仿真结果表明,该算法有效可行.     

一种改进的小生境遗传聚类算法

传统的遗传算法具有早熟收敛和后期收敛速度慢的缺点,采用改进的小生境技术解决这一问题,同时根据具体问题改进了遗传算子,并将改进后的小生境遗传算法应用于聚类挖掘中。由于聚类挖掘算法中的K—means算法对初始值K的选取敏感,选取值的不同会导致聚类结果的不同,很容易陷入局部最优,使得聚类结果很差。因此,将改进的小生境遗传算法和K-means算法相结合,得出一种改进的小生境遗传聚类算法。验证表明优该算法对提高聚类分析质量是有效的。     

基于Hadoop的改进型遗传聚类算法

针对经典K-means聚类算法存在易陷入局部最优解的缺点,提出并实现了一种基于Hadoop的改进型遗传聚类算法.该算法利用遗传算法具有全局性和并行性的特点去处理K-means聚类算法易陷入局部最优的缺点,在此基础上对遗传算法进行改进,然后将改进后的遗传算法与K-means算法相结合,为提高算法执行效率,将其基于Hadoop平台进行了实现.通过实验将该改进方法与经典聚类算法进行对比分析,实验结果表明该方法在聚类准确性和聚类效率上均有较大的提高.     

基于学习算子的自学习遗传算法设计

遗传算子是影响遗传算法优化效果的重要因素。针对目前遗传算法研究中忽视个体能动性,没有充分利用进化经验信息的不足,提出反映个体学习能力的学习算子。给出了以个体适应度的变化方向和速度为依据的学习算子设计方法及其计算过程。在此基础上与现有的改进遗传算子结合,提出一种新的改进遗传算法-自学习遗传算法,分析了自学习遗传算法与自适应遗传算法之间在原理上的区别。以一个弹道导弹射程优化问题为算例对算法进行了性能测试,结果表明,在采用相同的改进遗传算子的条件下,学习算子能够以较低的代价提高遗传算法的收敛速度,并获得更好的最终优化结果。