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。     

一种带混沌变异的粒子群优化算法

为了克服粒子群算法在进化后期存在收敛速度慢、易陷入局部极小等问题,提出了一种混沌变异粒子群优化算法。该算法根据群体适应度变化率对种群中非优胜粒子进行变异操作,并对全局最优位置进行小范围混沌扰动,以增强算法跳出局部最优的能力。对几种复杂典型函数与标准粒子群算法进行了仿真测试,结果表明该算法明显改善了全局搜索能力和抗早熟收敛性能。     

融合模拟退火和混沌的混合粒子群算法

为了改善粒子群算法的全局搜索能力,把模拟退火思想融于惯性权重的选取之中,再利用混沌运动的特性来融合混沌算法,对早熟的种群进行自适应混沌变异。数值仿真结果表明,所产生的混合粒子群算法能更好地平衡局部寻优和全局寻优,提高了全局寻优的能力和计算的精度。     

混沌混合粒子群算法应用于优化酯化反应神经网络模型

利用混沌映射的随机性和遍历性,将其引入粒子群优化算法,以提高算法的全局寻优能力,同时引入优进策略,以改善其局部寻优效率,在此基础上构建了混沌混合粒子群优化算法(CHPSO)。高维复杂函数的仿真优化试验表明,CHPSO全局寻优能力强、优化效率高。针对常规算法训练神经网络容易早熟收敛和陷入局部极值点的不足,采用CHPSO训练人工神经网络,由此构建CHPSO-NN模型,并应用于乙酸己酯催化酯化反应条件的建模,与BP-NN相比,其预测能力和稳健性都有较大提高,效果良好,与传统方法相比有明显的优越性。     

一种混沌差分进化和粒子群优化混合算法*

为了改善差分进化粒子群算法的局部搜索能力和收敛速度,提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力。通过对三个标准函数进行测试,仿真结果表明该算法与DEPSO算法相比,全局搜索能力、抗早熟收敛性能及收敛速度大大提高。     

混沌粒子群优化算法研究

利用混沌运动的遍历性、随机性和规律性等特点,提出一种求解优化问题的混沌粒子群优化(CPSO)算法.该算法的基本思想是采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值.典型复杂函数优化仿真结果表明该方法是一种较简单有效的算法.     

基于动态参数优化的混沌粒子群算法

针对传统粒子群优化算法易陷入局部极值点的问题,将混沌运动的遍历性,随机性以及初值敏感性等特点融入粒子群优化过程中,并通过模拟退火的方法对参数实现局部优化,使得粒子群优化算法的参数随着优化算法的进行不断改变,以适应不断变化的优化需要.通过对经典函数的仿真实验,证明了该方法在提高收敛性的前提下,收敛精度较传统算法也有了提高,且克服了易陷入局部极值区域的问题.     

基于粒子群的后件多项式RBF神经网络算法

RBF（径向基函数）神经网络能在各个领域得到了很好的应用,关键在于网络模型参数权值、网络中心值、基宽向量和隐含层节点数的选取。传统的RBF神经网络存在精度不高,容易陷入局部最优,收敛速度慢等缺点。针对这些问题,提出了利用粒子群算法优化后件多项式RBF神经网络方法,即优化含有后件多项式RBF神经网络的权值、网络中心值和基宽向量值,并选取最优的隐含层节点数,进而提出了PSOIRBF（基于粒子群的后件多项式RBF）神经网络。通过对非线性模型和实例等非线性被控对象的仿真研究及对模型的分析,表明了所提出算法的有效性。     

粒子群优化算法训练神经网络辨识混沌系统

提出利用粒子群优化算法训练神经网络的算法,进行混沌系统辨识,并与神经网络、遗传神经网络对同一混沌系统辨识的结果进行比较。实验表明,利用粒子群优化算法训练神经网络进行混沌系统辨识,在不明显增加执行时间的基础上,寻求最优解的质量有显著提高,并且原理简单,容易实现,可有效用于混沌系统的辨识。     

一种基于混沌遗传与粒子群混合优化的过程神经网络训练算法

针对时变输入/输出过程神经网络的训练问题,提出一种基于混沌遗传与带有动态惯性因子的粒子群优化相结合的学习方法。综合利用粒子群算法的经验记忆、信息共享和混沌遗传算法的混沌轨道遍历搜索性质,基于PNN训练目标函数,构建两种算法相混合的进化寻优机制,通过适应度评估和优化效率分析自适应调节混沌遗传与粒子群算法的切换,实现网络参数在可行解空间的全局优化求解。实验结果表明,该算法较大提高了PNN的训练效率。     

RBF神经网络的混合微粒群学习算法

在分析RBF神经网络的结构特点基础上, 定义一个布尔向量L作为网络的结构参数, 与原来RBF神经网络的隐节点参数集一起构成了新的RBF网络隐节点参数集{c,σ, L}, 并给出了一个新的RBF网络输入输出关系表达式;采用一种混合协同微粒群算法同时对RBF网络拓扑结构和隐层节点参数进行优化设计,并将输出线性参数集分离后采用最小二乘法进行优化设计,简化了优化空间,加速了算法的收敛速度.     

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。     

基于差分及模拟退火的混合粒子群算法

粒群算法是一种新型的群体进化计算方法,已经在一些工程领域得到了广泛的应用,本文鉴于该算法存在收敛速度较慢,易陷入局部极值的缺点,提出一种基于差分及模拟退火的混合粒子群算法。通过对三种进化算法各自优势的分析与结合,得到一种改进的粒子群算法。     

神经网络基于粒子群优化的学习算法研究

研究神经网络基于粒子群优化的学习算法，将粒子群优化算法用于神经网络的学习训练，并与遗传算法进行了比较，结果表明，神经网络基于粒子群优化的学习算法简单容易实现，而且能更快地收敛于最优解。     

粒子群优化RBF神经网络光伏电池建模研究

本文研究神经网络在光伏电池建模优化问题。由于光伏电池具有高度非线性特性,其输出功率受到外界自然因素的影响,使得传统方法不能满足光伏控制系统动态要求。针对上述问题,本文提出一种粒子群优化的神经网络光伏电池建模算法。改进的方法以日照、温度和负载电压作为提出的RBF神经网络模型的输入值,把光伏电池的输出功率作为神经网络的输出,采用RBF神经网络对光伏电池进行建模,同时利用粒子群算法对神经网络参数进行优化,最后建立光伏电池的动态响应模型。仿真实验结果证明,所提模型更好地克服传统方法的缺点,收敛速度快,具有较高的预测精度和适合能力。     

基于改进混沌粒子群的聚类检测算法研究

针对入侵检测系统特征报警聚类质量低、冗余告警的不足,提出基于改进混沌自适应粒子群优化的IDS 特征 报警聚类方法。该方法结合混沌算法特性和改进粒子群算法自适应惯性权重系数以及对非线性动态学习因子进行改善,引导 粒子群在混沌与稳定之间交替波动,保证粒子运动惯性,更利于趋近最优。本方法能够克服PSO算法的过早收敛、“惰性”反 应等缺点,利于聚类中心更能趋向全局最优。实验结果表明,本文粒子群参数改进算法提高了特征报警聚类质量,具有较高的 检测率和较低的误报率。     

基于改进粒子群算法的RBF神经网络磨机负荷预测研究

磨机负荷是评价磨机运行状态和预测磨机行为的重要指标,针对粉磨机磨矿过程中负荷难以检测和不能准确判断负荷状态的问题,提出了一种基于改进型粒子群算法（Improved particle swarm optimization, IPSO）优化径向基神经网络（Radial Basis Function,RBF）参数的磨机负荷预测模型（IPSO-RBF）,使惯性权重因子在迭代过程中非线性下降,平衡局部搜索能力与全局搜索能力之间的矛盾,该算法能快速准确地找到最优解,提高粉磨机磨机负荷的预测精度。通过水泥厂的实测数据实验对比,结果表明,基于IPSO-RBF模型的预测精度最高,其预测结果与真实值相比较,均方根误差（Root Mean Square Error,RMSE）、均方误差（Mean Square Error,MSE）、平均绝对误差（Mean Absolute Error,MAE）、平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）和决定系数（coefficient of determination,）分别为0.210 2、0.044 2、0.161 7、1.778%和0.978 2。     

基于粒子群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤,标定的精度直接关系到三维重构结果的逼真程度。为了有效解决传统摄像机标定算法中的多参数、计算费时费力等问题,提高摄像机标定的精度和速度,将粒子群遗传算法（particle swarm optimization genetic algorithm,PSO-GA）应用于摄像机标定中。对参数进行粒子群算法优化后,再使用遗传算法中的选择、交叉和变异等操作进行参数优化,以实现粒子群算法与遗传算法的融合。结合后的算法全局搜索能力较强,收敛速度更快,优化能力与鲁棒性得以提高。同时,基于神经网络的摄像机标定方法所能覆盖的标定空间十分有限,提出了一种采用粒子群遗传算法优化BP神经网络的摄像机标定方法,以解决传统摄像机标定方法难以解决的问题。实验数据表明,基于粒子群遗传算法的BP神经网络标定是一种可行的方法,标定精度高,收敛速度快,泛化能力强。