填充函数法改进的BP网络SPDS算法

BP网络的训练算法的一个普遍问题是易陷入局部极小.为了解决SPDS算法的这个问题,针对其特点设计了一组新填充函数.通过对该填充函数的分析,证明了用它代替目标函数进行搜索的等价性,并据此改进了SPDS算法.算法的仿真试验证明:当SPDS算法陷入局部极小点时,用设计的填充函数代替目标函数,从而使算法不受局部极小问题的羁绊,可以快速收敛到全局极小点.     

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能|采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.     

一种具有随机变异性质的粒子群协同优化算法

给出了一种具有随机变异特性的改进型粒子群协同优化算法,该算法克服了传统粒子群算法易陷入局部最优解且后续迭代过程速度慢的缺点.在迭代过程中,粒子的变异概率取决于粒子的适应度值以及当前所有粒子的聚集度.通过变异,粒子可有效地探索新的空间领域,从而可以有效地避免陷入局部最优解.Benchmark函数实验结果表明,优化后的粒子群算法比传统粒子群算法具有较快的收敛速度和较高的全局收敛能力.     

一种具有随机变异性质的粒子群协同优化算法

给出了一种具有随机变异特性的改进型粒子群协同优化算法，该算法克服了传统粒子群算法易陷入局部最优解且后续迭代过程速度慢的缺点．在迭代过程中，粒子的变异概率取决于粒子的适应度值以及当前所有粒子的聚集度．通过变异，粒子可有效地探索新的空间领域，从而可以有效地避免陷入局部最优解．Benchma呔函数实验结果表明，优化后的粒子群算法比传统粒子群算法具有较快的收敛速度和较高的全局收敛能力．     

改进的粒子群优化算法

粒子群优化算法是一种基于群体的自适应搜索优化算法,存在后期收敛慢、搜索精度低、容易陷入局部极小等缺点,为此提出了一种改进的粒子群优化算法,从初始解和搜索精度两个方面进行了改进,提高了算法的计算精度,改善了算法收敛性,很大程度上避免了算法陷入局部极小.对经典函数测试计算,验证了算法的有效性.     

应用径向基神经网络求解第二类线性Fredholm积分方程

提出用径向基神经网络求解第二类Fredholm方程的方法.首先使用径向基神经网络逼近积分方程中的未知函数,然后将求解第二类积分方程转化为一个优化问题.粒子群优化算法具有不易陷入局部极小、易实现和调整参数较少的优点,从而利用粒子群优化算法的求解该优化问题.数值实验表明所提方法是可行的.     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点，根据混沌运动的随机性、遍历性特点，提出一种基于混沌思想的粒子群优化算法（CPSO）、该算法利用种群适应度方差进行早熟收敛判断，实现对进化过程的监视，当发现种群陷入局部最优时，对种群进行混沌初始化，帮助种群摆脱局部最优点．对4种典型测试函数的仿真结果表明，改进算法明显减少了种群陷入局部最优的可能性．其全局寻优能力明显强于标准粒子群优化算法．     

求解Job-shop问题的改进混合离散粒子群优化算法

在详尽分析粒子群优化机理和作业车间调度问题的基础上,提出了结合遗传思想的混合离散粒子群优化算法.算法中增加了异于粒子个体极值点和全局极值点的第三参考点,使得粒子在更新过程中有更多的信息量调整自身状态.在粒子更新模型中引入了调整因子来调节收敛代数;在算法陷入局部最优时用模拟退火跳出局部最优,从而使算法收敛到全局最优.最后,对多个标准JSP问题进行了仿真测试,结果验证了改进算法的可行性和有效性.     

结合粒子群算法的小波神经网络交通流预测

针对短时交通流量具有复杂性、非线性等特点,提出基于粒子群算法的小波神经网络交叉路口短时交通流量预测方法,利用粒子群算法优化小波神经网络的模型参数,通过定义可变的加速因子,使粒子群算法有利收敛于全局最优解.将粒子群算法的全局优化搜索能力和小波良好的时频局部性质相结合,克服神经网络易陷入局部极小和引起振荡效应现象的缺点.实验仿真结果说明,该算法可以有效提高预测精度,减少预测误差,并且很好的反映了交通流的特点.     

基于学习理论的改进粒子群优化算法

论文针对粒子群算法容易陷入局部最优的问题,提出基于学习理论的粒子群算法(L-PSO).该算法通过为粒子群全局最优粒子设定最大周期限制,使达到最大周期的全局最优粒子可以被取代,同时利用聚类的思想对粒子群进行分组,通过随机选择两个组中心,以一定概率进行交叉变异,生成竞争粒子并替换达到最大周期的全局最优粒子,能够较好地避免算法陷入局部最优,提高算法的收敛速度.在基准测试函数集上的测试结果表明该算法有效.     

禁忌粒子群算法

针对基本粒子群算法容易陷入局部最优的缺点,将禁忌搜索算法中的禁忌思想与粒子群算法结合,提出了一种新的粒子群算法——禁忌粒子群算法（TPSO）。该算法将粒子群算法找到的当前最优值禁忌一段时间后再释放,以此避免算法陷入局部最优,即使算法暂时陷入局部最优,该算法跳出局优的能力也很强。实验表明,TPSO在收敛速度以及收敛精度方面都比基本粒子群算法有了很大程度的提高,特别对于多极值问题搜索效果非常好,可以很好的解决算法陷入局部最优的问题。     

基于移动最小二乘法和粒子群算法的优化算法

针对复杂电磁装置优化问题中目标函数计算次数过多的问题，提出了一种基于移动最小二乘法（MLS）和粒子群优化算法（PSO）的快速全局优化方法.该方法利用基于MLS的表面响应模型，重构原始的优化问题，采用加权PSO算法对重构后的目标函数进行寻优，再使用拟牛顿法，对原优化问题直接寻优，从而得到优化问题最终的最优解，并对基准测试函数和实际电磁装置问题进行优化计算.结果表明，与加权PSO相比，该算法能找到优化问题的全局最优解，并能有效的减少目标函数的计算次数，节省了计算时间，提高了计算效率.     

引入变异算子的粒子群优化算法

粒子群优化算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优。为了克服这个缺点,文中提出了一种引入变异算子的粒子群优化算法,即每次粒子更新后对种群最优位置随机选取其中一维进行变异操作,以增强算法跳出局部最优的能力。通过对5个基准函数的仿真实验,结果表明了新算法的有效性。     

全局最优位置变异粒子群优化算法

针对粒子群优化算法的早熟收敛,容易陷入局部最优且搜索精度不高等缺点,在现有的粒子群优化算法的基础上对其进行了若干改进,提出了避免微粒群陷入局部最优的全局最优位置变异的粒子群算法,并与其他算法做了比较,体现了其优越性.     

结合全局和局部灰度拟合活动轮廓模型的图像分割算法

针对局部图像拟合(Local image fitting,LIF)模型对初始轮廓敏感和容易陷入局部极小的缺点,本文提出了一种基于图像区域信息的活动轮廓模型。本模型同时利用图像全局和局部信息来分割图像,其能量泛函由局部项、面积项、长度项和惩罚项4项组成。局部项将图像局部信息融入到模型中,使该模型能够有效分割灰度不均图像。面积项通过引入一个全局指示函数,加快了模型的收敛速度,且能避免陷入局部极小。惩罚项约束水平集函数逼近符号距离函数,使模型无需重新初始化,减少了分割时间。此外,为了实现对图像中感兴趣区域的分割,本文给出了模型的窄带实现方法。实验结果表明:本文模型对初始轮廓的敏感性低,收敛速度快,能准确分割灰度不均的图像,且其窄带实现方法能够实现对图像中感兴趣区域的分割。     

Power system stabilizer design using hybrid multi-objective particle swarm optimization with chaos

novel technique for the optimal tuning of power system stabilizer (PSS) was proposed, by integrating the modified particle swarm optimization (MPSO) with the chaos (MPSOC). Firstly, a modification in the particle swarm optimization (PSO) was made by introducing passive congregation (PC). It helps each swarm member in receiving a multitude of information from other members and thus decreases the possibility of a failed attempt at detection or a meaningless search. Secondly, the MPSO and chaos were hybridized (MPSOC) to improve the global searching capability and prevent the premature convergence due to local minima. The robustness of the proposed PSS tuning technique was verified on a multi-machine power system under different operating conditions. The performance of the proposed MPSOC was compared to the MPSO, PSO and GA through eigenvalue analysis, nonlinear time-domain simulation and statistical tests. Eigenvalue analysis shows acceptable damping of the low-frequency modes and time domain simulations also show that the oscillations of synchronous machines can be rapidly damped for power systems with the proposed PSSs. The results show that the presented algorithm has a faster convergence rate with higher degree of accuracy than the GA, PSO and MPSO.     

改进的基于平滑函数的全局优化进化算法

为了解决进化算法在求解全局优化时易陷入局部极小点的问题,引入了平滑函数,利用目前最好点来消除比其差的局部极小点;设计了适合该平滑函数的杂交算子,利用平滑函数与种群的关系寻找实值函数的下降方向。设计了一个变异算子,增加了种群的多样性。在此基础上,设计了一个求解全局优化问题的高效进化算法,并从理论上证明了其全局收敛性,从数值上验证了其有效性。     

基于改进PSO-BP网络的配电网故障选线与测距

针对人工智能算法在解决配电网故障选线和测距问题时容易陷入局部最优解并难以满足精确性和鲁棒性要求的问题,提出了一种基于改进粒子群优化神经网络的配电网故障选线与测距算法.该算法结合混沌优化算法和粒子群优化算法得到收敛能力更强的粒子群优化算法,通过提取配电网的零序电压与电流的暂态及稳态特征来构成特征向量,并分别使用训练集训练改进粒子群优化神经网络算法,从而能更精确地预测配电网的故障线路及其距离.仿真测试结果表明,所提出的算法能获得更精确的选线和测距结果,具有一定的实用性.     

一种改进的粒子群优化算法

针对基本粒子群算法在处理复杂问题时有可能陷入局部极小的现象,引入群体适应度方差及群体位置方差,协调算法的种群多样性,使之能有效地克服基本粒子群算法容易陷入局部收敛的问题。在算法的中后期,根据粒子的表现不同,自适应调整惯性权重,保持群体惯性权重的多样性。通过选取4个基准函数进行测试,验证了改进算法可提高粒子群算法的优化性能。     

改进的协同粒子群优化算法

针对协同粒子群优化算法存在停滞,不能保证收敛到局部或全局最优值的问题,提出一种改进的协同粒子群优化算法(CCPSO-Hk),该算法将混沌理论引入协同粒子群算法(Chaos PSO)中,利用混沌运动的随机性、遍历性和规律性等改善了协同粒子群算法(Cooperate Particle Swarm Optimization)的性能.通过仿真验证算法的有效性.