基于EM算法和PSO算法的混合优化算法

针对粒子群优化算法容易陷入局部最优解并且存在过早收敛的问题,将类电磁机制算法中的吸引-排斥机制引入到粒子群优化算法中,提出一种类电磁机制算法和粒子群优化算法的混合优化算法(EMPSO).首先按照基本粒子群优化算法的寻优方式对各粒子进行更新,再利用类电磁机制中的吸引-排斥机制对个体最优粒子和群体最优粒子进行移动,最后通过几个标准测试函数进行了测试,并与标准粒子群算法(PSO)、免疫粒子群算法(IPSO)、混沌粒子群算法(CPSO)进行对比.测试结果表明,改进算法提高了全局搜索能力和熟练速度,改善了优化性能.     

多阈值图像分割的模糊粒子群优化算法

把粒子群算法应用到多阈值图像分割中,结合已有的模糊C-均值聚类法提出了一种基于模糊技术的粒子群优化多阈值图像分割算法。FCM聚类算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解。PSO算法是一种基于群体的具有全局寻优能力的优化方法。将FCM聚类算法和PSO算法结合起来,将FCM聚类算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明新算法在最大熵评判准则下能够得到最优阈值。     

基于Chebyshev映射的混沌粒子群融合FCM聚类算法

在PSO融合FCM实施聚类分析中,为克服PSO迭代后期易于发生早熟这一问题,选用Chebyshev映射产生混沌序列。在粒子群初始化时,使用该映射分别初始化各粒子位置和速度,同时,在粒子群算法各次迭代运行中,使用该映射计算惯性系数,并利用适应度方差判定粒子群算法是否发生早熟。若未发生早熟,则依基于混沌惯性系数粒子群搜索最优解,当发生早熟时,则按当前粒子群迄今为止搜索到的最优位置为起点进行混沌搜索,并用搜到的最优位置替换粒子群中最差粒子位置,进而将该混沌粒子群算法同FCM算法融合完成聚类分析任务。提出一种基于Chebyshev映射的混沌粒子群融合FCM均值聚类算法。实验结果显示该算法具有较好的寻优能力并提高了样本分类精度。     

采用改进的k均值聚类分析策略的粒子群算法

对于多维函数的最优解搜索,粒子群优化算法存在前期易陷入局部最优,后期收敛速度缓慢的问题。将改进的k均值聚类分析策略与PSO相结合提出了一种混合粒子群优化算法CA-PSO。在算法中,利用改进的k均值聚类分析方法将粒子群划分成若干个子群,结合PSO的隐含并行搜索的优势增强了寻优性能。不仅增加了粒子间的信息交换,抑制了早熟收敛,并且提高了全局寻优速度和计算精度。理论证明,在一定条件下,CA-PSO具有稳定收敛性。仿真结果表明,CA-PSO性能优于基本粒子群优化算法。     

基于双粒子群算法的矿井搜救机器人路径规划

针对在复杂地形中标准的粒子群算法用于矿井搜救机器人路径规划存在迭代速度慢和求解精度低的问题,提出了一种基于双粒子群算法的矿井搜救机器人路径规划方法。首先将障碍物膨胀化处理为规则化多边形,以此建立环境模型,再以改进双粒子群算法作为路径寻优算法,当传感器检测到搜救机器人正前方一定距离内有障碍物时,开始运行双改进粒子群算法:改进学习因子的粒子群算法(CPSO)粒子步长大,适用于相对开阔地带寻找路径,而添加动态速度权重的粒子群算法(PPSO)粒子步长小,擅长在障碍物形状复杂多变地带寻找路径;然后评估2种粒子群算法得到的路径是否符合避障条件,若均符合避障条件,则选取最短路径作为最终路径;最后得到矿井搜救机器人在整个路况模型中的最优行驶路径。仿真结果表明,通过改进学习因子和添加动态速度权重提高了粒子群算法的收敛速度,降低了最优解波动幅度,改进的双粒子群算法能够与路径规划模型有效结合,在复杂路段能够寻找到最优路径,提高了路径规划成功率,缩短了路径长度。     

基于限域拟牛顿法的混沌类电磁学机制算法及其在路径寻优中的应用

针对类电磁学(EM)算法后期"开采"能力不够、解精度不高且易陷入早熟的问题,提出了一种结合混沌映射和限域拟牛顿(L-BFGS)局部寻优算子的混沌类电磁学算法。其主要思想是在类电磁学算法后期采用限域拟牛顿算子取代类电磁学算法局部寻优算子进行局部搜索;在算法整个寻优过程加入混沌映射,利用混沌映射随机遍历的特性,生成新个体跳出局部从而保持种群多样性。通过对3个连续域测试函数的仿真比较,表明该算法后期能有效地跳出局部最优,较基本类电磁学算法在收敛速度方面有明显优势,较粒子群算法(PSO)和加速度系数随时间变化的粒子群算法(TVAC)在解的精度以及快速收敛方面更佳;通过在路径寻优中的应用结果对比表明该算法较元胞蚁群算法(ACO)、粒子群算法在路径寻优中能得到最佳路径,说明其在离散域问题中具有更好的适用性。     

基于精英克隆选择的粒子群优化算法研究与应用

粒子群算法(PSO)是一种基于迭代的智能算法,具有较好的全局搜索能力,但局部搜索能力较弱.针对粒子群算法容易陷入局部最优不足这一问题,本文提出了一种精英克隆选择的方法.该算法在基本粒子群算法的基础上保留了种群中的若干个精英粒子,然后将这些精英粒子进行克隆复制,并将复制之后的粒子进行变异操作,再将变异之后的粒子与变异前的粒子进行亲和度的比较,保留下来亲和度提高的粒子并替换之前适应值较差的粒子,通过这种方式增强了种群的多样性,从而避免了粒子陷入局部最优的问题.此外,本文引入了新的改进惯性权重的机制,根据粒子位置和速度的情况自适应地改变惯性权重,这样避免了粒子盲目运动,更有针对性的寻找最优解.对4个高维复杂函数寻优测试,分别从平均精度和标准差这两方面进行分析,结果表明改进之后的算法在寻优精度和稳定性方面都超过了基本PSO,从仿真图像中可以看出改进之后的算法在迭代末期跳出了局部最优更接近全局最优值.最后将这种改进的算法应用到优化乙烯、丙烯的收率模型中,应用结果表明当裂解原料属性发生改变时,本文提出的算法可以很快完成对操作变量的寻优,显著提高了“双烯”收率.     

吸引子权重改变内嵌区域震荡搜索粒子群算法

针对粒子群算法搜索精度不高、搜索最优解较慢的问题,提出了一种改进的粒子群算法。该算法通过调整全局最优解和个体最优解,形成一个新的全局吸引子解指导粒子收敛,优化种群粒子来搜索解空间的最优值。再将优化方案融入到内嵌区域震荡搜索的粒子群算法（RSPSO）中,仿真结果表明,改进的粒子群算法在寻优能力及搜索精度方面都得到了进一步的提高。     

基于混沌PSO和K均值算法的移动用户分类

为了克服经典K～Means算法随机选择初始数据中心而易陷入局部最优解和聚类结果的不确定性问题,提出一种基于粒子群和KMeans算法的改进聚类算法以实现移动用户分类。首先,定义数据对象密度并采用改进的普里姆算法初始化聚类中心,然后,将此聚类中心用于初始化粒子位置,采用混沌粒子群算法寻优获得最优解作为最终的聚类中心,最后,采用经典K—Means算法根据最终聚类中心进行聚类。仿真实验表明文中方法能正确地实现移动用户分类,并具有较强的全局寻优能力和较快的收敛速度,弥补了经典K—Means方法的不足,具有较强的现实意义。     

量子粒子群优化改进的模糊C均值聚类算法

针对模糊C-均值(FCM)聚类算法对初始聚类中心选择敏感,易陷入局部最优的问题,提出一种量子粒子群优化改进的模糊C均值聚类算法。该算法引入的基于新距离标准的量子粒子群(AQPSO)算法不仅可以降低初始点敏感度,较快地收敛到最优解,而且能够提高全局搜索能力。仿真实验证明,该融合算法在摆脱局部最优区域,保证收敛速度同时使得聚类效果较好。