基于改进粒子群算法的稀布阵列优化设计

针对稀布线阵的阵元位置优化问题,提出了一种基于改进的自适应粒子群算法的稀布阵综合新方法。该方法首先采用自适应策略,根据粒子的适应度值自适应地调整其惯性权重和学习因子,提高了种群的寻优能力;然后对粒子群算法的速度更新公式进行了修正,保证了速度的有效更新;在算法停滞时,通过引入交叉策略进一步加快了算法的收敛速度。该方法高效地实现了多约束稀布线阵的综合,获得了更低的峰值旁瓣电平,数值仿真验证了算法的有效性。     

基于柯西分布的粒子群优化算法改进

针对传统粒子群算法具有易陷入局部最优,收敛速度慢的特点,文中采用柯西密度函数和分布函数分别对惯性权重和位置更新公式作出改进。与标准PSO算法和利用柯西分布对惯性权重的改进相比,改进后的算法能快速地收敛到全局最优解。且对4个经典的测试函数进行仿真实验,结果显示改进算法求解精度高、解的稳定性优良,尤其是在多峰值函数中表现优越。     

一种改进的灰狼优化算法

灰狼优化算法是最近提出的一种较有竞争力的优化技术.然而,它的位置更新方程存在开发能力强而探索能力弱的缺点.受差分进化和粒子群优化算法的启发,构建一个修改的个体位置更新方程以增强算法的探索能力;受粒子群优化算法的启发,提出一种控制参数a随机动态调整策略.此外,为了提高算法的全局收敛速度,用混沌初始化方法产生初始种群.采用18个高维测试函数进行仿真实验,结果表明：对于绝大多数情形,在相同最大适应度函数评价次数下,本文算法的性能明显优于标准灰狼优化算法.     

带有正负反馈性质的粒子群优化算法

针对粒子群优化算法难以适应复杂的非线性优化,为此提出一种借助正负反馈原理来调整惯性权重和通过随机数对位置更新公式进行调整的改进算法。在仿真实验过程中,通过实验确定了改进算法中的反馈参数与更新公式;并对4个经典测试函数进行仿真实验,结果显示改进算法求解精度高、解的稳定性优良,尤其在多峰值函数中表现优越。     

基于全离散粒子群优化的纳电子MPRM电路面积优化算法

针对具有较多输入数的可编程阵列结构纳电子混合极性Reed-Muller电路的面积优化问题,提出一种全离散粒子群优化算法。通过将粒子速度合并到位置更新方程,充分挖掘粒子群优化中的学习因素得到全离散化的粒子更新方程,在此基础之上设计FDPSO算法,并使用探索概率作为算法参数控制算法全局探索与局部开拓间的平衡。对一组输入数大于20的MCNC电路进行优化的实验结果表明,与其他能够用于可编程阵列结构纳电子混合极性Reed-Muller电路面积优化的智能算法相比,全离散粒子群优化算法具有较强的全局收敛能力和结果稳定性,能够以较高时间效率获得较好的优化结果。     

改进DPSO算法在干扰资源分配中的应用

引入改进的离散粒子群（DPSO）算法对干扰资源分配问题进行求解。针对干扰资源分配的数学模型,给出了具体的求解方案。在迭代过程中线性改变权重系数和认知参数,使粒子快速收敛;为避免粒子陷入局部最优,引入了一种粒子位置更新机制。仿真验证了该改进算法的有效性和可行性。     

基于改进收缩因子的粒子群优化算法

PSO算法寻优性能优劣受速度更新公式影响,过快的收敛速度可能使算法错过全局最优解;过慢的收敛速度可能会使算法陷于局部最优解。针对该问题,文中提出了一种基于改进压缩因子的PSO优化算法,即FPSO。通过引入压缩因子方程,改进了速度迭代公式,减少了因学习因子设置不当对算法造成的影响。新的调节机制既保证了PSO算法的收敛性能,也削弱了速度边界对算法的影响。最后,选取5个经典函数对算法性能进行测试。测试结果表明,与传统PSO算法相比,文中算法提高了全局收敛能力,缩短了收敛时间。     

PSO模型种群多样性与学习参数的关系研究

粒子群优化(Particle Swarm Optimzation,PSO)算法在求解复杂多峰问题时,易陷入早期收敛.通过调整惯性权重和加速系数来控制种群多样性是缓解PSO早期收敛的一个重要手段,但是目前对惯性权重和加速系数的设置主要依赖于实验设计,缺乏必要的理论支撑.针对该问题,本文提出了一种以种群未来的多样性变化调整...     

基于云计算的大数据聚类挖掘算法研究

基于云计算的大数据聚类挖掘,需要结合改进粒子群算法、k-means算法的优势,提出基于改进粒子群优化（Particle Swarm Optimization,PSO）的k-means聚类算法,设置自调节惯性权重、云变异算子,根据数据集种群的进化程度,调整粒子群算法的全局搜索、局部搜索能力,追踪数据粒子的个体极值、全局极值,更新每个数据个体在解空间中的点位置、更新速度,并在数据种群进化到一定程度时进行变异操作,选择全局极值作为期望Ex来控制种群迭代次数,避免数据挖掘陷入早熟收敛、局部最优解的情况。     

改进蝙蝠算法求解置换流水线车间调度问题

研究新型蝙蝠算法在置换流水线车间调度问题的应用。针对基本蝙蝠算法在解决离散型生产调度问题时,存在传统群智能算法的后期收敛精度不高、易陷入局部最优的通病,结合置换流水调度问题的特点,提出改进的蝙蝠算法,即引入自适应惯性权重作用于蝙蝠的速度更新,以提高算法的收敛速度;引入动态收缩搜索区域作用于蝙蝠的位置更新,以提高蝙蝠搜索效率。实验结果表明改进后的蝙蝠算法明显提高了质量。     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

群智能理论及应用

作为一种新兴演化计算技术,群智能已成为新的研究热点,它与人工生命,特别是进化策略和遗传算法有着极为特殊的联系,已完成的理论和应用研究证明群智能方法是一种能够有效解决大多数全局优化问题的新方法.更为重要的是,群智能的潜在并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证.本文介绍了群智能理论的产生和发展过程,并着力阐述了两种典型算法;微粒群算法和蚁群算法的基本原理以及研究现状.     

一种多策略融合的多目标粒子群优化算法

为提高多目标粒子群算法在解决复杂多目标优化问题中的整体性能,提出一种多策略融合的多目标粒子群算法.该算法采用均匀化与随机化相结合的方式初始化种群,在粒子速度更新中新增一扰动项,运用简化的k-最近邻方法维持档案以及对档案个体赋予生存期属性并动态调整生存期值.实验结果表明,在GD和SP性能指标上,本文算法与另外5种对等算法在ZDT和DTLZ系列测试问题上进行对比,其表现出了总体显著性的性能优势.     

粒子群优化的模糊特征

粒子群优化是一种典型的群智能优化技术,在不同的工程领域得到了广泛应用。概述了粒子群优化理论研究进展,从粒子群优化方法本身、优化设计、工程对象属性和模糊建模优势等方面,探讨了粒子群优化的模糊特征。     

带惯性权重的粒子群优化算法性能仿真

粒子群优化算法是一种随机搜索算法,并能以较大概率收敛到全局最优,微粒群算法中关键参数的选择方法对算法特性有显著影响.文中针对微粒群算法中的加速常数、惯性权重、取值范围、种群规模的设置对算法基本性能的影响进行了分析.实验结果证明:选择适合的参数设置水平,能够获得稳健和高效的优化效果.     

微粒群优化算法在协同建筑设计中的应用

介绍了群体智能的特点、算法以及基于群体智能的多agent协同设计系统模型。重点介绍微粒群优化算法的原理,工作流程。最后,以一个建筑外观设计为实例,介绍了算法在协同建筑设计组装过程中的应用。     

一种改进粒子群优化算法

作为群集智能的代表性方法之一，粒子群优化(PSO)算法通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。提出了一种改进粒子群优化(MPSO)算法。MPSO同时采用局部模式压缩因子方法和全局模式惯性权重方法以获得相对较高的性能。针对PSO算法可能出现的停滞现象，MPSO引入了基于全局信息反馈的重新初始化机制。数值仿真结果显示了该算法的有效性。     

空间映射粒子群算法用于电磁优化计算

将粒子群算法与空间映射算法相结合,提出了一种空间映射粒子群优化算法,并用于电磁问题的优化计算.算法实现过程中,将电磁仿真计算中精确网格剖分的计算模型作为精确模型,将粗糙网格剖分计算模型作为粗糙模型,在粒子群算法中计算粒子适应度前,使用粗糙模型结合基于卡尔曼滤波的映射关系,估计出粒子是否对算法最优解更新有效,并对有效的部分粒子做适应度计算,可以很大程度上减少算法的计算耗时.通过E型贴片天线和谐振腔缝隙天线的优化仿真说明了本算法的有效性.     

粒子群优化算法在宽带耦合器设计中的应用

多节平行线耦合器的设计需要综合出各节的偶模特性阻抗。应用粒子群优化算法很好地综合出任意阶梯数任意耦合度等波纹时对应的偶模特性阻抗。举例优化了6倍频的耦合度为-35dB耦合器的偶模特性阻抗，并仿真设计了该耦合器。     

粒子群优化算法及其应用

粒子群优化（PSO）算法是一种新颖的演化算法，它属于一类随机全局优化技术，PSO算法通过粒子间的相互作用在复杂搜索空间中发现最优区域。PSO的优势在于简单而又功能强大。介绍了基本的PSO算法、研究现状及其应用，并讨论将来可能的研究内容。