基于粒子群优化的模糊聚类算法

针对模糊C均值聚类算法具有容易陷入局部极小值,对初始值和噪声数据敏感的缺点,提出了基于粒子群优化算法的改进模糊聚类算法（PSFC）．该算法引入了粒子群优化算法强大的全局寻优能力,并结合了模糊C-均值聚类算法的特点．实验结果表明,该算法是一种实用的、速度更快、效率更高的改进聚类算法,具有很好的全局收敛性和较快的收敛速度．     

基于改进PSO-BP神经网络的变压器故障诊断

引入动态变异操作来优化粒子群算法,同时将改进的粒子群优化算法和误差反向传播的算法相结合,构成混合算法,用于训练人工神经网络,并将该混合算法应用于变压器的故障诊断.仿真结果表明,该算法具有较快的收敛速度和较高的计算精度;诊断结果表明,该算法有利于提高变压器故障诊断的正确率.     

优化SVM在锅炉负荷预测中的应用

提出智能优化支持向量机算法来提高模型的预测能力和泛化能力。该算法针对支持向量机噪声敏感问题采用小波方法对数据集去噪;利用核主成分分析方法提取数据特征;采用量子粒子群算法优化支持向量机超参数。将该优化算法应用于锅炉负荷短期预测,实验结果表明,该优化算法预测精度较高,收敛速度较快,泛化性能优于其他预测方法,且工程实现容易。     

粒子群优化算法在多峰函数寻优上的应用

本文将模拟退火算法的思想引入到粒子群优化算法中,并且通过改变粒子群优化算法的惯性权值递减策略及更新位置的限制,来加速算法的收敛．算法经过对多峰函数的寻优测试,证明了这种改进算法与自适应粒子群优化算法相比较,不容易陷入局部最优,全局寻优能力更强,收敛速度更快．     

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协同过滤推荐并行化研究

针对常用协同过滤推荐算法存在计算性能瓶颈的问题,提出了在Spark上并行化实现协同过滤推荐算法RLPSO_KM_CF.首先,通过具备反向学习和局部学习能力的粒子群优化（RLPSO）算法寻找粒子群最优解,输出优化后的聚类中心;然后,运用RLPSO_KM算法对用户信息进行聚类;最后,将传统协同过滤推荐算法与RLPSO_KM聚类结合,从而对目标用户进行有效推荐.实验结果显示,RLPSO_KM_CF算法在推荐准确度方面有显著提高,具有较高的加速比,稳定性也得到了一定提升.     

一种带交叉算子的改进的粒子群优化算法

针对粒子群优化算法(PSO)固有的缺点,在研究标准的粒子群优化算法理论的基础上,提出了一种带交叉因子的改进的粒子群优化算法(MPSO),以解决算法的早熟收敛问题。该算法在搜索过程中引入了交叉因子,增加了粒子的多样性,克服了标准粒子群优化算法易陷入局部极优点的不足,并且算法有较快的收敛速度。该算法有较强的收敛性,还可以引入变异算子。将改进后的算法运用常见的几个测试函数进行了寻优仿真,仿真结果验证了带交叉因子的粒子群算法的可行性和有效性。     

改进粒子群算法在二维排样中的研究与应用

针对服装行业二维不规则样片优化排样问题,提出了一种改进的粒子群优化排样方法．该算 法在传统的粒子群优化算法中先引入小生境的思想,将种群划分成多个子群,各子群运用粒子群算 法单独进化,取出各子群进化后的最好粒子,又可形成新群体,新群体运用混合蛙跳算法进化,使子 群的最好粒子进一步更新,种群的多样性进一步增强,全局寻优的能力进一步提升．该算法概念简 单,易于实现,具有较好的能力去搜索全局最优解和较快的收敛速度．实验结果表明该算法是有效的．     

一种具有随机变异性质的粒子群协同优化算法

给出了一种具有随机变异特性的改进型粒子群协同优化算法，该算法克服了传统粒子群算法易陷入局部最优解且后续迭代过程速度慢的缺点．在迭代过程中，粒子的变异概率取决于粒子的适应度值以及当前所有粒子的聚集度．通过变异，粒子可有效地探索新的空间领域，从而可以有效地避免陷入局部最优解．Benchma呔函数实验结果表明，优化后的粒子群算法比传统粒子群算法具有较快的收敛速度和较高的全局收敛能力．     

一种改进的粒子群与人工蜂群融合算法

针对标准的粒子群算法和人工蜂群算法收敛性能差、在复杂优化问题易陷入局部最优的缺点,提出了一种改进的融合算法.改进融合算法拥有双种群并行进化,其中粒子群采用改进的反向学习策略,以增加群体的多样性;蜂群中跟随蜂根据个体停滞次数,自适应地改变进化策略,以平衡全局探索与局部开发能力.同时算法将交替共享两个种群的全局最优位置,通过相互引导使融合算法具有更好的寻优能力.8个经典函数和CEC2013的8个复合函数的实验结果表明,与最新的一些改进粒子群和人工蜂群算法相比,该算法的收敛速度和收敛精度均有较显著的优势.     

基于有效跟踪的平均渐进瞬时差分学习遗忘算法

智能体通过学习最优决策来解决其决策问题.激励学习方法是智能体通过与其所处的环境交互来改进它自身的行为.Markov决策过程(MDP)模型是求解激励学习问题的一般框架,瞬时差分TD(λ)是在MDP模型下与策略相关的学习值函数的一种算法.一般情况下,智能体必须记住其所有的值函数的值,当状态空间非常大时,这种记忆的量是大得惊人的.为了解决这个问题,给出了一种遗忘算法,这种算法把心理学的遗忘准则引入到了激励学习之中.利用遗忘算法,可以解决智能体在大状态空间中的激励学习问题.     

Self-adaptive learning based immune algorithm

A self-adaptive learning based immune algorithm (SALIA) is proposed to tackle diverse optimization problems, such as complex multi-modal and ill-conditioned problems with the high robustness. The SALIA algorithm adopted a mutation strategy pool which consists of four effective mutation strategies to generate new antibodies. A self-adaptive learning framework is implemented to select the mutation strategies by learning from their previous performances in generating promising solutions. Twenty-six state-of-the-art optimization problems with different characteristics, such as uni-modality, multi-modality, rotation, ill-condition, mis-scale and noise, are used to verify the validity of SALIA. Experimental results show that the novel algorithm SALIA achieves a higher universality and robustness than clonal selection algorithms (CLONALG), and the mean error index of each test function in SALIA decreases by a factor of at least 1.0×10⁷ in average.     

自适应权重差分进化算法

针对使用不同中间向量遗传策略（学习策略）的差分进化算法所表现出的性能不同,提出一种改进的差分进化算法,对已有的两种遗传策略引入自适应权重,设计了一个新的中间向量遗传策略.通过对基准函数进行测试,结果表明新算法避免了早熟收敛,寻优性能较好,收敛速度较快,具有一定的有效性.     

一种改进的自组织映射算法求解旅行商问题

目前,没有求解旅行商问题的非常有效的方法。提出了一种求解该问题的LNSOM算法,在自组织映射算法的基础上,改进了学习率和邻域函数变量。利用matlab 2011软件进行求解,其中5个旅行商问题实例的结果优于MSTSP和SETSP算法,另外,10个实例的平均误差为1.445 6%。实验结果表明,新算法的误差更小,并保持了SOM算法较低的计算复杂度。     

基于机器学习的围棋死活问题算法设计

计算机博弈是人工智能研究的一个重要领域,为了提高围棋的人机对弈水平,对死活问题的基本型和常型的机器学习进行了探讨。对死活问题计算机算法的探讨,说明基本型和常型在算法求解中的重要性。     

高维小采样数据集的贝叶斯网络结构学习算法

现有的贝叶斯网络结构学习算法都需要对高维数据项集进行大量地计算,极大地影响了算法的可靠性、健壮性以及精确度,同时高维计算也耗费了大量时间,为了解决这个问题,提出基于特征选择技术贪婪贝叶斯网络结构学习算法。理论分析表明,本算法在效率上优于现有算法,实验结果也表明,对于高维相对小采样数据集,本算法在精度上也优于大多数算法。     

一种基于量子染色体的遗传算法

将进化理论和量子理论结合,提出一种基于量子计算概念和理论的量子遗传算法．算法借鉴量子比特的叠加性。采用量子编码来表征染色体,能够表示出许多可能的线性叠加状态．模拟量子坍塌的随机观察可带来丰富的种群,量子染色体的进化也能够简单方便地引导进化．因此,它比传统遗传算法具有更好的种群多样性。更快的收敛速度和全局寻优的能力．从理论上证明了它的全局收敛性,仿真计算也表明了此算法的优越性．     

自适应PBIL算法求解一类动态优化问题

在不确定环境中,环境的变化总是以一定的概率发生,本文把何时变化看作随机变量,其满足一定的统计规律,由此归纳出一类动态优化问题。对于此类动态优化问题的求解,提出了自适应PBIL(Population-based incremental learning algorithm)算法。算法中利用随机变量的概率自适应地调整当前代群体的概率模型,增加种群多样性,快速适应环境的变化。应用两个动态优化问题进行了仿真实验。实验结果表明,与传统PBIL算法相比,自适应PBIL算法能够快速跟踪最优解的变化。     

基于克隆选择算法的非线性优化迭代学习控制

为实现对模型不确定的有约束非线性系统在特定时间域上输出轨迹的有效跟踪,将改进的克隆选择算法用于求解迭代学习控制中的优化问题。提出基于克隆选择算法的非线性优化迭代学习控制。在每次迭代运算后,一个克隆选择算法用于求解下次迭代运算中的最优输入,另一个克隆选择算法用于修正系统参考模型。仿真结果表明,该方法比GA-ILC具有更快的收敛速度,能够有效处理输入上的约束以及模型不确定问题,通过少数几次迭代学习就能取得满意的跟踪效果。     

期望轨迹可变的非线性时变系统迭代学习控制

针对一类存在扰动的未知非线性时变系统,提出了一种在不同次迭代运行过程中期望轨迹可变的迭代学习控制算法.该算法首先构造含未知参数项的系统逆控制,然后利用小波级数逼近逆系统的未知非线性参数,其最佳逼近系数与系统的期望轨迹无关,最后在迭代过程中通过学习的方法修正小波逼近系数,并采用变结构技术抑制系统干扰的影响,设计了在期望轨迹变化情况下的鲁棒迭代学习控制律.算法的收敛性分析表明,随着迭代次数的增加,逼近系数与最佳系数的差异减小.针对机械臂系统的仿真表明轨迹跟踪误差逐次减小并收敛,说明了算法的有效性.