WSN杂交粒子群优化定位改进算法

确定无线传感器网络(WSN)中节点的位置是网络初始化阶段首要任务之一,杂交PSO定位算法(Hybrid Particle Swarm Optimization,HPSO)可以通过父代粒子杂交产生性能较好的子代粒子,加速收敛,其定位精度明显优于其他PSO算法,因而成为近年来研究的热点之一。然而,杂交PSO定位算法存在计算量大、定位时间长等问题,针对这些问题,提出一种改进杂交PSO定位算法(Improved Hybrid PSO,IHPSO),在交叉和变异过程中引入粒子集中度和粒子平稳度两个概念,并加入选择机制和排队机制,加快算法的收敛度,同时有效地提高算法的定位精度和定位时间。     

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．     

基于粒子群进化的输电网络WSN节点定位算法

为了提升WSN的定位精度,提出了一种基于粒子群进化的定位算法,以应用于输电网络中的节点定位.该算法通过区域估计,缩小并限制传感器节点的预估计区域空间,并应用粒子群算法快速寻找节点定位的最优解.通过引入权重自适应的机制,加快节点定位的搜索速度,并提升算法的搜索能力.结果表明,该算法有效增强了WSN节点定位的精度,降低了计算复杂度,为输电网络的无线传感器网络提供更高效准确的定位服务.     

采用扰动加速因子的自适应粒子群优化算法

针对粒子群算法容易陷入早熟收敛和搜索效率不高等问题,分析了几个现有的改进粒子群优化算法．在粒子对称分布有利于提高搜索结果的基础上,对粒子群优化算法进行了改进．改进后的算法可以在运行过程中的不同阶段自适应地以余弦函数的变化方式调整惯性权重系数;在加速因子线性变化的基础上,基于一定的条件对加速因子进行扰动;并确定了相应条件参数的参数取值．通过几个经典的函数,对该算法进行了验证,并与相关文献中改进的粒子群优化算法进行了对比．结果表明,新算法不仅显著提高了收敛速度,而且能有效地改善早熟现象．     

基于粒子群优化的移动机器人全局定位算法

为了提高图像特征匹配过程中地图库的搜索速度,提出了一种局部子地图库搜索方法。并针对机器人自定位过程中会产生多个候选位姿,提出了利用粒子群优化算法来优化候选位姿以得到定位精度较高的优化解的全局定位新方法。最后通过Pioneer 3DX在室内环境的全局定位实验分析了粒子群优化前后定位精度和定位时间的变化。实验结果表明,新算法以牺牲较少的计算时间获得了较高的定位精度。     

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

粒子群优化算法的研究与应用

粒子群算法(PSO)因其容易实现,精度高及收敛快等特性,在解决实际问题中经常被广泛使用.但粒子群算法也有不易跳出局部最优的问题,所以本文基于该算法,提出一种基于分工合作的改进型粒子群优化算法.经过优化后,可以对所有粒子执行搜索,寻找更优个体,从而使算法更加适合实际应用.     

基于q-高斯分布的自适应变异粒子群算法

针对粒子群算法易陷入局部极值和早熟收敛的缺陷,提出了基于q-高斯分布的自适应变异粒子群算法.采用q-高斯作为变异算子对粒子的全局最优位置进行q-高斯变异,克服了因种群遗失多样性所导致的早熟收敛缺陷,随着种群的进化,非广延熵指数 q 的自适应调整平衡了算法的全局搜索能力和局部开发能力.测试了4个标准复杂函数和优化BP神经网络参数,结果表明,基于 q-高斯分布的自适应变异粒子群算法的优化性能最好,收敛速度快.     

基于亲缘关系选择的粒子群优化算法

针对传统粒子群优化算法在解决最优化问题中存在早熟收敛和无法寻找到全局最优解问题,本文提出了一种基于亲缘关系选择的粒子群优化算法,提高了算法的全局搜索能力。此外,引入了多个种群的交流机制与各子种群之间的淘汰机制,有效避免了个体在寻优过程中陷入局部最优点。实验部分首先在单目标优化函数集上与传统的粒子群优化算法以及一些有竞争力的算法结果进行对比分析,发现算法在相同种群规模与评价次数的条件下,在准确性与搜索能力上有着明显的优势;然后,将新算法应用到桁架穹顶优化问题上,并与传统的粒子群优化算法进行了比较,求得了这一实际问题的一个可行解。     

基于禁忌搜索的混合粒子群优化算法

针对粒子群优化算法（PSO）易于陷入局部最优解并存在早熟收敛的问题,利用禁忌搜索算法较强的“爬山”能力,搜索时能够跳出局部最优解,转向解空间的其他区域的特点,提出了一种新的基于禁忌搜索（TS）的混合粒子群优化算法（TS—PSO）,并选用两个函数进行测试．结果表明,TS—PSO比其他改进粒子群算法更能提高收敛速度,获得全局最优解．     

WSN中基于梯度和粒子群优化算法的分级簇算法

为均衡网络中节点的能量消耗,提出一种分级簇算法——GPHCA.该算法采用双簇头模式,利用粒子群优化算法搜寻能量大且到簇成员平均距离小的两个节点作为主簇头和副簇头,将簇头负担均衡到了两个节点上;在网关的选择上,同时考虑能量和转发路径的总距离,使最终选择的网关在能量和时延上得到均衡.仿真结果表明,GPHCA算法能有效延长网络的生命周期.     

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.     

自适应模糊粒子群算法求解IT服务优化选择问题

为了解决IT服务选择问题,提出了一种基于自适应模糊粒子群算法的IT服务优化选择方法。首先,针对业务流程对IT服务的需求,建立了以响应时间、执行费用、可靠性、可用度为目标的IT服务优化选择模型。然后,设计了求解模型的粒子群优化算法,应用模糊推理规则,自适应调整粒子进化过程中的自身学习因子和全局学习因子,以提高粒子收敛速度和全局搜索能力,从而获取了满足业务流程QoS约束的较优IT服务单元。最后以算例验证了模型及算法的可行性和有效性。     

基于粒子群算法的潮流发电机布局

针对任何给定背景条件下的潮流能发电场的开发,都存在装置布局及潮流机尾流影响发电量的问题.提出一种改进的自适应罚函数粒子群新优化算法,以解决潮流发电机;布局优化及已知海域潮流能合理开发难题.先由给定海域单位发电量成本最小为目标求取该潮流电场最佳装机数,再依据设备在给定的任一时间段内总发电量与潮流机位置坐标的关系求出各潮流机最优布局方案,论证了最优布局方案能减小尾流影响、可明显提高潮流能利用效率.详细推导了算法模型、布局优化策略.结果表明：新优化算法理论分析及推理正确;可行解搜索及相同台数潮流能发电机布局均达到了较好的效果;潮流机在各种入流速度下的发电量比传统算法布局方案有明显提高.     

粒子群优化的模糊粗糙集双约简算法

为了提升下游模型的性能,获得质量更好的约简数据集,提出基于粒子群优化（PSO）的模糊粗糙集特征和实例联合选择算法,引入基于ε-双约简的适应度函数来评估约简集的质量,引导搜索过程快速逼近最优解.实验结果表明,基于PSO算法的模糊粗糙集双约简算法有效约简了实例和特征,获得了高质量的约简集,在分类任务中取得了优于原始数据集的准确度.     

基于自适应粒子群算法的智能家居管理系统负荷优化模型

在能源互联网发展的背景下,针对电网需求侧响应的策略及用户节约用电成本的要求,设计智能家居管理系统(smart home management system, SHMS)的基本结构,构建智能家居管理系统负荷优化模型,并采用引入衰减因子的自适应粒子群算法对模型进行求解,可得到满足用户要求的家庭负荷运行方案。仿真算例采用了实际的分时电价、室外温度、负荷参数等信息,与优化前相比,用户负荷曲线得到改善,用电成本及用电量明显下降,验证了算法的有效性。     

基于粒子群优化的生物网络布局

基本粒子群算法（Particle Swarm Optimization,PSO）用于生物网络布局优化存在以下不足：存在影响布局优化的边界效应（boundary effects）,并且仅适用于小规模网络.针对边界效应提出了无边界限制的PSO算法（FPSO算法）.该算法一定程度上减少了边界效应对布局的影响.针对较大规模生物网络布局,提出了具有免疫反向学习特性的PSO算法（IO_FPSO算法）.采用主观评价、目标函数评价和布局准则定量评价进行算法比较,实验结果表明FPSO算法明显优于基本PSO算法,而IO_FPSO则进一步改善了较大规模生物网络布局效果.     

基于TS模糊推理的自适应量子行为粒子群优化算法

为进一步改善量子行为粒子群优化算法的性能,保证搜索过程中粒子群的多样性,本文提出了基于Takagi-Sugeno(TS)模糊推理的自适应量子行为粒子群优化算法。该算法利用群体分布和搜索进程信息,通过TS模糊推理,动态调整算法参数及迭代方式,提升种群在更大空间搜索的能力,减少陷入局部最优的几率,并通过若干标准测试函数仿真和威氏(Wilcoxon)符号秩次检验。研究结果表明,与传统的粒子群优化算法相比,自适应量子行为粒子群优化算法性能更好,不但迭代初期收敛快,而且能收敛到理论最优值,尤其对复杂高维函数的优化问题更有效。该研究改善了量子行为粒子群优化算法的性能。     

舰船通道布局优化模型及其粒子群算法

舰船通道有机的连接着舰船所有舱室,合理的布局可以提升舰船各个子系统的效能。利用设备布局理论与方法建立舰船通道布局优化多目标模型,选取战斗状态、损管状态、应急逃生状态和补给保障状态等4种状态下的人流物流成本最小为目标函数,基于计入权重的最小偏差法建立统一的目标函数,采用改进的粒子群算法对舰船通道布局优化模型进行求解。人流物流起止点之间最短距离的计算采用图论中的Floyd算法。最后给出一个舰船通道布局算例,验证了舰船通道布局优化模型的合理性,以及改进粒子群算法是一种求解舰船通道布局最优化问题的有效算法。     

基于惯性权重蛙跳算法的WSN布局优化

针对传统混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)易陷入局部极值的问题,在青蛙最差个体的更新策略中引入反正切惯性权重加以修正,从而使该算法具有更强的全局搜索能力及局部搜索能力。将提出的改进型蛙跳算法应用到WSN(Wireless Sensor Network,WSN)覆盖优化问题中,通过理论数据分析及仿真结果证明,改进的蛙跳算法较传统的SFLA、PS0、WIS-SFLA对网络覆盖率有较大的提升,是一种较优的覆盖优化方法。