类电磁优化的片上网络低功耗映射算法

针对基于2D Mesh结构的片上网络功耗优化问题,提出了一种类电磁优化的片上网络低功耗映射算法．该算法采用实数编码机制,将类电磁算法应用于求解离散问题．使用轮盘赌的选择机制进行种群初始化,提高初始化粒子的质量,从而提高算法效率;利用调整序的方法进行局部搜索,提高粒子在局部范围内的精细搜索能力;设计电荷计算公式求解合力,用阈值滤掉作用力甚微的粒子,提高搜索最优解的效率．实验表明:改进类电磁的映射算法与现有的遗传算法、蚁群算法相比,平均节能达20.35％和12.58％,有效地降低了片上网络通信能耗,并且能耗分布更加均匀,算法效率更高．     

一种基于校正因子的自适应简化粒子群优化算法

针对已有粒子群算法中全局搜索和局部搜索存在盲目性和滞后性以及粒子的早熟收敛等问题,提出了一种基于校正因子的自适应简化粒子群优化算法。该算法在简化粒子群算法基础上,以粒子间平均粒距大小作为触发条件,对惯性权重、平均个体极值和全局极值进行自适应扰动。校正因子可以根据当前粒子群个体信息和全局信息自适应调整,从而完成对当前粒子状态及时准确的更新,最终使粒子可以准确而快速的找到全局最优解。对3种典型测试函数的测试结果表明该算法具有较高的全局和局部搜索能力、能够有效地避免算法陷入局部极值,是一种实用且高效的粒子群改进算法。     

基于混合策略的差分进化算法

针对传统差分进化算法在求解问题中种群易收敛、易早熟的问题,提出了一种基于混合策略的差分进化算法.该算法根据粒子适应度、适应度标准差和粒子间距离标准差,将种群分为3个不同大小、不同功能的子种群,每个子种群采用不同策略和控制参数来实现自己被指定的功能.算法在搜索过程中既增强了种群的全局搜索能力,又增加了收敛精度.通过对4个标准函数的测试,仿真结果表明该算法比其他算法具有更好的寻优能力.     

一种采用双混沌搜索的类电磁机制算法

针对现有算法中初始种群随机性强、局部搜索能力差、移动公式效率低等问题,提出了一种改进的类电磁机制算法．结合反向学习理论,引入带扰动因子的反向学习机制构造初始种群;提出了一种双混沌优化机制用于局部搜索;运用改进后的公式计算粒子之间的合力;设计了一种自适应移动算子来更新粒子．实验结果表明,改进后的算法具有更好的收敛效果和更高的求解精度．     

基于改进粒子群算法的组合测试数据生成

针对传统粒子群优化算法生成测试数据容易产生早熟收敛而陷入局部最优的问题,提出一种基于改进粒子群算法的组合测试数据生成算法。该算法在粒子群算法的基础上引入一种惯性权重自适应调整策略,根据粒子的适应度不同采用不同的惯性权重,从而有效的平衡算法的全局和局部搜索能力,增加种群的多样性并提高算法的搜索效率。仿真实验表明该算法与传统粒子群算法相比,所需迭代次数减少,生成组合测试数据速度快。     

一种引入随机摄动操作的新型复合粒子群优化算法

针对传统粒子群优化算法不能根据实际问题自行选择参数,搜索后期容易陷入局部最优的缺点,提出了一种基于随机摄动的复合粒子群优化算法．该算法在利用简单遗传算法优选粒子群三个参数的基础上,根据粒子种群间的相互独立性,引入随机摄动操作,提高了解的精确度和算法的搜索效率,同时通过对种群中的最差粒子重新进行初始化来保持种群的多样性,以避免陷入局部最优解．     

基于时间因子的混沌粒子群优化K-means算法

针对传统的K-means算法对初始聚类中心取值敏感和易陷入局部最优解等缺点,提出一种带时间因子的改进粒子群优化(Particle Swarm Optimization,PSO)聚类算法。首先在PSO算法中引入反映时间效应的动态调整时间因子,以避免粒子在最优解附近震荡,为保证粒子在规定范围内运动,采用边界缓冲墙对越界粒子进行处理;其次针对粒子群算法存在的全局搜索性能问题,通过改进的混沌技术对粒子群进行扰动,以混沌搜索替代随机搜索,确保种群的多样性,进而使粒子群向更优的方向移动;最后将改进后的粒子群算法结合K-means算法,以提高粒子的局部勘探能力,从而更快地找到全局最优位置。对UCI中的Iris数据集和Wine数据集仿真表明,该算法相比其他2种算法,聚类准确率分别增长了5.1%和1.3%,1.79%和1.09%。     

一种基于Tent映射的混合灰狼优化的改进算法

针对基本灰狼算法易陷入局部最优、未考虑个体自身经验等问题,本文提出一种基于Tent映射的混合灰狼优化算法(grey wolf optimization algorithm based on particle swarm optimization,简称PSO_GWO).首先,其通过Tent混沌映射产生初始种群,增加种群个体的多样性;其次,采用非线性控制参数,前期递减速度慢,能够增加全局搜索能力,避免算法陷入局部最优,后期收敛因子递减速度快,增加算法局部搜索能力,从而提高整体收敛速度;最后,引入粒子群算法的思想,将个体自身经历过最优值与种群最优值相结合来更新灰狼个体的位置信息,从而保留灰狼个体自身最佳位置信息.为验证该算法的有效性,本文借助9个标准测试函数来与其他三种算法进行对比.实验结果表明,本文提出的算法比其他三种算法在单峰函数和多峰函数上搜索到的最优解更加理想; PSO_GWO算法比IGWO算法(the improved grey wolf optimization algorithm)在计算时间复杂度方面效果较好;同时,随着种群规模增大,PSO_GWO算法收敛值逐渐接近理想值.因此,本文提出的PSO_GWO算法能更快搜索到全局最优解,且鲁棒性更好.     

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．     

基于改进粒子群优化的神经网络及应用

为了克服粒子群算法的早熟收敛,提出了一种改进的粒子群算法用于神经网络训练。该算法对种群进行均匀初始化,用多个粒子的信息引导个体的更新,以保证全局搜索的有效性,同时引入随机算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。将改进粒子群算法训练的神经网络应用于IRIS模式分类问题和短期电力负荷预测,与BP算法、遗传算法及粒子群算法比较,该算法在提高误差精度的同时可加快训练收敛的速度。     

Improved electromagnetism-like mechanism algorithm

Based on the principle of the electromagnetism-like mechanism(EM) algorithm, the algorithm's optimization mechanism is studied. An improved electromagnetism-like mechanism algorithm is proposed to solve the problems of the original EM algorithm, such as non-uniform initial population, low search efficiency, and pathological feature in the total force formula. The new algorithm generates the initial population with the uniform design method, improves the local search algorithm with the hybrid chaotic pattern search method and calculates the total force between particles with the modified equation. Besides, an adaptive formula of movement is designed to update the locations of those particles. Experimental results show that the improved algorithm has a better convergence result and a higher solution accuracy.     

Practical electromagnetism-like mechanism algorithm

The function optimization principle of the original Electromagnetism-like mechanism (EM) algorithm and some problems of it are analyzed, such as large computation, low convergence rate, and pathological feature in the total force formula. A new pratical EM algorithm is proposed according to the problems above. The power formula is simplified by adopting the method for normalizing the objective function value. The correction factor is introduced into the total force formula, so that the pathological feature in the total force formula is eliminated, the impact of the distance factor on the force between population particles weakened, and the convergence rate increased. Experiments show that the improved algorithm has a faster convergence speed and higher solution accuracy.     

一种基于佳点集的类电磁机制算法

提出了一种改进的类电磁机制算法——基于佳点集的类电磁机制算法.该算法运用数论中的佳点集理论构造初始种群;改进了局部搜索算法;运用改造后的公式计算粒子之间的作用力;设计了一种自适应移动算子来更新粒子.实验结果表明,改进后的算法能更快、更精确地收敛于问题的全局最优值.     

基于改进粒子群算法作业车间调度问题的优化

针对作业车间调度问题,提出一种基于自适应权重和混沌的改进粒子群优化算法。构建以机器加工时间最短为优化目标的多约束作业车间调度模型,采用基于工序排列的编码方式得到粒子参数与工序序列的映射关系;基于自适应权重改进粒子群算法中的惯性系数和加速因子,使得算法可以根据适应度值动态调整参数因子;采用反向学习策略改善种群初始解的质量;引入莱维飞行、变邻域搜索、混沌,增强了算法的搜索能力,避免陷入局部最优解。试验结果表明:改进粒子群算法可以有效地提高粒子利用率,平衡全局搜索与局部搜索能力,改善传统粒子群算法易早熟的缺点,得到更优的解。     

一种基于优胜劣汰的多粒子群替代优化算法的设计

微粒群算法是一种新颖的优化算法,已成功应用于许多优化问题,但该算法容易陷入局部极值.针对这种缺陷,提出了一种基于优胜劣汰的多粒子群替代算法,该算法先通过多个种群彼此独立地搜索解空间,增强全局搜索能力;各种群每次进化完成后,核心种群中的最差微粒与其他种群的最好微粒互相替代.通过对3种常用测试函数进行测试和比较,结果表明该算法比标准微粒群算法具有更低的平均最好适应值,可快速收敛到全局最优解,优化效率明显提高.     

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法.随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力.实验结果表明,改进后的算法在收敛速度以...     

改进粒子群优化算法及其在4G网络-基站选址中的应用

针对粒子群优化算法搜索精度不高、整体上容易陷入局部最小的不足,提出了一种改进的粒子群优化算法.该算法一方面在速度更新式中用粒子群中粒子个体极值的加权值替代粒子的个体极值,另外通过使用两种非线性递减函数对惯性权重进行调整,这种改进有效地提高了粒子群优化算法的收敛速度和全局寻优能力.然后,通过对4个基准函数的仿真,验证了本文改进算法的全局收敛寻优能力.最后,将本文改进算法应用于珠三角地区某市4G网络基站选址优化中.仿真和应用的结果表明,改进后的粒子群优化算法具有更高的收敛速度和全局寻优能力.     

基于改进的粒子滤波的视觉跟踪算法

通过对基于粒子滤波算法的运动目标跟踪技术进行研究,并针对粒子滤波算法的退化现象做出了两方面的调整。第一,对粒子滤波的重采样阶段做出了改进,在粒子上添加一个微小的高斯干扰,使得重采样的粒子分布发生变化,同时使采样枯竭得到了抑制;第二,经过一段时间的跟踪后,将跟踪目标重新初始化,继续跟踪,使得跟踪结果更加完善。通过自适应调整跟踪目标的窗口,使其大小改变,背景中的颜色尽量没有与跟踪目标相同的颜色。实验结果表明。这种改进过的粒子滤波算法能够在复杂的情况下进行跟踪,并且跟踪性能优于Meanshift方法。