粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法．介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用，并对其将来的发展进行了展望．     

一种改进的粒子群优化算法在智能组卷系统中的应用

本文提出了一种改进的粒子群优化算法,并将其应用于智能组卷系统。设计智能组卷算法的数学软件模型,并且改进传统的粒子群优化算法惯性权重为非线性形式。为了验证这一算法,进行了计算研究。结果证实,此算法能够成功应用于智能组卷,组卷成功率高于遗传算法和传统的粒子群优化算法。     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法.介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用,并对其将来的发展进行了展望.     

基于混沌和多群体的粒子群优化算法

由于基本粒子群优化算法存在初始化随机性和遍历性不强,全局搜索容易陷入局部最优的问题,提出了基于混沌和多群体的粒子群优化算法,利用混沌特性初始化粒子,增强其随机性和遍历性,并根据适应度值将粒子群划分为多个群体,对不同群体中粒子的速度和位置采取不同的计算方法,进一步提高算法的收敛速度和精度。     

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.     

一种改进的多目标粒子群优化算法

针对多目标粒子群优化算法在迭代过程中收敛速度和多样性方面的不足,提出一种改进的多目标粒子群优化算法(IMOPSO).采用基于栅格和拥挤距离的协同外部档案维护策略,通过更准确地选择收敛性和多样性性能更好的非劣粒子作为全局最优值,加快整个种群的收敛速度;采用分段Logistic混沌映射、外部档案检测机制及修改的粒子速度更新公式,分别在初始化阶段和迭代过程中增强种群的多样性;最后,通过对标准测试函数仿真测试证明了改进后的算法能够快速收敛至Pareto最优前沿并保持较好的多样性.     

基于双种群的动态交换策略的粒子群优化算法

提出了一种基于双种群的动态交换策略的粒子群优化算法.该算法将初始种群划分为两个子群P1和P2,而P1和P2遵循不同的寻优机制,然后通过对个体极值(pBest)和全局极值(gBest)的选取进行调整,并在迭代过程中动态的交换两个子群的个体,从而能够更好的完成多目标优化算法对于Pareto front 的搜索和逼近.通过对标准测试函数的实验,证明了该算法的可行性和有效性.     

粒子群优化算法分析

粒子群优化算法是一种基于群体智能的随机全局优化技术，尽管其原理简单易、于实现且功能强大，但目前研究人员还没有对它的工作原理做出足够的解释．将群体优化过程看成一个动态系统的演变，采用线性离散时间系统的分析方法对算法的收敛性进行了分析，导出了简化PSO算法的收敛条件．考虑到参数是影响算法性能和效率的关键因素，利用标准测试函数对算法的参数选择进行了详细的分析，并给出一些指导性原则．     

一种新的集群优化方法--粒子群优化算法

系统地介绍了粒子群优化算法、各种改进算法以及算法的应用情况。对粒子群优化算法的研究和应用进行了总结和展望,指出了其在机械系统优化设计中的应用前景。     

一种速度更快的粒子群优化算法

由于标准粒子群算法(SPSO)存在后期搜索效率太低的问题,提出了一种速度更快的粒子群优化算法(FPSO).FPSO保留了SPSO前期的全局搜索能力,但改变了SPSO算法后期的搜索策略,使其迭代次数随当前适应度值的变化而自适应改变,从而提高了SPSO算法后期的计算效率.通过实验对FPSO算法中适应度函数的设计进行了讨论,并分析了FPSO算法的应用前景.仿真结果表明,FPSO算法在单峰、多峰和带约束条件的测试函数中都有良好的效果.     

基于Tent映射和Logistic映射的粒子群优化算法

粒子群优化算法是一种基于群体智能的随机优化算法,针对粒子群优化算法稳定性较差和易陷入局部收敛的缺点,作者提出了一种基于tent映射和logistic映射的粒子群算法,一方面,分别应用tent映射和logistic映射初始化均匀分布的粒群提高了初始解的质量;另一方面,设定粒子聚集程度的量化计算公式和判定阈值,并引入自适应高斯变异策略,增强了算法跳出局部最优解的能力.通过对基准测试函数的仿真计算,证明该算法具有稳定性好和收敛速度快的特点.     

基于混合粒子群算法的粮堆温度模型参数优化研究

粮库温度是非线性的时间序列,模型涉及参数众多,参数之间互有联系,波动较大,参数的取值直接影响到粮堆温度模型的准确性.提出应用混合粒子群算法在参数变化范围内确定最优参数值的方法,将参数取值范围看成粒子群空间范围,应用粒子群算法迭代选取最优值.经试验仿真证明此方法可以求解出合适的参数,与实际情况契合度高.     

基于微粒群算法的神经网络储层物性参数预测

建立了一个具有自适应、复杂非线性储层预测模型,在计算方法上,由于多层前向型神经网络BP算法存在易陷入局部最优的缺点,而微粒群算法具有较强鲁棒性和全局收敛的优点.结合二者长处,利用基于微粒群算法的神经网络计算方法,对神经网络结构进行了改进.利用四川洛带地区气田的测井资料,用所设计的算法对储层的物性参数(孔隙度、渗透率)进行预测,并对其预测精度与用常规基于BP算法和基于LMBP算法得到的预测结果进行了比较分析,发现地质效果明显,有效地克服了基于BP算法和基于LMBP算法的缺点.     

基于MOPSO算法的营养决策方法

针对营养决策多目标优化模型,提出基于MOPSO(Multi-Objective Particle Swarm Optimization)算法的营养决策方法.提出基于支配原则的选优方案,外部种群Pareto解集与当代解共同参与的竞争原则,最后把MOPSO算法应用到营养分析和决策的优化问题来获求最佳膳食营养结构.结果证明该方法是有效的.     

自适应混沌粒子群优化的粮食应急点选址研究

针对粮食应急点选址,将“运输时间最小”和“应急开始最早”作为目标,建立了相应的优化模型.利用基于粒子群的K-Medoids聚类算法进行求解,为了避免过早地陷入局部最优,提出了自适应混沌粒子群优化算法.该算法利用粒子与已知全局最优粒子的欧式距离来判断粒子群当前状态,并将其作为确定混沌扰动范围的启发信息,可以有效地提高最优解的精度.试验表明该算法优于传统的演化算法,较好地解决了粮食应急点选址问题.     

基于粒子群优化算法的BP神经网络在图像识别中的应用

介绍了一种采用微粒群算法与BP算法相结合的方法用于BP神经网络模型优化，来提高模型的收敛速度和精度。仿真结果表明，与BP算法相比较，PSO—BP学习算法训练的神经网络不仅训练时间明显缩短，而且其预报精度也得到了较大的提高。     

基于多量子粒子群协同进化算法的敏捷供应链伙伴选择

针对敏捷供应链组建过程中伙伴选择的特点,提出了一种基于多种群协同进化的改进量子粒子群算法．在对该算法的设计中,首先将整个量子粒子种群分解为多个子种群,然后使各个子种群进行独立的演化,并通过周期性的共享搜索信息获得对自身信息的更新,最后通过具体的算例对该算法进行了仿真验证．研究结果表明,在算法的收敛性、最优性等方面,基于多量子粒子种群协同进化算法均达到了良好的效果．     

多组分共聚酯结晶动力学研究

本文用DSC技术探讨了多组分共聚酯与PET的结晶动力学.结果表明,它们的Avrami指数均为2左右,并且多组分共聚酯的结晶速率比PET略慢.     

一种基于云环境下蚁群优化算法的改进研究

在对标准蚁群优化算法深入分析的基础上,结合云环境下的资源调度特性和遗传算法所具有的全局收敛快速的优点,引入了逆转变异策略,科学地将遗传算法融入到标准蚁群优化算法的每一次迭代过程中,很好地解决了标准蚁群优化算法容易陷入搜索速度慢和局部最优的缺陷．云环境下的模拟仿真对比实验结果表明,改进的蚁群优化算法不但能使云环境下的寻优能力大幅度提高,而且能够缩短系统任务平均运行时间,提升云计算环境下资源的效用．     

基于SCTP多流技术的消息中间件性能优化

消息中间件作为分布式应用间交换信息的一种技术,其转发性能的好坏直接影响到系统吞吐量．由于TCP协议自身的一些局限性,限制了基于TCP的消息中间件性能的进一步提高．研究利用SCTP的多流等新技术来提高智能网网管消息中间件MRB的传输性能．