基于改进粒子群算法的BP算法的研究

针对BP算法的缺陷以及标准粒子群算法优化BP网络权值的不足,为了提高算法的全局搜索能力,提出了基于自适应动态调整惯性权重的粒子群算法的BP网络算法.算法根据适应度值的改变情况来调整惯性权重,使惯性权重的改变不依赖于最大迭代次数和当代迭代次数,从而使整个网络具有较快的收敛速度和较小的误差.将算法应用于海参疾病的诊断中.实验发现,基于自适应动态调整惯性权重的粒子群算法的BP算法比基本粒子群算法的BP算法收敛速度快,算法的准确率也比较高,同时改进算法训练的BP网络也比基本粒子群算法训练的BP网络稳定.仿真证明,自适应动态调整惯性权重的粒子群算法对BP算法的优化优于基本粒子群算法.     

自适应惯性权重的分组并行粒子群优化算法

针对岛屿模型的并行粒子群算法没有根本改变粒子速度更新的问题,提出一种自适应惯性权重的分组并行粒子群优化算法。该算法在迭代过程中能自适应地选择加入分组的数量,同时对各组粒子的惯性权重按照组内最优位置的变化进行自适应调整。各组运用多线程技术并行处理,粒子间采用新的信息共享的方式。仿真结果证实,该算法具有较高的收敛速度和收敛精度。     

基于蚁群系统的参数自适应粒子群算法及其应用

为了解决粒子群算法惯性权重自适应问题,提出一种基于蚁群系统的惯性权重自适应粒子群算法(AS-PSO).AS-PSO首先将惯性权重取值区间离散化,各个惯性权重子区间在初期赋予相同的信息素;然后,粒子群算法中的各个粒子,根据各个惯性权重子区间中的信息素浓度和粒子在搜索空间中分布的先验知识,确定各个惯性权重子区间的选择概率,并进而实现粒子的空间搜索;最后,基于粒子的进化信息,实现惯性权重子区间信息素浓度的更新.仿真研究表明,AS-PSO算法在种群进化寻优的同时,能根据种群的进化信息,通过蚁群算法实现惯性权重参数的自适应调整和进化,且不增加测试函数的调用次数;算法寻优性能优于传统的自适应粒子群算法和根据速度信息自适应调整参数的粒子群算法.同时,算法实际应用于复杂系统模型参数的优化估计,获得满意结果.     

基于改进粒子群优化算法的TSP问题研究

针对标准粒子群优化算法易出现问题,提出一种改进粒子群算法。该算法为不同的粒子分配不同的任务,对性能较好的粒子使用较小的惯性权重,对性能较差的粒子采用较大的惯性权重,惯性权重根据适应度函数自适应调整,更好地平衡算法的全局与局部搜索能力,提高算法的多样性与搜索效率。用14点TSP标准数据对算法性能进行测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。     

自适应变异的粒子群优化算法

针对粒子群算法的早熟收敛问题,提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值,根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力,增大寻找全局最优的几率。对几种典型函数的测试结果表明,新算法的全局搜索能力有了明显的提高,有效避免了早熟收敛问题。     

一种新的自适应动态文化粒子群优化算法

为了克服粒子群优化算法在解决复杂问题时易陷入局部最优的缺陷, 提出了一种新的自适应动态文化粒子群优化算法。该算法引入评价粒子群早熟收敛程度的指标来判断种群空间粒子群状态, 以确定影响函数对种群空间粒子群的作用时机, 当算法陷入局部最优时, 自适应地利用影响函数对种群空间进行变异更新, 从而有效发挥文化粒子群算法的双演化双促进机制。并且根据种群的早熟收敛程度自适应地调整粒子的惯性权重, 使种群在进化过程中始终保持惯性权重的多样性, 在算法的全局收敛性与收敛速度之间作一个很好的折中。最后对四个经典的测试函数进行仿真, 结果表明该算法具有很强的搜索能力, 收敛速度和收敛精度也有所提高。     

一种改进的自适应邻域粒子群优化算法

在对粒子群优化(PSO)算法进行深入分析的基础上,建立了自适应邻域更新机制,再对惯性权重更新机制进行自适应化,分别从拓扑邻域结构和惯性权重两个角度对局部版PSO算法进行了改进,提出了一种实用、高效的自适应邻域粒子群优化算法,经7个标准测试函数验证,该算法具有较高效率和精度。     

PSO优化BP神经网络的混沌时间序列预测

针对于BP神经网络预测模型,收敛速度慢,精度较低,容易陷入局部极小值等缺点,提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中,粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测。将该算法应用到几个典型的混沌时间序列预测。实验结果表明,该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度,减少陷入局部极小的可能。     

云自适应粒子群优化算法在数值积分中的应用

为了提高传统自适应粒子群优化算法的鲁棒性,由X条件云发生器自适应调整粒子的惯性权重,提出云自适应粒子群优化算法。由于云滴具有随机性和稳定倾向性的特点,使得惯性权重既具有传统的趋向性,满足快速寻优能力,又具有随机性,有利于提高种群的多样性,提高了收敛速度。通过对求解任意函数数值积分的实验表明,该算法计算精度高、求解速度快,是求解数值积分的一种有效的方法。     

改进CPSO-SVM在人脸识别中的应用

为使粒子群优化算法初始粒子均匀分布在解空间,增强全局的搜索能力,通过对混沌运动的遍历性和粒子群优化算法中惯性权重的分析,提出了一种改进型混沌粒子群算法。该算法采用Circle映射,产生了分布均匀的混沌变量轨道点,并结合动态调整惯性权重的思想来避免粒子群算法陷入局部最优。同时,给出了应用混沌粒子群算法训练SVM的方法,并将其应用于人脸识别。仿真实验结果表明,改进CPSO-SVM方法比基本粒子群方法能获得更好的识别性能。     

基于改进粒子群算法的BP神经网络及其应用

目前BP神经网络是一种有效的预测方法,但在实际应用当中存在着一些自身的缺点,为此提出了一种基于改进粒子群算法的BP神经网络。通过动态调整粒子群算法中的惯性因子ω,有效地增强了算法对非线性问题的处理能力,同时提高了算法的收敛速度和搜索全局最优值的能力。建立改进后的BP网络模型,通过该模型和逐步回归方法对某市降水量进行实例分析。分析结果表明,改进后的BP网络模型具有较高的准备预报能力和稳定性。     

一种新的位置变异的PSO算法

针对标准粒子群优化算法在优化高维复杂函数时易产生早熟收敛的问题,提出一种新的位置变异的PSO算法。为平衡算法的全局和局部搜索能力,新算法按一定概率交替使用随机惯性权重和标准PSO算法的惯性权重;为增强种群多样性和抑制算法早熟,新算法在每次迭代中,对满足一定条件的粒子都进行一种有效脱离局部最优区域的位置变异。最后,通过对5个标准测试函数在60维和90维的性能对比实验证实：新算法收敛精度高,且有效克服了早熟收敛问题。     

微粒群算法的参数选择及收敛性分析

微粒群算法是相对较新颖的优化算法,已经成功应用于许多优化问题。然而算法的参数选择及收敛性分析研究不足,为此首先认真研究了现有微粒群算法粒子轨迹及其收敛性的文献,在此基础上,根据递减惯性权重和递增惯性权重微粒群算法各自的特点,结合算法的收敛区间,提出了一种具有先增后减惯性权重的新的微粒群算法,既保留了具有递增和递减惯性权重的优点,也克服了它们的缺点,取得了比较好的效果。     

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。     

基于双重预测模型的非线性时间序列预测

在支持向量机( SVM)预测问题中,为了减小错误参数选取对预测结果的影响,提出了1种基于双重预测模型的非线性时间序列预测算法.该算法在充分考虑支持向量机参数对推广能力影响的基础上,分别利用自回归预测模型(AR)、自回归滑动平均模型( ARMA)、线性回归和决策树模型对SVM参数进行预测,将预测参数运用到SVM预测模型中...     

改进PSO算法优化LSSVM模型的短期客流量预测

旅游客流量的准确预测为旅游目的地资源优化配置、景区战略计划制定提供有效依据。为了提高景区日客流量的预测精度,提出基于改进粒子群算法（Particle Swarm Optimization,PSO）优化最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的预测方法,针对PSO算法的惯性权重在采取线性递减策略时不能满足粒子寻优非线性变化的缺陷,从种群中粒子的聚合程度以及种群进化中粒子适应度同惯性权重的关系出发,利用对数函数非线性变化的特性,提出基于对数函数的惯性权重自适应调整方法（Adaptive Logarithmic Particle Swarm Optimization,ALPSO）。通过改进的PSO算法优化LSSVM的参数,建立山岳型风景区日客流量的预测模型。以黄山风景区2012-2015年景区每日上山人数为例,实验结果证明,与基于标准PSO算法、正弦粒子群算法（Sinusoidal Particle Swarm Optimization,SPSO）和高斯粒子群算法（Gaussian Particle Swarm Optimization,GPSO）优化的LSSVM模型相比,ALPSO-LSSVM模型的预测性能更好,是准确预测景区日客流量的有效方法。     

惯性权重正弦调整的粒子群算法

通过对标准粒子群算法中惯性权重的分析,提出了一种惯性权重正弦调整的粒子群算法。运用差分方程对粒子速度变化过程和位置变化过程进行分析,得到了粒子群算法的收敛条件。通过对4个典型的函数的测试,实验结果表明该方法在收敛速度和全局收敛性方面都比标准粒子群算法和随机惯性权重粒子群算法有明显改进。理论分析和仿真实验验证了新算法的正确性和有效性。     

基于自适应惯性权重的均值粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖参数选取等缺点,提出了一种基于自适应惯性权重的均值粒子群优化算法。对算法中的惯性权重参数采用动态自适应变化方式,在迭代过程中根据粒子适应度差值将种群划分为三个等级,对不同等级的粒子采用不同的惯性权重策略,使粒子能根据自己所处的位置选择合适的惯性权重值,更快地收敛到全局最优位置;同时分别用个体极值和全局极值的线性组合取代PSO算法中的全局最优位置与个体最优位置。通过实验仿真与对比,验证了新算法性能优于标准PSO及其它一些改进的PSO算法,能够用较少的迭代次数找到最优解,具有更快的收敛速度和更高的收敛精度。     

Sugeno模糊积分粒子群优化算法的实验研究

粒子群优化算法是模拟鸟类觅食的行为思想的随机搜索算法,主要是通过迭代寻找最优解.将模糊积分技术引入优化算法调整粒子的多样性的同时动态改变惯性权重,以此来提高粒子的搜索能力.仿真实验结果表明,该方法大大提高了搜索过程中粒子的多样性,并缩短了粒子的搜索时间,保持快速的收敛性的同时获得了算法最优解.