基于模拟退火技术的QDPSO算法

提出了一种基于模拟退火技术的量子空间模型粒子群优化(QDPSO)改进算法，利用模拟退火算法(SA)的搜索能力克服QDPSO算法在寻优过程中早熟的缺点，通过标准测试函数进行性能测试，验证了算法的收敛性和快速性，并和标准PSO及QDPSO进行了比较。仿真结果表明，该算法具有更好的稳定性和收敛性，是一种良好的全局优化方法。     

基于模拟退火的自适应粒子群优化算法的改进策略

针对PSO算法在求解问题的优化问题中易陷入局部收敛且收敛速度较慢等缺陷,引入一种初始化改进策略,并将模拟退火算法与PSO算法相结合,提出了一种全新的算法。该算法将寻优过程分为两个阶段:为了提高算法的执行速度,前期使用标准PSO算法进行寻优,后期运用模拟退火思想对PSO中的参数进行优化搜索最优解。最后将该算法应用于八个经典的单峰/多峰函数中。模拟结果表明,该算法有效地避免了早熟收敛现象,并提高了收敛速度,从而提高了PSO算法解决全局优化的性能。     

基于模拟退火算法思想的粒子群优化算法

粒子群优化是由Eberhart博士和Kennedy博士于1995年根据鸟或鱼群居社会行为而提出的。本文提出了4种改进的算法,特别推荐结合模拟退火算法思想提出的一种新算法。经过与基本粒子群算法比较测试,证实它是一种简单有效的算法。     

基于模拟退火的粒子群优化算法

粒子群优化算法是一类简单有效的随机全局优化技术。该文把模拟退火思想引入到具有杂交和高斯变异的粒子群优化算法中,给出了一种基于模拟退火的粒子群优化算法。该算法基本保持了粒子群优化算法简单容易实现的特点,但改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。四个基准测试函数的仿真对比结果表明,该算法不仅增强了全局收敛性,而且收敛速度和精度均优于粒子群优化算法。     

基于差分及模拟退火的混合粒子群算法

粒群算法是一种新型的群体进化计算方法,已经在一些工程领域得到了广泛的应用,本文鉴于该算法存在收敛速度较慢,易陷入局部极值的缺点,提出一种基于差分及模拟退火的混合粒子群算法。通过对三种进化算法各自优势的分析与结合,得到一种改进的粒子群算法。     

基于模拟退火离散粒子群算法的测试点优化

针对复杂系统的测试点优化问题,提出一种基于模拟退火离散粒子群（SA-BPSO）算法的测试点优化算法。该算法利用模拟退火算法的概率突跳能力,克服了基本粒子群算法易陷入局部最优解的缺陷。阐述了该算法在系统测试点优化应用中的流程及关键步骤,并且理论分析了该算法的复杂度。仿真结果表明,该算法在计算时间和测试费用方面都优于遗传算法,能够应用于复杂系统的测试点优化。     

基于粒子群和模拟退火算法的混合算法研究

在标准粒子群优化算法的基础上给出了一种改进策略,利用混沌变量的随机性、遍历性、规律性对粒子群进行初始化选择。同时为了增加粒子多样性又不流失适值较好的粒子,在一定的周期内对所有粒子重新进行有选择的初始化,并对除了种群最优之外对应的所有个体最优变异。计算结果表明,改进的粒子群算法提高了收敛精度和速度,但是个别函数寻优失败。将改进的粒子群算法结合模拟退火算法再次计算了测试函数,结果表明,改进的混合算法可以达到目标函数的全局最优点。     

基于均匀设计的粒子群算法及其在飞控系统中的应用

将粒子群算法应用于飞行控制系统的优化设计中,需要解决两个问题：如何选择目标函数和如何确定初始种群和算法运行参数。针对这两个问题,分别提出了基于参考模型的飞行控制系统优化策略和基于均匀设计的粒子群算法初始种群和运行参数的选择方法。仿真结果表明,本文所提出的优化策略能够有效地解决飞行控制系统的优化设计问题,粒子群初始种群分布均匀,收敛速度快。     

基于模拟退火粒子群优化的基因数据双聚类算法

基因数据双聚类是基因表达数据矩阵中具有相近的表达水平的子矩阵,其中的行和列分别代表基因子集和条件子集。双聚类算法则是在基因数据矩阵的行和列2个方向上同时聚类以找出这样的子矩阵。本文提出基于模拟退火与粒子群优化的混合优化算法,避免单纯模拟退火法中的概率突跳性缺点。我们算法采用自底向上的搜索策略,首先生成双聚类种子,然后采用混合优化算法添加种子的行和列,找出最优聚类结果。在酵母细胞基因数据集的实验中,我们双聚类的各项指标能够达到高质量结构,验证了本文方法的有效性。     

基于PSO和变异模拟退火的QoS单播路由算法

为了研发更高性能的QoS单播路由算法,提出变异退火粒子群优化（MSAPSO）算法。MSAPSO算法中使用一种新的。算子,将粒子群优化（PSO）的迭代公式简化成一个公式。通过设计变异退火算子,将遗传算法的变异操作和模拟退火的Meuopofis概率接受准则融入PSO,以改善粒子群的多样性和算法的收敛性。仿真结果表明MSAPSO在搜索成功率和收敛性上优于纯PSO算法和蚁群算法。     

基于均匀设计的聚类多目标粒子群优化算法

为更有效地求解多目标优化问题,提出一种基于均匀设计的聚类多目标粒子群算法UCMOPSO。采用基于均匀设计的交叉操作尽可能地获得目标空间中均匀分布的非劣解,帮助种群跳出局部最优解,并通过一种新的聚类操作选择外部存档中有代表性的非劣解,从而控制外部存档规模,降低计算复杂度。对基准函数的测试结果表明,UCMOPSO算法相比同类算法在收敛性和分布性方面具有优势。     

基于改进粒子群优化算法的S盒优化设计

采用传统方法设计的S盒性能较差,而常用智能设计方法又存在设计时间过长、容易陷入局部最优的缺点。为此,提出一种基于改变粒子群优化算法的S盒优化设计方法。通过改变惯性权重来提高搜索速度和精度,从而增大算法效率。实验结果表明,该方法可以快速地搜索到能有效抵抗差分密码分析和线性密码分析的S盒,改善其密码性能。     

基于SAPSO算法的单目视觉标定与测量

针对双目立体视觉测量存在视场小、特征点匹配困难的缺陷,分析摄像机非线性模型的畸变影响,利用模拟退火粒子群优化(SAPSO)算法在解空间的搜索能力,建立摄像机标定适应度函数实现精确标定,借助激光测距实现单目立体测量。实验结果表明,该方法具有较好的标定结果和较高的测量精度。     

信息熵协进化粒子群算法

针对基本粒子群算法具有搜索初期收敛速度慢,后期易陷入局部极值点的缺陷,引入信息熵衡量粒子群体的适应度值,结合模拟退火算法,提出一种基于信息熵混合协进化粒子群算法,增强了算法的自适应能力。通过4个标准函数对提出的算法进行了测试,仿真结果表明,算法是有效和可行的,且比基本粒子群算法的计算精度高。     

基于粒子群优化算法的模拟滤波器设计

采用传统的网络综合法设计计波器存在带宽不精确及阻带衰减过小的问题,为此,提出一种基于粒子群优化算法的无源模拟滤波器优化设计方法.在网络综合法设计的滤波器电路基础上,利用粒子群优化算法对滤波器的整个参数空间进行高效并行搜索直到获得最优的参数值.实例表明,采用该方法设计的滤波器带宽更加准确,且具有更加陡峭的阻带衰减.     

基于改进PSO算法的WSN覆盖优化方法

提出基于概率测量模型的改进粒子群优化方法,以网络有效覆盖率为优化目标,通过改进粒子群算法实现无线传感器网络的覆盖控制。分析传感半径以及离散化栅格点数对覆盖性能的影响。仿真实验表明,利用改进粒子群优化方法的有效覆盖率达到88.22%,证明了该方法的有效性。     

基于改进混合蛙跳算法的网格任务调度策略

针对网格任务调度问题,提出一种基于改进混合蛙跳算法的网格任务调度策略。通过引入遗传算子增加对局部极值的扰动,以避免陷入局部最优,同时借鉴粒子群优化算法中粒子飞行经验,对青蛙移动策略进行优化。实验结果表明,该策略高效合理,能够缩减执行任务的时间跨度,并提高最优解的质量。     

基于改进PSO算法的随机投入产出模型?

建立一种基于改进PSO算法的随机投入产出模型,在随机变量分别服从正态分布和指数分布时比较其优化结果,利用改进粒子群算法和标准粒子群算法对模型进行实例求解。仿真实验结果表明,考虑随机变量服从指数分布更符合实际经济运行状况,且计算得到的各行业产出大于随机变量服从正态分布时的情况。     

改进型模拟退火算法在设备布局设计中的应用

由于设备布局问题是NP完全问题，它在有限合理的时间内难以求得最优解，因此问题的求解只能依赖于各种启发式方法。文章针对传统的模拟退火算法经常出现迂回搜索，导致搜索效率低，解的质量差这一现象，通过在传统模拟退火算法搜索过程中增加记忆功能，来避免迂回搜索，将改进的模拟退火算法应用于设备布局的研究中，通过实例证明改进的模拟退火算法解的质量有了很大提高。