基于改进粒子群算法的OFDM系统资源分配

提出一种具有全局优化能力的改进粒子群算法,将信道分配和比特功率分配问题相结合,实现电力线信道下多用户自适应OFDM比特功率分配。在典型低压电力线通信信道环境下的matlab仿真结果表明:本文提出的算法可行且有效,适合多用户通信环境,节省了多用户自适应OFDM系统的运算时间,降低了发射功率,且算法简单易操作,有望应用于更广泛的优化问题。     

自适应变异的粒子群优化算法

针对粒子群算法的早熟收敛问题,提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值,根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力,增大寻找全局最优的几率。对几种典型函数的测试结果表明,新算法的全局搜索能力有了明显的提高,有效避免了早熟收敛问题。     

基于粒子群算法的无线信道资源分配算法研究

为了 最大化 多媒体无线信道资源分配的网络效用,提出了一种新的基于粒子群算法的信道时间分配算法。该算法能够优化分配给网络内每个设备的时间,以便为每位网络用户 提供最优化的服务质量(QoS)。所提算法结合了多样性增加函数以及基于个体最优值的学习方法,并基于自适应粒子群算法进行了改进,在持续增强QoS的同时加快了收敛速度。在多达40个设备的千兆网络环境内对所提算法进行了测试。实验结果表明,提出的算法能够大大提升资源分配能力,尤其是在网络规模较大的情况下。     

自适应变异粒子群算法

为了解决粒子群种群多样性低、容易陷入局部最优的缺点,结合最优粒子和其他粒子在种群中的不同作用,给出了一种自适应变异粒子群算法。算法中最优粒子根据种群进化程度,自适应调整自身搜索邻域大小,增强种群的局部搜索能力;对非最优粒子的位置进行小概率的随机初始化,当其速度为零时,速度自适应变化,以便增强种群多样性和全局搜索能力。仿真实验中,将算法应用于6个典型复杂函数优化问题,并与其他变异粒子群算法比较,结果表明,增强种群多样性的同时提高了局部搜索能力。     

二冷配水优化建模与混合自适应粒子群算法求解

针对连铸二冷区生产环境复杂且存在着大量水雾干扰的情况,建立了连铸水量优化模型并提出了一种混合的自适应粒子群算法来求解连铸二冷水优化问题;依据冶金过程中的工艺要求建立了二冷水量优化模型,并在经典的PSO算法基础上提出了适合该问题求解了混合自适应PSO算法;由于连铸过程存在着偏微分方程约束,传统的优化方法容易陷入局部最优解,不能达到很好的动态优化效果;研究了粒子群算法,基于种群的多样性,不断的自适应的更新粒子群算法中参数,将禁忌搜索的方法和传统的粒子群算法结合,增强了算法的局部搜索能力和全局寻找全局最优的能力;将该算法应用到连铸二冷水动态优化中,实验结果表面该算法能够快速有效的求解该优化问题;该方法用于连铸二冷水优化是可行的、有效的。     

基于改进人工鱼群算法的多用户OFDM系统自适应资源分配*

在鱼群算法中提出了人工鱼的吞食行为,对算法进行了改进,在保证算法性能的前提下明显降低了人工鱼群算法的复杂度。通过对多用户OFDM系统模型的分析,结合对用户公平性的考虑,给出了该系统中自适应资源分配问题的目标函数。用改进鱼群算法在保证用户公平性的基础上,很好地解决了多用户OFDM中的自适应资源分配问题,实现系统总传输速率最大化。     

一种并行的自适应量子粒子群算法

针对粒子群算法存在易陷入局部最优解的问题,提出了一种并行的自适应量子粒子群算法。通过共享粒子的两个极值,将改进后的自适应粒子群算法和边界变异的量子粒子群算法并行搜索,有效地克服了标准粒子群算法的缺陷。测试结果表明,该算法在精度和全局最优解的找寻速度方面有了很大的提高。     

基于禁忌搜索的自适应粒子群算法

针对惯性权重线性递减粒子群算法不能适应复杂的非线性优化搜索过程的问题,提出了一种基于Sigmoid函数和聚集距离变化率改变惯性权重的方法。为了解决算法后期易陷入局部最优的缺点,在算法后期引人了具有记忆能力的禁忌搜索算法。改进后的算法不仅综合了粒子群优化算法的快速性、随机性和全局收敛性的优点,而且还具有禁忌搜索局部寻优的能力。测试函数仿真结果表明,改进后的算法不仅较好地避免了陷入局部最优,而且收敛速度也有提高。     

基于禁忌搜索的自适应粒子群算法

针对惯性权重线性递减粒子群算法不能适应复杂的非线性优化搜索过程的问题,提出了一种基于Sigmoid函数和.聚集距离变化率改变惯性权重的方法.为了解决算法后期易陷入局部最优的缺点,在算法后期引入了具有记忆能力的禁忌搜索算法.改进后的算法不仅综合了粒子群优化算法的快速性、随机性和全局收敛性的优点,而且还具有禁忌搜索局部寻优的能力.测试函数仿真结果表明,改进后的算法不仅较好地避免了陷入局部最优,而且收敛速度也有提高.     

基于自适应改进粒子群优化的数据离散化算法

针对经典粗糙集只能处理离散型属性的问题,提出一种基于自适应混合粒子群优化(AHPSO)的离散化算法。首先,引入自适应调整策略,以克服粒子群易陷入局部解的缺点,提高了粒子群全局寻优能力;然后对每一代全局最优粒子进行禁忌搜索(TS),得到当代最佳全局最优粒子,增强了粒子群局部搜索能力;最后,在保持决策表分类能力不变的情况下,将属性离散化分割点初始化为粒子群体,通过粒子间的相互作用得到最佳的离散化分割点。使用WEKA平台上的J48决策树分类方法,与基于属性重要度、信息熵的离散化算法相比,该算法的分类精度提升了10%~20%;与基于小生境离散粒子群优化(NDPSO)、参数线性递减粒子群的离散化算法相比,该算法的分类精度提升了2%~5%。实验结果表明,该算法显著地提高了J48决策树的分类学习精度,在对数据离散化时也有较好的性能。     

基于自适应粒子群优化LSSVM的网络流量在线预测

针对带混沌特性的网络流量在线预测,提出一种融合自适应粒子群算法(APSO)和递推式最小二乘支持向量机回归的流量模型。对流量序列嵌入重构得到多维状态输入矢量,将其作为初始LSSVM的训练样本,其中采用自适应粒子群算法对模型的特征参数、嵌入维数寻优,避免早熟停滞。对于在线预报过程中的吸收样本、删减样本采用核矩阵迭代式求解,动态调整回归机,使得模型具有在线学习能力,由此得APSO-LSSVM在线流量预测模型,并考察网络负荷度与嵌入维数关系。仿真实验表明:该方法能有效预测网络流量,实现较高精度实时流量估计。     

基于粒子群优化和禁忌搜索的混合调度算法

提出了用于解决作业车间调度问题的离散版粒子群优化算法。该算法采用基于先后表编码方案和新的位移更新模型,使具有连续本质的粒子群优化算法直接适用于车间调度问题。同时,利用粒子群优化算法的全局搜索能力和禁忌搜索算法的自适应优点,将粒子群优化算法和禁忌搜索结合起来,设计了广义粒子群优化算法和粒子群—禁忌搜索交替算法两种混合调度算法。实验结果表明,两种混合调度算法能够有效地、高质量地解决作业车间调度问题。     

一种基于遗传算法改进的粒子群优化算法

在研究标准粒子群算法和遗传算法的基础上,介绍一种加入遗传选择,交叉算子以及变异算子的扩展算法,以提高粒子群算法摆脱局部极值点的能力,并且算法具有较快的收敛能力。     

基于寿命的粒子群算法研究

针对粒子群算法易陷入局部最优的缺陷,提出了一种具有寿命的PSO(LS-PSO),算法赋予gbest有限的寿命,并且根据其引导能力对寿命进行自适应调整。当gbest耗尽其寿命时,它将失去领导能力,并被一个新产生并经测试具有足够引导能力的粒子所代替,继续引导群体搜索解空间的不同区域,并在两个单峰标准测试函数和六个多峰标准测试函数上对算法进行了测试。结果表明,LS-PSO比传统PSO及改进算法CLPSO有更好的求解精度和收敛速度。     

基于粒子群优化算法求解软件可靠性分配问题

首先介绍粒子群优化的搜索策略与基本算法,通过构造具有自适应权重ω的改进方法,有效地改善了粒子群优化算法的搜索效率和搜索精度,并应用于求解软件可靠性分配问题中。实验表明了PSO在求解软件可靠性分配问题的有效性。     

变异粒子群优化最小二乘支持向量机的网络流量预测

针对最小二乘支持向量机参数优化问题,提出一种变异粒子群算法优化最小二乘支持向量的网络流量预测模型(MPSOLSSVM)。首先对网络流量序列进行相空间重构,构建最小二乘支持向量的学习样本;然后采用变异粒子群算法选择最小二乘支持向量机参数,从而建立最优的网络流量预测模型,最后与其他模型进行对比实验。对比结果表明,相对于对比模型,MPSO-LSSVM提高了网络流量的预测精度,预测结果可以为网络管理员提供有价值参考信息。     

基于粒子群算法的摄像机自标定

基于图像信息,实现对物体的三维重构在交通、地质等领域具有重要的应用价值,对此首先要建立图像坐标和大地坐标的对应关系,而这种关系涉及到摄像机的内部及外部参数,这就需要对摄像机进行标定,确定其参数。利用几何关系给出坐标系间的关系模型,以标定板上关键点间的实际距离和理论距离的相对误差绝对值为目标,将参数确定问题转化为非线性优化问题,进而利用PSO算法对优化模型进行求解,实现对摄像机的自标定。通过实际图像的采集并进行数值计算,结果表明模型正确,与其他算法相比,计算精度得到显著提高。     

基于改进惯性权重的粒子群优化算法

惯性权重是粒子群算法中平衡全局搜索和局部搜索能力的重要参数,提出了一种基于改进惯性权重的粒子群优化算法。该算法在进化初期采用基于不同粒子不同维的动态自适应惯性权重策略,加快收敛速度,在进化后期采用线性递减权重策略,同时为防止陷入局优,适时引入混沌变异增加种群多样性。对5个典型测试函数的测试结果表明,NPSO在收敛速度、收敛精度、稳定性和全局搜索能力等方面比线性权重PSO(LDIWPSO)均有很大程度上的提高。     

基于粒子群优化的仓虫分类识别技术研究

在对仓虫分类识别过程中,为了改善因采用BP神经网络产生的由于训练时间长和易于陷入局部极小点,而导致效率和分类的准确性较低的情况,对粒子群优化算法进行了研究,并把这种算法运用到神经网络学习训练中。实验表明,将基于粒子群优化的神经网络算法应用到仓虫分类中,从训练时间、识别率上得到了较大的改善,而且算法易于实现,且能更快地收敛于全局最优解。     

基于粒子群优化建模的贝叶斯网络结构学习方法

贝叶斯网络(BN)在不确定性的条件下表示信息和推理论证具有良好的性能,但由于其结构搜索空间的复杂性,通常将从一个数据集合中学习贝叶斯网络的结构认为是一种NP-hard的问题。基于此,提出一种新的基于粒子群优化算法建模的贝叶斯网络结构学习方法。为了学习一个贝叶斯网络的结构,该方法先使用粒子群优化算法在排序空间中进行搜索,然后运行K2算法计算每个排序的吻合度。每个排序都会有一个网络结构与之一致,该方法会返回这个网络的计分。仿真结果表明,在不同规模的数据集中,该算法相对于其他贝叶斯网络结构学习算法对不同类型的网络都具有更好的网络稳定性。