基于IPSO-BP神经网络的变压器故障诊断方法

标准粒子群优化(PSO)算法对惯性权重采取简单的线性衰减方案, 无法获得全局最优点. 为了弥补该方法的缺陷, 提出了一种改进的粒子群优化(IPSO)算法, 并将该算法与误差反向传播神经网络(BPNN)相结合, 进而提出一种基于IPSO-BPNN的变压器故障诊断新方法. 该方法将单个粒子连续被选为最优解的次数作为自适应变量, 并根据粒子的性能分类结果, 自适应地调整各粒子的惯性权重, 从而达到平衡局部和全局搜索能力的目的. 大量仿真表明该算法性能明显优于基于BPNN和PSO-BPNN的变压器故障诊断系统,     

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。     

带变异算子的非线性惯性权重 PSO 算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法.该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力.当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力.用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度     

改进粒子群优化BP神经网络的PM2.5预测

针对PM2.5预测的非线性不确定特点,提出基于改进粒子群优化BP神经网络的空气PM2.5浓度预测模型.引入混沌映射和对立学习改进粒子群算法;引入对立学习提高初始解的质量;引入混沌Tent映射改进粒子随机搜索,避免局部最优;引入自适应惯性权重均衡局部开发和全局勘探能力.利用改进粒子群对BP神经网络权值和阈值进行迭代寻优,基于最优参数BP神经网络做PM 2.5预测,有效避免神经网络训练时陷入局部最优,提升收敛速度.选取某市某时段的PM2.5日均浓度数据进行实验分析,结果表明IPSO-BP预测准确度更高,收敛速度更快.     

改进PSO与小波的地基沉降预测应用

将改进的具有双群特性及带变异算子的粒子群优化算法与小波分析结合优化神经网络预测地基沉降量.针对粒子群算法易陷入局部极小值的缺陷,将粒子总群分成两个子群,分别对两个子群进行不同的搜索策略以增强算法的全局和局部搜索能力.其中一个子群采用变惯性权重进行局部细搜索;另一个子群采用大的惯性权重进行全局搜索,并与小波分析去噪结合,优化神经网络参数,对地基累计沉降数据进行预测.实验结果表明这种划分使算法有较强的全局和局部搜索能力,同时提高了预测精度.     

改进并行粒子群算法优化RBF神经网络建模

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法（Improved Parallel Particle Swarm Optimization,IPPSO）。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。     

基于自适应粒子群的SVM参数优化研究

针对粒子群算法在优化SVM参数时,存在着易陷入局部最优,早熟收敛的问题,首先提出了一种用自适应权重来代替惯性权重的粒子群算法,再引入自适应变异对粒子群算法进行优化,增强粒子的种群多样性,使其能够跳出局部最优解,从而达到全局最优.最后,将改进后的算法(GPSO-SVM)应用到UCI标准数据集上进行验证,实验结果表明,改进后的算法提高了粒子的搜索性能,是一种有效的SVM参数优化算法.     

新的全局-局部最优最小值粒子群优化算法

为了提高粒子群优化算法的收敛速度,克服陷入局部最优的缺点,在全局-局部最优粒子群优化算法的基础上,提出了一种新的改进粒子群优化算法——全局-局部最优最小值粒子群优化算法.该算法把惯性权重和学习因子分别通过结合全局和局部最优最小值来进行改写,速度更新公式也做了相应的简化.仿真实验表明该算法在收敛速度和寻优质量上都优于基于LDIW策略改进的粒子群算法和全局-局部最优粒子群算法.     

基于改进BP网络的弹药库房有害气体检测

通过气体采样分析,确定了弹药库房需要重点检测的有害气体种类,在此基础上构建了基于传感器阵列与粒子群优化BP网络的气体检测系统;针对线性惯性权重调整的粒子群优化BP神经网络算法的不足,提出了一种新的非线性惯性权重调整方法,既保证了算法在运行前期具有较快的搜索速度和全局搜索能力,又保证了后期具有较高的搜索精度;为了克服算法在运行后期的局部收敛,在算法运行过程中引入速度变异算子,使算法摆脱了易陷入局部最优点的束缚;最后,通过实验对气体检测系统的性能进行了检验。结果表明,该气体检测系统速度快、精度高,能够较好地实现对弹药库房有害气体的检测。     

基于改进粒子群优化的文本聚类算法研究

针对k-means算法的聚类结果高度依赖初始聚类中心选取的问题,提出一种基于改进粒子群优化的文本聚类算法。分析粒子群算法和k-means算法的特点,针对粒子群算法搜索精度不高、易陷入局部最优且早熟收敛的缺点,设计自调节惯性权重机制及云变异算子以改进粒子群算法。自调节惯性权重机制根据种群进化程度,动态地调节惯性权重,云变异算子基于云模型的随机性和稳定性,采用全局最优值实现粒子的变异。该算法结合了粒子群算法较强的全局搜索能力与k-means算法较强的局部搜索能力。每个粒子是一组聚类中心,类内离散度之和的倒数是适应度函数。实验结果表明,该算法是一种精确而又稳定的文本聚类算法。     

基于混沌的PSO粒子滤波算法

粒子群优化(PSO)粒子滤波算法容易陷入局部最优,从而降低算法精度。针对该问题,提出一种基于混沌的PSO粒子滤波算法。该算法通过混沌搜索算法找到全局最优位置,驱散聚集在局部最优的粒子群,使其向全局最优位置靠近,增加有效估计粒子数,抑制粒子退化与枯竭问题。仿真结果表明,与传统的粒子滤波算法和PSO粒子滤波算法相比,改进算法的估计精度有较大提高。     

基于定期竞争学习的多目标粒子群优化算法

为提高种群的多样性和算法的收敛性，提出一种基于定期竞争学习机制的多目标粒子群算法。该算法将多目标粒子群算法和竞争学习机制相结合，即每隔一定迭代代数便使用一次竞争学习机制，很好地保持了种群的多样性；同时，该算法不需要全局最优粒子的外部存档，而是从当前代种群中选取一部分优秀的粒子，再从这些优秀的粒子中随机选取一个作为全局最优粒子，能够有效提升算法的收敛性。将提出的算法与基于分解的多目标粒子群算法（MPSOD）、基于竞争机制且快速收敛的多目标粒子群（CMOPSO）算法、参考向量引导的多目标进化算法（RVEA）等8个算法在21个标准测试函数上进行了比较，结果表明，所提算法的帕累托（Pareto）前沿更加均匀，在世代距离（IGD）上会更加小。     

基于聚类分析的随机微粒群算法

在对一种保证全局收敛的微粒群算法——随机PSO算法（SPSO）进行分析的基础上,提出了一种基于聚类分析的随机微粒群算法（CSPSO）。CSPSO算法保证了种群的多样性,使微粒能够有效地进行全局搜索。并证明了它依概率收敛于全局最优解。最后以典型的复杂基准优化问题进行了仿真实验,验证了CSPSO的有效性。     

含交叉项的混合二范数粒子群优化算法

针对原始粒子群优化算法（PSO）在搜索过程中容易陷入局部最优点的问题,并尽量避免破坏种群多样性,提出一种含交叉项的混合二范数粒子群优化算法HTPSO。首先,利用二范数原理计算当前粒子与个体历史最优粒子间的欧氏距离;其次,将欧氏距离引入速度迭代公式以影响社交项对粒子速度的作用,并按照一定规律随机分布惯性权重;最后,在此基础上简化粒子群算法,并将差分进化（DE）算法中的交叉算子融入该算法中,使粒子能在一定概率下与个体历史最优粒子交叉。为了验证HTPSO的性能,与利用正弦函数改进惯性权重的粒子群优化算法（SinPSO）、自适应粒子群优化算法（SelPSO）、基于自适应惯性权重的均值粒子群优化算法（MAWPSO）和简化粒子群优化算法（SPSO）在不同维度下解决8个常用基准函数,并根据T-test、成功率和平均迭代次数分析了各算法的优化结果。实验结果表明,HTPSO具有较优秀的收敛能力,且粒子运动非常灵活。     

基于粒子群算法的群体动画研究与实现

针对标准粒子群算法易陷入局部最优的问题,提出选择粒子视野范围内具有最优适应度值的粒子作为该粒子本次迭代所需的全局极值,测试结果证明改进算法的全局收敛能力明显提高。将该算法用于群体动画中。仿真实验表明个体具有良好的人工智能性,能够真实模拟群体行为。     

混合粒子群算法的软件测试数据自动生成

针对全连接拓扑结构的粒子群算法在生成测试数据过程中,存在收敛精度低,易陷入局部极值的问题,提出一种混合粒子群算法HPSO,并将其应用于测试数据自动生成。该算法在保证全局收敛性的前提下,对多样性匮乏的种群,首先采用定长环形拓扑结构取代粒子群的全连接拓扑结构;其次,采用轮盘赌方法选择候选解,更新粒子位置信息和速度信息;最后引入条件禁忌算法,对处于局部极值的粒子采取禁忌处理。通过实验比较表明:与基本粒子群算法(BPSO)相比,HPSO使种群多样性得到大幅度提升;在测试数据生成性能上,HPSO的搜索成功率和路径覆盖率均优于遗传算法与粒子群算法混合算法GA-PSO,而平均耗时与BPSO算法相当,性能表现优越。     

一种最优粒子逐维变异的粒子群优化算法

针对粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优、收敛速度过慢、精度低等问题,提出一种新的变异策略,对全局最优粒子进行逐维的重心反向学习变异.逐维变异降低了维间干扰,通过更新全局最优位置引领粒子向更好的位置飞行,同时加强了种群的多样性.仿真实验与基于柯西变异的混合粒子群算法(HPSO)及重心反向粒子群优化算法(COPSO)在9个标准测试函数上进行了对比.实验表明逐维重心反向变异算法(DCOPSO)具有较高的收敛速度及精度.     

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。     

一种增强型的粒子群优化算法

针对粒子群优化算法在进化后期容易陷入局部最优的缺点,提出了一种增强型的粒子群优化算法,即当粒子陷入局部极值点时,从增强粒子的自我学习能力,增强种群中其他相关粒子探索新区域的能力和增强粒子之间的信息交流三个方面来增强算法的寻优能力。数值实验结果表明,新算法具有很好的寻优性能。     

MQPSO: 一种具有多群体与多阶段的QPSO算法

提出了一种改进的QPSO(Quantum-behaved Particle Swarm Optimization)算法,即一种具有多群体与多阶段的具有量子行为的粒子群优化算法.在该算法中,粒子被分为多个群体,利用多个阶段进行全局搜索,这样可以有效地避免粒子群早熟,提高了算法的全局收敛性能.对几个重要测试函数的测试结果证明,MQPSO算法的收敛性能优于标准粒子群算法(Standard Particle Swarm Optimization, SPSO)以及QPSO算法.