粒子群优化算法在ECG数据压缩中的应用

为了更好地恢复ECG数据压缩中的原始信号,采用粒子群优化算法来求解ECG数据压缩中的最小误差问题.粒子群优化算法是基于一群粒子的智能运动而产生的随机进化计算方法.首先介绍了粒子群算法的原理和流程,其次结合拉格朗日函数和编码模型得出适应度函数,并将这种方法应用于ECG数据的压缩上,最后给出了PSO算法在ECG数据压缩上的应用实例,通过与SPIHT算法比较,文中算法的误差和平均PRD值都比SPIHT算法小.验证了粒子群算法在ECG数据压缩求误差极小值上的有效性,表明该算法具有广泛的应用前景.     

多目标混合优化的阈值图像分割

提出了一种多目标混合优化的阈值图像分割算法。该方法以类间方差函数和模糊熵函数为待优化目标函数,为了改善粒子群算法在迭代后期陷入局部最优的问题,在粒子群算法中引入多元宇宙优化算法并产生一组非支配解集;采用混沌搜索策略进行搜索,以更有效地逼近最优阈值;通过类间差异和类内差异的加权比值来选取最优解。仿真结果表明,相较于Otsu算法、多目标粒子群算法以及多元宇宙优化算法,算法的分割准确率较高。     

改进粒子群算法的工业机器人几何参数标定

针对传统粒子群(PSO)算法在解决工业机器人几何误差标定问题中存在的收敛速度慢的缺点,提出了一种基于两段式的动态粒子群算法(LDPSO-BT)。用Denavit-Hartenberg方法建立工业机器人的误差模型,将几何误差标定问题转换成对高维非线性方程的求解;对粒子群数目进行线性递减,同时针对算法求解过程中粒子数目线性递减的特点,在改进粒子群算法迭代后期采用改进的搜索模式,对传统粒子群的速度迭代公式进行改进;仿真实验对比了工业机器人几何误差标定前与标定后两种算法的末端定位精度。实验结果表明:在采用粒子群算法辨识工业机器人实际几何参数的过程中,粒子群数目对算法的迭代时间有重要影响,通过线性递减的方式减少粒子群的粒子数目可以有效地减少工业机器人几何误差标定时间,同时在粒子群算法迭代后期采用改进的速度迭代公式可以确保收敛精度。与传统粒子群算法相比,使用改进后的粒子群算法,不仅可以有效减少工业机器人的定位误差,而且还拥有更高效的迭代效率。     

新型混合粒子群优化算法

针对粒子群算法易陷入局部极值、精度低等缺点,提出了一种基于模拟退火与混沌思想的新型粒子群优化算法(SA-CPSO).在该算法的初始阶段,对粒子位置进行混沌初始化,并引入模拟退火算法对每个粒子的适应度进行评价;在该算法运行过程中根据群体适应度方差对粒子群进行混沌更新;最后通过对几种经典函数的测试计算,结果表明,相对于标准粒子群算法,该新型混合算法提高了局部搜索能力和搜索精度,并有效避免了早熟现象的产生.     

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.     

基于混沌PSO或分解的二维最小误差阈值分割

为了进一步提升现有的二维最小误差阈值分割快速递推算法的运行速度,提出分别基于混沌粒子群优化（PSO）和分解的2种二维最小误差阈值分割算法.第 1种算法利用混沌粒子群优化算法搜寻二维最小误差法的最佳分割阈值,且在迭代过程的适应度函数计算中引入递推算法,大大减少了冗余计算;第2种算法将二维最小误差法的运算分解成一维最小误差法和一维最小类内对数方差法的运算,计算复杂度由二维递推算法的O(L2) 进一步降为O(L).实验结果表明,提出的2种算法能够在分割效果达到或优于现有的二维最小误差阈值分割法的同时,大大加快运行速度.     

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.     

复合Bessel函数零点数值计算方法及分布规律

为了解决复合Bessel函数零点计算问题,提出修正粒子群与量子粒子群优化算法。修正后的算法能够找到复合Bessel函数有限区间内绝大部分函数零点。为了进一步提高函数零点的搜索能力,结合前两种算法特点,借鉴交叉算子操作,对带交叉算子量子粒子群算法进行修正,修正后的算法能找到复合Bessel函数有限区间内所有函数零点,修正后带交叉算子量子粒子群算法收敛速度快,零点计算精度高。计算结果表明:同一参数复合Bessel函数除去前3个零点,后续零点与零点次序在双对数坐标系中符合直线关系。对不同参数计算的零点与零点次序进行直线拟合,相关程度达到99.99%,零点拟合的相对误差小于0.5%,能够满足工程计算的需求。     

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。     

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。     

改进万有引力搜索算法在函数优化中的应用

为了克服标准的万有引力搜索算法在函数优化中迭代速度慢、易陷入局部最优等问题,基于加强算法的性能,研究了新的策略.结合粒子群算法的开采能力和万有引力搜索算法的勘察能力,得到了基本粒子群万有引力搜索混合算法.对混合算法中的加速因子进行改进并引入了动量因子,提出了一种改进的粒子群万有引力搜索混合算法(IPSOGSA).结果表...     

基于线性权重粒子群优化算法的多基站协作波束成型

为有效抑制小区间干扰,提高多基站协作通信系统的传输速率,提出了一种多基站协作波束成型方案。该方案基于线性权重粒子群优化算法,将最大化系统总速率问题转化为适应度函数的优化问题进行求解。为避免搜索过程中陷入局部最优,该算法的惯性权重采用线性递减的方式。根据所建立的优化问题,给出了适应度函数的构造方法。数值分析结果表明,相对于惯性权重为0.5的基本粒子群算法,所提算法使系统总速率提升了41.13 bit/s,同时具有很好的收敛性。     

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。     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能，提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中，每个粒子的更新受粒子个体极值和局部极值的影响，为了提高其全局收敛性，采用多粒子策略，使每个粒子的更新受更多其他粒子的影响；为提高收敛速度，采用白适应策略，对参数c0进行白适应调整，使c0随着迭代次数的增加而逐渐减小，这样，在PSO算法的搜索过程中，随着迭代次数的增加，搜索区域会越来越小，从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化，在有限时域内对控制序列进行寻列，给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明，基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

一种动态调节惯性权重的粒子群算法

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种动态调节惯性权重的粒子群算法.该算法对惯性权重引入随机因子并基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,平衡了算法的全局搜索与局部搜索能力,提高了算法的收敛精度.为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及动态调节惯性权重的粒子群算法在不同维度下进行测试比较.结果表明:提出的动态调节惯性权重的粒子群算法在寻优精度和成功率方面都有所提升,算法性能更具优越性.     

利用膜粒子群优化的条件随机域特征选择

提出了一种新的基于膜粒子群优化的特征选择方法．该方法利用了膜系统的分层结构和消息传递机制,将粒子群优化算法作为区域子算法部署到各个区域中．不同于传统粒子群优化算法,该方法将粒子群优化的搜索速率分解为局部搜索速率和全局搜索速率．膜系统的所有外层区域采用局部搜索速率,搜索局部最优解;最内层区域采用全局搜索速率,搜索全局最优解．所有外部区域将最优解传递给相邻内部区域,内部区域将最差解传递给相邻外部区域,最内区域向相邻外部区域传递最差解．当各个区域之间的解传递在一段时间内停止时,或者算法迭代次数达到限定次数时,算法收敛,取最内层区域的最优解为最终解．以条件随机域模型的最大似然估计函数为目标函数,利用膜粒子群优化计算各个特征权重系数,最后剔除那些权重系数小于阈值的特征．实验结果表明,在进行生物文本的基因名称识别时,利用该方法对条件随机域的特征进行选择后,可以消除冗余特征的干扰,能获得更高的准确度．     

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.     

基于混合粒子群算法的梯级泵站优化调度

针对不同时段电价差异,以流量平衡为基础,建立以梯级泵站耗电电费最小为目标的优化调度模型,并采用粒子群算法求解.为克服粒子群优化算法易早熟、迭代后期收敛速度慢的缺点,引入免疫思想,以粒子适应度为标准,通过克隆变异算子、疫苗接种算子和优胜劣汰算子,构建双粒子群,增强了粒子群搜索精度和搜索范围,并将其应用于广东某供水工程.优化调度仿真对比分析表明:免疫粒子群算法(IAPSO)能够有效地解决梯级泵站优化调度问题,降低了泵站运行成本,与基本粒子群算法(PSO)和自适应惯性权重粒子群算法(APSO)相比,收敛速度更快,搜索精度更高.     

一种改进的混合粒子群优化算法

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,把Hooke-Jeeves模式搜索方法作为粒子群优化算法的一个局部搜索算子,嵌入到粒子群算法中,Hooke-Jeeves的强局部搜索能力提高了粒子群优化算法的局部收敛速度和精度,从而提出了一种混合粒子群优化算法。通过基准函数和实例测试进行了验证,结果表明,提出的混合算法的收敛速度和精度均优于粒子群优化算法。     

基于粒子群优化算法的相干信源波达方向估计

利用粒子群优化算法和在解决优化问题的优势和广义极大似然测向的优点,提出了一种估计相干信源波达方向的新方法.对于所提出的测向算法,人射的信源可以是独立信源,也可以是多相干信源的混合,对阵列的几何结构也没有任何约束,而且它分辨的信源数还可以大于阵元数.为了有效地对所提出的测向代价函数进行拟合,把高斯异策略引进粒子群算法中,提出了一种可快速多维搜索的随机变异粒子群算法.仿真结果表明:与基于遗传算法的相干信源波达方向估计方法相比,基于粒子群优化算法的波达方向估计在收敛速度和估计精度上都有优势,有很好的可行性和有效性.