基于改进磷虾群算法的SVDD参数优化

支持向量数据描述（SVDD）是构造单类数据描述的分类算法,惩罚参数[C]和核参数[σ]作为影响SVDD分类效果的关键,其合理选取一直是个难点。针对这一问题,提出了一种基于改进磷虾群算法的SVDD参数优化算法（IKH-SVDD）。依据仿真实验,分析参数[C]和[σ]对描述边界的影响;引入磷虾群算法并分析其优劣,通过在随机扩散行为中定义扰动因子,增强算法的全局搜索能力;将一种新的精英选择和保留策略引入迭代过程,提高算法的收敛精度;将改进的磷虾群算法引入SVDD参数优化过程,构建了IKH-SVDD参数优化模型。基于UCI标准数据库进行实验并与其他几种参数优化算法进行比较,结果表明了IKH-SVDD算法具有更高的分类准确性。     

基于支持向量数据描述的高速公路事件检测

提出了一种基于支持向量数据描述（SVDD）算法的快速事件检测方法。该算法把有事件样本和无事件样本分别用全体样本优化的SVDD算法进行优化。但每次只对那些对超球体边界有影响的数据进行优化。该方法既保留了全体样本优化SVDD算法的优点,又达到加快训练速度的目的。采用I～880数据库中实际交通的历史数据进行实验,并与全体样本优化SVDD实验结果相比较。实验证明该分类方法能够获得较高检测率和较低的误报率,且需要较短的训练时间,表明了所给方法的有效性和可行性。     

基于群体爬山策略的混合粒子群优化算法

针对粒子群优化算法（PSO）在求解高维复杂优化问题时存在搜索精度不高和易陷入局部最优解的缺陷,借鉴混合蛙跳算法（SFLA）的群体爬山思想,提出一种基于群体爬山策略的混合粒子群优化算法（CMCPSO）,并证明了CMCPSO算法的全局收敛性。对四个典型高维连续优化函数的求解表明,该算法不仅保持了PSO算法的快速收敛能力,而且吸收了SFLA算法局部精细搜索和保持种群多样性的优点,具有良好的全局收敛性。     

基于支持向量数据描述的高速公路事件检测

提出了一种基于支持向量数据描述(SVDD)算法的快速事件检测方法.该算法把有事件样本和无事件样本分别用全体样本优化的SVDD算法进行优化.但每次只对那些对超球体边界有影响的数据进行优化.该方法既保留了全体样本优化SVDD算法的优点,又达到加快训练速度的目的.采用1-880数据库中实际交通的历史数据进行实验,并与全体样本优化SVDD实验结果相比较.实验证明该分类方法能够获得较高检测率和较低的误报率,且需要较短的训练时间,表明了所给方法的有效性和可行性.     

面向多模态函数优化的改进小生境粒子群算法

为了保持群体多样性以增强全局搜索能力,小生境技术在遗传算法中得到了广泛应用.针对多模态函数优化问题,将小生境技术引入到粒子群算法中,建立小生境熵作为群体多样性的量化指标,实时考查进化过程中群体的多样性并调整进化参数;结合数论中的佳点理论,提出一种在解空间使用佳点搜索的群体多样性发掘方法,使得进化过程中群体多样性水平始终保持在设定的阈值之上,从而改善算法的全局搜索能力以期跳出局部最优;在此基础上提出一种旨在找出全部全局最优解和局部最优解的新型串行多群体小生境粒子群算法.数值实验表明,改进的小生境粒子群算法在求解多模态函数优化问题时具有较好的自适应性和收敛性.将算法应用于图像配准实验中,使得配准参数估计误差有明显降低.     

基于概率的支持向量数据描述方法

针对目前概率机器学习方法在解决概率问题时具有较高的复杂度,而传统的支持向量数据描述（SVDD）作为一种核密度估计方法只能判断测试样本是否属于该类等问题,提出一种基于概率的支持向量数据描述方法。首先,利用传统的SVDD方法分别得到两类数据的数据描述,计算测试样本到超球体的距离;然后,构造一个将距离转换为概率的函数,提出一种基于概率的SVDD方法;同时,使用Bagging算法进行集成,进一步提高数据描述的性能。借鉴分类场景,将所提方法与传统的SVDD方法在Gunnar Raetsch的13种基准数据集上进行实验,实验结果表明,所提方法在准确率和F1值上优于传统的SVDD方法,并且其数据描述的性能有所提升。     

一种带逆反的粒子群算法

粒子群算法（PSO）是一种典型的基于群体智能的优化算法,但其在速度较小时,容易陷入局部最优解;本文提出一种带逆反的粒子群算法（PSORTP）,并对其全局收敛性进行了理论分析,证明该算法能够以概率1收敛于全局最优解,最后以典型的函数优化问题的仿真实验及与经典方法的PSO的对比,验证了PSORTP的有效性。     

基于粒子群优化的BP网络学习算法

本文提出一种新颖的基于粒子群优化的BP网络学习算法，该算法是一种全局随机优化算法。用Iris分类问题，将所提出的算法与BP算法作了对比实验。实验结果表明：所提出的算法性能优于BP算法，而且具有良好的收敛性。     

基于改进的模拟退火算法及其在火炮控制系统中的应用

针对现有火炮控制系统与模拟退火算法优化存在的问题,提出了一种改进的模拟退火算法用于火炮控制系统PID参数寻优的方案,即基于变尺度法的模拟退火算法。该算法采用了全局优化和局部优化相结合的思想,能显著提高算法的执行效率,收敛性较好,而且不易陷入局部最优解。给出了具体实现过程和优化实例,并将该算法应用到火炮控制系统中,仿真实验表明,该算法是一种有效的全局优化算法。     

最小方差支撑向量数据域描述

支撑向量数据域描述(SVDD)是一种已经得到了广泛应用的核方法,但是其在构建超球时没有充分考虑数据分布信息。针对此问题,首先等价改写了SVDD算法优化问题,然后重新定义了该优化问题中的距离定义形式,进而提出了最小方差支撑向量数据域描述(MVSVDD)算法。该算法充分考虑数据的分布信息。实验结果表明,相对于传统SVDD算法,MVSVDD在泛化能力上得到了较为明显的提高,体现出了更好的描述数据域的能力。     

CW-PSO及其在古建筑传感器优化配置中的应用研究

针对粒子群优化算法容易陷入早熟收敛以及全局搜索和局部搜索平衡能力差等缺点,提出了基于余弦自适应调整惯性权重的粒子群优化算法(CW-PSO),并将其应用在木构古建筑传感器优化配置中。仿真结果表明,该算法在一定程度上避免了早熟收敛,提高了全局和局部搜索性能,又能得到较为精确的寻优结果。     

Global parameter optimization for biokinetic modeling of simple batch experiments

Environmental process modeling is challenged by the lack of high quality data, stochastic variations, and nonlinear behavior. Conventionally, parameter optimization is based on stochastic sampling techniques to deal with the nonlinear behavior of the proposed models. Despite widespread use, such tools cannot guarantee globally optimal parameter estimates. It can be especially difficult in practice to differentiate between lack of algorithm convergence, convergence to a non-global local optimum, and model structure deficits. For this reason, we use a deterministic global optimization algorithm for kinetic model identification and demonstrate it with a model describing a typical batch experiment. A combination of interval arithmetic, reformulations, and relaxations allows globally optimal identification of all (six) model parameters. In addition, the results suggest that further improvements may be obtained by modification of the optimization problem or by proof of the hypothesized pseudo-convex nature of the problem suggested by our results.     

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。     

一种基于免疫原理求解TSP问题的模型

基于人工免疫原理,建立了一个基于免疫机制求解TSP问题的数学模型。在该模型中,定义了TSP问题中的抗原和抗体,描述了记忆细胞动态进化过程,并借鉴遗传算法中基因变异思想,提出了优势基因进化的GFE算法,结合生物免疫系统抗体浓度稳定原理,在克隆选择过程中实现了抗体集合的进化计算,快速有效地求解出问题的全局近似最优解。实验结果表明该算法对解决组合优化问题不仅可行,而且有较快的收敛速度和较强的全局搜索能力。     

基于自调节粒子群算法的盲检测

以往基于粒子群优化的盲算法能成功实现信号盲检测,但具有算法收敛速度慢、容易陷入局部最小的缺点。文中通过分析粒子群算法的机能及参数的设置,提出一种改进的基于自调节粒子群优化的盲检测算法。算法构成思想是：基于MIMO系统的盲检测系统模型将盲检测问题转化为二次优化问题,利用改进的自调节粒子群优化算法对此优化问题进行寻优。仿真表明,改进算法具有全局收敛性好、收敛速度快、误码率低的优点,能够更好地解决盲检测问题。     

结合全局与局部视频表示的视频异常检测算法

针对视频异常行为检测问题,提出结合全局与局部视频表示的视频异常检测算法.首先将输入视频连续多帧划分为视频块.再按空间位置将视频块划分为互不重叠的时空立方体,利用时空立方体运动特征构建基于空间位置的全局时空网格位置支持向量数据描述模型(SVDD).然后针对视频运动目标,提取局部纹理运动特征,采用SVDD获得围绕目标特征的超球体边界,构建运动目标正常行为模型.最后组合两部分以实现更全面的检测.公共数据集上的实验验证文中算法的有效性.     

基于改进型蚁群算法的最优路径问题求解

如何高效的向用户提供最优路径是蚁群算法大规模应用于导航系统的关键问题,针对现有最优路径问题研究中蚁群算法收敛速度慢及容易发生停滞的缺点,利用A*算法的启发式信息改进蚁群算法的路径选择策略,加快算法收敛速度.同时引入遗传算法的双种群策略和蚁群系统信息素更新策略,增加全局搜索能力,避免算法出现停滞现象.仿真实验结果表明,该改进算法具有较好的稳定性和全局优化性,且收敛速度较快.     

求解TSP问题的自逃逸混合离散粒子群算法研究

通过对旅行商问题（TSP）局部最优解与个体最优解、群体最优解之间的关系分析,针对DPSO算法易早熟和收敛慢的缺点,重新定义了离散粒子群DPSO的速度、位置公式,结合生物界中物种在生存密度过大时个体会自动分散迁徙的特性和局部搜索算法（SEC）后,提出了一种新的自逃逸混合离散粒子群算法（SEHDPSO）.自逃逸思想是一种确定性变异操作,能使算法中陷入局部极小区域的粒子通过自逃逸行为进行全局寻优,从而克服算法易早熟的缺陷.仿真结果表明,SEHDPSO算法比混合蚁群算法（ACS＋2-OPT）具有更好的收敛性和搜索效率.     

加权SVDD算法在人体姿态估计中的研究与应用

支持向量数据描述（SVDD）算法是解决单类分类问题的最好方法之一,在人体姿态估计问题中获得了成功的应用,在建立部位外观模型方面取得了良好的效果,但现有利用SVDD算法建立的部位外观模型将所有训练样本和样本不同特征都平等对待。为克服存在的这两个缺陷,提出了一种样本和特征加权的SVDD算法,并用其建立了一种基于样本和特征加权SVDD算法的部位外观模型。样本的权重系数根据样本到样本中心的距离远近来确定,样本特征的权重系数根据特征对应图像区域被训练图像中真实人体部位包含次数的多少来确定。仿真实验结果表明所建立的部位外观模型比利用标准SVDD算法建立的部位外观模型能更准确地描述真实人体部位的外观,能得到更高的人体姿态估计准确度。