基于粒子群优化的生物组学数据分类模型选择

针对生物组学数据普遍存在的高维小样本和样本分布不平衡问题,提出基于粒子群优化分类模型选择算法.该算法中粒子编码由样本平衡模型、特征选择模型和分类模型及超参数构成,粒子种群以达到以生物组学数据最佳分类性能为目标,通过对粒子的速度和位置进行迭代更新,得到模型组合及超参数的最优解.在8组真实生物组学数据集上的实验结果表明,所提模型选择算法能够避免人为选择所带来的主观偏差,提高最佳分类性能和稳定性.     

PSO-SVM模型的构建与应用

为了使支持向量机(SVM)获得更好的分类效果,针对人为选择参数的随机性,提出了利用粒子群算法(PSO)进行参数自动选取的优化方法,构建了PSO-SVM模型.在个人信用评估中,通过对粒子适应度函数的设置来控制造成较大损失的第二类误判,应用结果表明:模型在训练和测试样本中的分类精度可以达到95%,第二类误判率分别仅为0.78%和2.02%.利用PSO对SVM中的参数进行优化,可以避免人为选择的随机性,并且在解决分类问题中表现出较好的稳健性.     

PSO算法在3D打印喷头温度传感器非线性特性校正中的应用

将微粒群优化(PSO)算法应用于3D打印喷头温度检测系统的非线性特性校正. 在温度传感器特性无法准确获取的情况下,给出了基于PSO算法和逆模型实现非线性特性的线性化校正的一般实现思路和步骤. 首先对采集到的样本进行特征分析,提炼出温度传感器非线性特性的逆模型,再利用PSO算法对逆模型中未知参数进行优化求解,从而实现了3D打印喷头温度非线性特性的线性化校正. 最后,对3D打印喷头温度检测系统进行了实验研究,对比了逆模型的PSO参数优化求解和Matlab曲线拟合求解的实验结果,验证了本文基于PSO的喷头温度非线性特性的线性化校正方法的可行性,并可以扩展到一般非线性传感器的线性化校正应用中.     

最小二乘支持向量机的参数优选方法及其应用

参数选择是支持向量机研究领域的重要问题,它本质上是一个优化搜索过程.以遗传算法和粒子群算法为基础探讨了基于两者的混合智能算法,将杂交操作、变异操作引入PSO算法中,同时,在种群随机搜索过程中嵌入确定性的模式搜索,使得算法可以在任何阶段进行精细搜索;在此基础上,提出了基于混合智能的最小二乘支持向量机方法(LS-SVM),以最小化k-fold交叉验证误差为评价函数,利用混合智能算法优化LS-SVM参数.最后结合实例对该方法进行了实证检验,并对结果进行分析.     

一种带交叉算子的改进的粒子群优化算法

针对粒子群优化算法(PSO)固有的缺点,在研究标准的粒子群优化算法理论的基础上,提出了一种带交叉因子的改进的粒子群优化算法(MPSO),以解决算法的早熟收敛问题。该算法在搜索过程中引入了交叉因子,增加了粒子的多样性,克服了标准粒子群优化算法易陷入局部极优点的不足,并且算法有较快的收敛速度。该算法有较强的收敛性,还可以引入变异算子。将改进后的算法运用常见的几个测试函数进行了寻优仿真,仿真结果验证了带交叉因子的粒子群算法的可行性和有效性。     

基于差分进化的量子粒子群优化算法的研究

为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE -QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE -QPSO、QPSO和 粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.     

三目标遗传粒子算法的电力系统无功优化

电力系统无功优化是提高电网高效运行和节能的关键环节。建立了综合考虑有功网损最小、电压偏差最小及静态电压裕度最大的三目标电力系统无功优化模型。提出了遗传粒子群(GAPSO)混合算法,并将算法运用于IEEE14与IEEE30节点电力系统无功优化中。该算法先通过选择操作,选出优秀的样本,在利用交叉操作增加种群的多样性。然后进行变异操作提高种群的局部搜索能力。通过数据计算和比较GAPSO算法在收敛速度、精度和全局搜索能力上均优于常规GA算法和PSO算法。结果验证了模型和算法的有效性和实用性。     

基于粒子群算法的火电厂机组负荷优化分配

通过研究粒子群(PSO)优化算法的基本原理,分析了该算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并将PSO优化算法应用于电厂机组负荷优化分配问题的研究。通过在3台机组系统的应用,验证表明较之遗传算法等传统优化算法,PSO优化算法在优化结果、搜索区间控制以及收敛速度等方面具有较好的特性,能更好地达到或接近全局最优解。     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

武器系统费用估算中的特征选择方法研究

针对采用参数法进行武器系统费用估算时,往往需要从大量的特征中选择最优的特征子集,而人工选择特征的方法费时费力的问题,采用粒子群优化算法对支持向量机进行封装的方法选择特征子集,在建模过程中,将特征变量以及支持向量机模型的参数共同组合成待优化的自变量集,采用一体化的优化方法,同时确定最优的特征子集和支持向量机模型的参数;在选择优化目标时,为有效避免出现"过拟合"的情况,将模型的5折交叉验证的预测精确度作为适应度函数,并对实际问题进行验证.结果表明,该方法可以有效滤除无关特征,提高预测精确度.     

粒子群优化算法在天线方向图综合中的应用

针对目前粒子群优化算法在多零点低旁辫约束的阵列天线方向图综合中早熟收敛、易陷入局部板值的问题,提出了一种改进的粒子群优化算法MSPSO,在多子群、层次化的模型中采用von Neumann邻域结构,以改善收敛速度和优化精度.建立一种新的目标函数模型,对顶层和底层的子群分别采用适合其特点的适应值目标函数,平衡了算法的全局和...     

求解二层规划问题的改进粒子群算法

两层规划问题是一个NP-难问题,这意味着它很难被求解．基于粒子群算法提出了一种求解二层规划问题的方法,通过分离目标函数和约束函数,使每个粒子拥有双适应值,并通过双适应值来决定个体优劣．应用了一种自适应保留不可行个体的策略．数值结果表明了算法的有效性．     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。     

新型混合粒子群优化算法

针对粒子群算法易陷入局部极值、精度低等缺点,提出了一种基于模拟退火与混沌思想的新型粒子群优化算法(SA-CPSO).在该算法的初始阶段,对粒子位置进行混沌初始化,并引入模拟退火算法对每个粒子的适应度进行评价;在该算法运行过程中根据群体适应度方差对粒子群进行混沌更新;最后通过对几种经典函数的测试计算,结果表明,相对于标准粒子群算法,该新型混合算法提高了局部搜索能力和搜索精度,并有效避免了早熟现象的产生.     

一种基于粒子群优化的粒子滤波改进算法

粒子群优化粒子滤波算法能有效改善粒子退化问题,但其适应度函数受量测噪声方差影响较大,限制了滤波精度的提高.为此,提出了一种基于粒子群优化的粒子滤波改进算法.该算法给出一种新的适应度函数,用当前状态估计值与各粒子状态的差值大小作为评价标准,使得最终优化粒子受噪声方差影响减小,在量测模型精度高的场合中提高了滤波精度.理论分析及仿真结果表明,本文所提算法的滤波性能优于标准粒子滤波与粒子群优化粒子滤波算法.     

约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.     

基于粒子群算法的模糊滤波器优化方法

根据粒子群算法可以搜索全局最优的特点,提出一种新的基于粒子群算法优化模糊隶属函数,从而对带有脉冲噪声图像进行模糊中值滤波的方法.该方法给出一个新的模糊熵定义,采用改进粒子群优化算法寻求隶属函数的最优参数,依照最大熵准则将图像变换到模糊域,然后对需要处理的噪声图像进行滤波.实验表明,提出的方法可以很好地滤除图像中的脉冲噪声,自适应性强.     

基于微粒群算法的lp数据拟合及其应用

在动态测试数据处理中,常常要进行稳健回归分析和最小最大值回归分析,讨论了微粒群算法及其在lp数据拟合中的应用.微粒群算法通过多个粒子在解空间中根据自身的信息和群体的信息不断调整自己的位置进行寻优,在寻优过程中粒子间不断地进行信息交流,使得算法收敛速度很快,特别适合用于函数优化,从而能够在lp数据拟合中得到很好的应用.实例计算结果表明,该方法能够更准确地进行lp数据拟合,理论上可以以任意逼近真实值,从而减小了计算误差,并且有更快的收敛速度,可以快速收敛到全局最优解,因而具有一定的理论意义和现实意义.     

基于 PSO 原理的异孔径配水系统优化算法

为了实现穿孔配水系统均匀布水的快速优化设计,提出采用改进的粒子群优化算法(PSO)并结合水力模型工具作为系统均布优化决策制定的方法.该算法首先对常规粒子群算法进行了一定的改进,用于提高其算法的收敛性及收敛的速度;其次将改进后PSO与水力模型通过外部TOOLKIT接口进行整合,以模型计算后数值作为集群个体适应度的评估指标.算例研究表明:该方法可有效地实现限定条件下的均布配水系统快速优化设计.同时,结合配水系统的节点压力分区,可减小粒子群算法的维度,从而使算法的收敛速度得到较大的提高,迭代次数减少了83%,并能产生更符合工程实际的优化方案.     

一种非线性约束优化的微粒群新算法

通过对标准微粒群算法(PSO)改进,采用动态罚函数的方法,提出了一种求解非线性约束优化问题的新算法.由于使用了一种新的适应度函数,该算法具有很强的全局寻优能力.