一种改进的混沌量子粒子群优化算法

通过将量子粒子群优化算法和佳点集法相结合,提出一种改进的混沌量子粒子群优化算法,用于解决复杂函数问题。将佳点集融合到量子粒子群算法中,以提高解空间的遍历性,对函数实现全局寻优。用混沌序列改变惯性权重 w,调节粒子群优化算法的全局和局部寻优能力。采用线性递减速度比例收缩因子η提高搜索速度,避免早熟收敛。用量子Hadamard门对量子编码进行变异,增强种群的多样性,促使粒子跳出局部极值点。对典型复杂函数的仿真结果表明,该混合算法寻优效率高、收敛速度快,能有效避免早熟收敛。     

基于黄金分割准则的混沌云粒子群算法

针对传统粒子群算法寻优精度不高、易早熟的缺点,提出了基于黄金分割评判准则的混沌云粒子群（CCGPSO）算法。该算法利用黄金分割评判准则,将粒子群按照适应度大小分为标准粒子、混沌云粒子、云粒子三个子群,分别进行不同的算法操作。黄金分割的引入使整个粒子群可以搜索到全部解空间,解决了标准粒子群算法易陷入局部最优解和寻优精度不高的问题。选取了四种典型函数测试,并与混沌云粒子群算法（CCPSO）比较。仿真结果表明CCGPSO具有较高的寻优精度和收敛速度。     

一种多粒子群协同进化算法

为进一步提高多粒子群协同进化算法的寻优精度, 并有效改善粒子群易陷入局部极值及收敛速度慢的问题, 结合遗传算法较强的全局搜索能力和极值优化算法的局部搜索能力, 提出了一种改进的多粒子群协同进化算法. 对粒子群优化算法提出改进策略, 并在种群进化过程中, 利用遗传算法增加粒子的多样性及优良性, 经过一定次数的迭代, 利用极值优化算法加快收敛速度. 实验结果表明该算法具有较好的性能, 能够摆脱陷入局部极值点的问题, 并具有较快的收敛速度.     

基于改进PSO算法的SVM在甲烷测量中的应用

针对甲烷气体定量分析过程中,传统SVM模型预测精度低、收敛速度慢等问题,提出了一种基于改进PSO算法的SVM回归模型.该模型在传统PSO算法寻优的基础上,引入动量项的同时增加随机粒子个体极值的追随因子,使粒子不仅追随全局最优解和局部最优解,还跟随种群中任一粒子的个体极值,使得寻优算法后期收敛速度较快,不易陷入局部最小值.实验中,对0~5.05%浓度的25组标准甲烷样气进行建模分析,并与传统PSO算法寻优模型和Grid搜索法寻优模型进行对比.结果表明,采用改进PSO算法建立的SVM回归模型均方根误差小,收敛速度快.     

一种改进的云粒子群算法及其应用研究

针对基于云数字特征(期望值、熵值、超熵值)编码的云粒子群算法应用中优化效率低和局部寻优能力较差的问题,提出了两点改进措施:在解空间变换的基础上将局部搜索与全局搜索相结合;依据正态云算子实现粒子的进化学习过程和变异操作.将改进算法应用于多变量函数极值优化问题.仿真结果表明,该改进算法寻优代数小、收敛速度快、效率高,并且具有较好的种群多样性,验证了改进措施的有效性.     

混合粒子群算法及在可靠性优化中的应用

针对粒子群算法搜索精度低和早熟收敛的缺陷,通过算法混合,提出了基于混沌与和声搜索算法思想的混合粒子群优化算法。该算法采用Tent映射,利用混沌特性提高种群的多样性和粒子搜索的遍历性,同时采用和声策略对解空间进行开发,引入了柯西变异,帮助粒子跳出局部陷阱,采用云模型的自适应策略来调整惯性权重。最后将该优化算法应用于可靠性优化设计中,仿真实验表明,改进后的混合粒子群优化算法较基本粒子群算法收敛速度加快,且不易陷入局部极值点。     

基于随机惯性权重的简化粒子群优化算法

针对标准粒子群优化算法易出现早熟收敛、搜索速度慢及寻优精度低等缺陷, 提出一种基于随机惯性权重的简化粒子群优化算法。算法采用去除速度项的粒子群简化结构, 通过随机分布的方式获取惯性权重提高新算法的局部搜索和全局搜索能力, 并且学习因子采用异步变化的策略来改善粒子的学习能力。考虑到个体之间的相互影响关系, 每个粒子的个体极值用所有粒子个体极值的平均值代替。通过几个典型测试函数仿真及F-检验结果表明, 提出的算法在搜索速度、收敛精度、鲁棒性方面较已有改进算法有了显著提高, 并且具有摆脱陷入局部最优解的能力。     

基于改进粒子群算法的阈值图像分割

针对基本粒子群算法目前存在的收敛速度过慢且容易于陷入局部极值等方面问题,提出根据蜂群算法的领域搜索思想,改变算法中粒子领域结构。通过借鉴蜂群的领域搜索策略解决粒子群算法陷入局部极值的问题,提高收敛速度。并将改进后粒子群算法应用于阈值图像分割中,仿真结果表明改进算法在图像阈值分割中减少阈值的寻优时间,优化收敛精度,提高图像处理的实时性和精度性。     

基于混沌微粒群优化算法的阈值图像分割

混沌微粒群优化算法利用了粒子群优化算法收敛速度快和混沌运动所具有的随机性、遍历性和初值敏感性,将混沌状态引入到优化变量中,把混沌的遍历范围映射到优化变量的取值范围.在算法执行过程中对优秀个体混沌扰动,有利于跳出局部极值点,搜索到全局最优解.分别用微粒群优化算法和混沌微粒群优化算法求解函数优化问题,对算法的性能进行检验,检验结果显示:混沌微粒群优化算法搜索全局最优解的成功率和收敛速度都要优于微粒群优化算法.将混沌微粒群优化算法与阈值法相结合,在算法初始化阶段对粒子位置混沌初始化;在算法运行期间对优秀个体进行混沌扰动避免落入局部最优,较好地解决了传统的多阈值图像分割方法中运算量大的问题.实验结果表明,混沌微粒群优化算法用于阈值寻优减少了搜索时间,提高了收敛率.     

生态金字塔粒子群优化算法

为解决粒子群优化算法在处理高维复杂函数时容易陷入局部最优和早熟收敛的问题,提出生态金字塔粒子群优化算法(EP-PSO)。该算法引入生态金字塔系统,使粒子在搜索空间分等级、分子群寻优,有效增加了群体多样性;为增强算法的全局搜索能力,对处于停滞状态的个体极值和全局极值进行动态变异,以达到扩大种群潜在搜索空间的效果。选择15个测试函数验证算法的有效性,结果表明EP-PSO有着良好的寻优性能,能够得到较高精度解,具有较高的效率和可信度。     

基于混沌云模型的粒子群优化算法

针对传统粒子群优化（PSO）算法寻优精度不高和易陷入局部收敛区域的缺点,引入混沌算法和云模型算法对PSO算法的进化机制进行优化,提出混沌云模型粒子群优化（CCMPSO）算法。在算法处于收敛状态时将粒子分为优秀粒子和普通粒子,应用云模型算法和优秀粒子对收敛区域局部求精,发掘全局最优位置;应用混沌算法和普通粒子对收敛区域以外空间进行全局寻优,探索全局最优位置。应用特征根法对CCMPSO算法的收敛性进行分析,并通过仿真实验证明,CCMPSO算法的寻优性能优于其他常用PSO算法。     

基于云模型的自适应量子粒子群算法

利用云模型理论能兼顾随机性和模糊性的特质, 提出一种基于云模型的自适应量子粒子群优化算法。首先分析量子粒子群算法的控制机制, 在此基础上, 使用云算子实现对每个粒子的吸收扩张因子自适应控制, 达到在进化过程中对粒子飞行位置动态调整的目的, 使算法具有较快的收敛速度和较强的全局搜索能力。同时, 补充针对性的优化方案, 有效避免算法陷入局部最优。对典型测试函数的仿真对比实验表明, 该算法具有寻优能力强、搜索精度高、稳定度好等优点, 相比其它同类算法具有一定优势。     

A pattern based PSO approach for block matching in motion estimation

Block matching motion estimation is a popular method in developing video coding applications. A new algorithm has been proposed for reducing the number of search points using a pattern based particle swarm optimization (PSO) for motion estimation. The conventional particle swarm optimization has been modified to provide accurate solutions in motion estimation problems. This leads to very low computational cost and good estimation accuracy. Due to the center biased nature of the videos, the proposed approach uses an initial pattern to speed up the convergence of the algorithm. Simulation results show that improvements over other fast block matching motion estimation algorithms could be achieved with 31%～63% of search point reduction, without degradation of image quality.     

带审敛因子的变邻域粒子群算法

针对基本粒子群算法在求解高维空间中的复杂多峰函数时容易发生早熟收敛而陷入局部最优的问题,汲取变邻域搜索算法全局搜索的优势,提出了带审敛因子的变邻域粒子群算法.首先由基本粒子群的快速搜索能力得到较优的群体;然后通过审敛因子判断发生早熟收敛的粒子,并利用变邻域搜索算法的全局搜索能力对陷入早熟收敛的粒子进行优化,从而得到全局最优.相关实验表明,带审敛因子的粒子群算法的性能较常规粒子群算法更加优越.     

Interactive Self Improvement Based Adaptive Particle Swarm Optimization

One of the most familiar stochastic heuristic search algorithm is Particle swarm optimization (PSO), which is motivated by social behavior of animals like birds, fishes, and so forth. The significant advantages of PSO algorithm are simple structure and limited parameters to be used. Among the parameters, inertia weight is considered as the most crucial one in PSO which brings trade-off between the characteristics of exploitation and exploration. A novel Interactive Self-Improvement based Adaptive PSO (ISI-APSO) method that traits better searching efficiency and accuracy than the traditional particle swarm optimization is proposed. More precisely, it can achieve faster convergence speed while on global search over the entire search space. The simulation results show that the performance of our proposed ISI-APSO is substantially improved than other heuristic algorithms in terms of the search efficiency and convergence speed.     

基于多样性检测的双子群多目标粒子群算法

为了平衡多目标粒子群算法的多样性和收敛性,提出一种基于多样性检测的多子群多目标粒子群算法.首先,将多样性检测方法引入到多目标粒子群算法中,并结合多目标粒子群算法的特点进行改进.然后,将种群分为两个不同分工的子群,一个子群保持较好的多样性,在搜索空间进行全局搜索;另一个子群保持较好的收敛性,在Pareto前沿附近进行局部搜索.最后,根据多样性度量指标调整两个子群的搜索行为,以达到兼顾多样性和收敛性的目的.在标准测试问题上的仿真结果表明了所提算法的有效性.     

基于自适应云粒子群算法的Wiener模型辨识

针对非线性系统Wiener模型的系统辨识问题,提出一种基于自适应云模型的粒子群优化(ACMPSO)算法的辨识方法。ACMPSO算法利用云模型实现优秀粒子的遗传和进化操作,根据进化状况动态调整云模型的参数,自适应地控制云模型算法的寻优范围和精度,有较强的全局搜索和局部求精能力。仿真实验证明该算法寻优精度高于其他主要PSO算法;将该算法应用于Wiener模型的系统辨识,通过实验证明了该辨识方法优于当前其他方法。     

改进粒子群优化的极限学习机软测量建模方法

工业过程常含有显著的非线性、时变等复杂特性,传统的极限学习机有时无法充分利用数据信息,所建软测量模型预测性能较差。为了提高极限学习机的泛化能力和预测精度,提出一种改进粒子群优化的极限学习机软测量建模方法。首先,利用高斯函数正态分布的特点实现惯性权重的自适应更新,并线性变化学习因子以提高粒子群优化算法的收敛速度和搜索性能;然后将该算法用于优化极限学习机的惩罚系数和核宽,得到一组最优超参数;最后将该方法应用于脱丁烷塔过程软测量建模中。仿真结果表明,优化后的极限学习机模型预测精度有明显的提高,验证了所提方法不仅是可行的,而且具有良好的预测精度和泛化性能。