基于改进PSO和DE的混合算法

研究粒子群优化(PSO)算法和差分进化(DE)算法的优缺点,通过改进PSO算法并与DE算法混合,得到一种双种群的新型混合全局优化算法。经过对5个标准测试函数的大量实验计算表明,该算法能有效克服PSO算法和DE算法的缺陷,使寻优精度有较大改进,在高维情况下表现更加突出。     

基于改进PSO算法的供应链优化

在建立供应链优化模型和分析基本粒子群优化算法的基础上,提出了一种求解供应链优化问题的改进粒子群算法。在优化过程中,该算法以优良适应值粒子取代部分不良适应值粒子,使算法具有过滤能力,加快了搜索速度,并保证了收敛于全局最优解。实验结果与基本粒子群算法进行了验证和比较,表明该改进粒子群算法具有较好的性能和简单快速准确等特点。     

基于改进PSO算法的目标温度模糊神经网络控制器

以某钢厂引进的板坯连铸二冷控制为研究对象,针对现有控制系统由于铸坯表面目标温度是预先设定的固定值,存在二冷水量波动大、铸坯质量不稳定等缺陷,设计了基于改进PSO算法的目标温度模糊神经网络控制器,在遵守冶金准则的前提下,根据浇注钢种与拉速、中包温度变化量动态控制目标温度。仿真结果表明：该控制器控制误差小,适应范围广,可以满足生产要求。提出了模糊神经网络的改进PSO算法,阐述了其基本思想、改进之处及其实施过程。研究结果对引进的同类连铸板坯二冷控制系统的升级改造具有指导意义。     

基于水平集的PSO算法的改进

粒子群优化算法PSO(Particle Swarm Optimization)目前仍存在着早熟收敛和收敛速度较慢的难题,提出一种新的PSO改进算法.该算法利用水平集对PSO的每一代粒子按照适应度进行划分,把与目标相关的所有信息结合在一起,改变了原有的PSO进化公式,提高了算法的收敛速度;其次,对于每一代的某个个体进行变异,使其变异到粒子密度低的空间中去,从而提高了粒子的多样性,减少早熟发生的机会.实验证明,这种算法是有效的.     

改进的PSO混合算法

为了提高粒子群算法的寻优速度和寻优精度,提出一种改进的PSO混合算法。在差分进化(DE)算法中引入了动态比例因子,在PSO算法中引入DE算法的变异、交叉操作,重新构造PSO算法的粒子位置更新公式。选取了4个基准函数进行测试,并与其他PSO混合算法作了比较。仿真结果表明该方法是有效的。     

改进PSO算法在主汽温系统PID参数优化中的应用

提出了一种基于改进的粒子群优化（PSO）算法的PID控制器参数整定方法。通过对粒子赋予不同的初始惯性权重,较好地协调了粒子的全局与局部搜索能力。通过对具有严重参数不确定性、多扰动以及大迟延的电厂主汽温被控对象的仿真研究,结果表明：改进的粒子群算法在保证PID控制稳定性基础上提高了PID控制的精度,且编码简单,易于实现,具有较好的应用前景。     

基于改进PSO的组合预测模型研究

为进一步提高组合预测的预测精度,有必要对预测模型的权重分配进行研究。将粒子群算法用于求解组合预测中模型的权重,并在研究过程中针对基本粒子群算法的不足,对粒子群算法的参数惯性权重和加速度因子进行了改进,构造了基于改进粒子群算法的组合预测模型。以重庆市物流需求的预测为背景,以四种方法为参照对象,对比验证了该改进模型的有效性以及预测的准确性。     

基于PSO改进决策树算法的研究

决策树方法是发现概念描述空间的一种特别有效的方法，是实例学习中具有代表性的学习方法，专门用于处理大量对象．如何快速建立简单可靠的决策树是一个重要的问题．文章引入PSO算法，并针对标准PSO算法易限于局部极小点的局限性，在保持了PSO算法结构简单可行特点的同时，利用惩罚函数方法，引入叉乘控制项，帮助算法摆脱局部极小点的束缚，提高了优化速度．将改进的PSO引入到决策树建树方法中，并与传统的决策树方法及使用遗传算法改进后的树进行比较，验证了其优越性．     

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。     

基于改进PSO算法的测试数据自动生成研究

为了提高软件测试中测试数据自动生成的效率,提出了一种基于改进PSO算法的测试数据自动生成的方法。通过在标准的PSO算法中引入人工免疫的思想,保持了群体的多样性,从而有效避免标准PSO算法易陷入局部最优的问题,提高了算法全局搜索的能力,增强了算法的整体性能。实验结果表明,利用改进后的PSO算法寻找最优解所需的迭代次数和时间明显少于标准粒子群算法,生成测试数据的速度快、效率高。     

基于过滤微粒群优化算法的虚拟企业伙伴选择

提出了一种过滤微粒群优化算法并应用于虚拟企业的伙伴选择问题.该算法以优良适应值微粒取代部分不良适应值微粒,使算法具有过滤能力,加快了搜索速度,并保证收敛于全局最优解.仿真实验及与基本PSO算法的对比分析表明了FPSO算法的有效性.     

基于改进PSO算法的拖拉机驱动防滑PID控制策略

为提高拖拉机等非道路车辆在正常行驶和工作阶段的通过性,针对拖拉机ASR控制策略进行了研究。基于Carsim和MATLAB/Simulink联合建立了拖拉机仿真模型,结合新提出的路面识别方法,实时更新目标滑转率,并利用改进的粒子群算法自适应的调整PID控制参数。针对不同路面进行一系列仿真实验,结果表明,目标滑转率随车辆行驶不断更新并最终达到所处路面的最优滑转率;基于改进PSO算法的PID参数自适应调整迅速,拖拉机滑转率收敛至目标值的响应较快,平均约1.5 s;在对接路面上行驶时,能有效的抑制拖拉机从高附着系数路面刚进入低附着系数路面时滑转率骤升情况,在高、低附着系数路面的稳定时间分别为2.63 s和1.55 s。     

基于改进PSO算法的最大熵阈值图像分割

图像分割是目标识别的首要和关键步骤。目前的图像分割方法有多种,其中阈值方法优点比较突出,但是采用阈值方法分割的关键是要能高效率地找到被分图像的最佳熵阈值。针对这一问题,将Geese-LDW-PSO算法的位置更新公式作了改进,即用当前种群的全局极值取代所有粒子的当前位置,并将之用于熵阈值图像分割中。仿真实验表明,该算法可以快速稳定地获得一幅图像的最佳分割阈值。仿真结果显示,该方法对车牌分割具有较好的性能。     

基于改进最近邻的协同过滤推荐算法

针对当前协同过滤推荐算法易受数据稀疏性与冷启动的问题,提出了一种改进最近邻的协同过滤推荐算法。建立用户-项目评分矩阵,并度量项目之间、用户之间的相似性,获取项目和用户的最近邻居,其中最近邻居的最优参数k值采用粒子群算法选择,在MovieLens和Book-Crossing数据集上进行了仿真对比实验。结果表明,相对于其他协同过滤推荐算法,该算法降低了平均绝对误差值,提升了推荐准确度,达到提高推荐质量效果的目的。     

基于IPSO算法的特征选择与目标识别

为了提高相似目标的分类识别率,实现降维,提出了一种基于改进的粒子群优化(IPSO)的特征选择与目标识别方法。IPSO利用二进制位串来计算位置和速度,并在速度更新公式中增加约束项,权衡识别率与特征维数的比重选择适应度函数。结合距离分类器,用IPSO在自建的相似目标特征库上进行最优特征子集选择及分类实验。实验结果表明了该算法的有效性,在UCI数据集上的对比实验结果表明了IPSO的改进效果。     

一种基于PSO和GA的混合算法

结合PSO算法和GA算法的优势,提出了一种新颖的PSO-GA混合算法(PGHA)。混合算法利用了PSO算法的速率和位置的更新规则,并引入了GA算法里的选择、交叉和变异思想。通过混合算法对4个标准函数进行实验并与标准PSO算法比较,结果表明混合算法表现出更好的性能。     

基于PSO的LS-SVM特征选择与参数优化算法

针对最小二乘支持向量机特征选择及参数优化问题,提出了一种基于PSO的LS-SVM特征选择与参数同步优化算法。首先产生若干种群（特征子集）,然后用PSO算法对特征及参数进行优化。在UCI标准数据集上进行的仿真实验表明,该算法可有效地找出合适的特征子集及LS-SVM参数,且与基于遗传算法的最小二乘支持向量机算法（GALS-SVM）和传统的LS-SVM算法相比具有较好的分类效果。