基于免疫机制的PSO算法中IIR数字滤波器设计

针对微粒群算法(PSO)在搜索过程中粒子的多样性差,易陷入局部最优且收敛速度慢等缺陷,将生物免疫系统中克隆选择机制和独特型免疫网络理论引入到微粒群优化算法中,提出了一种基于免疫机制的PSO优化算法(SOIM)并将其用于IIR数字滤波器的设计.该算法结合了微粒群算法的全局寻优能力和免疫多样性保持机制,改善了微粒群算法摆脱局部极值点的能力,提高了算法的收敛速度.仿真结果表明该算法在多模态搜索空间中具有更好的全局收敛性能和稳定性,是一种有效可行的IIR数字滤波器设计方法.     

无线传感网络布局的虚拟力导向微粒群优化策略

无线传感网络通常由固定传感节点和少量移动传感节点构成,动态无线传感网络布局优化有利于提高无线传感网络覆盖率和目标检测概率,是无线传感网络研究的关键问题之一.传统的虚拟力算法在优化过程中容易受固定传感节点的影响,无法实现全局优化.本文结合虚拟力算法和微粒群算法,提出一种面向无线传感网络布局的虚拟力导向微粒群优化策略.该策略通过无线传感节点间的虚拟力影响微粒群算法的速度更新过程,指导微粒进化,加快算法收敛.实验表明,虚拟力导向微粒群优化策略能快速有效地实现无线传感节点布局优化.与微粒群算法和虚拟力算法相比,虚拟力导向微粒群优化策略不仅网络覆盖率高,且收敛速度快,耗时少.     

基于微粒群的图像增强算法研究

图像增强处理中,对比度变换是一种较为有效的方法.如何根据输入图像自动选择规则化Beta函数的两个参数实现自适应增强仍是一个较为复杂的问题.提出了一种基于微粒群的自适应图像增强算法,此算法通过自动寻找最优的Beta函数参数实现图像对比度的自适应增强.仿真实验表明了该算法的有效性和可行性.     

基于模糊C均值的图像目标检测技术研究

对经典FCM算法的优缺点及其改进算法进行了综述,在此基础上,构造了基于概率密度和基于模拟退火与粒子群相结合的核函数聚类两种新算法.仿真结果表明：两种算法都具有较好的图像分割效果,尤其方法2运算速度快,且具有一定的全局搜索能力.该综述对于丰富图像分割研究具有一定的参考价值和指导意义.     

无线传感器/执行器网络任务动态调度策略

针对任务在各执行器的协作问题,提出一种动态调度策略,根据执行器节点的剩余能量和工作状态,利用混合模拟退火的微粒群算法,在任务时效期内,统一安排各任务在执行器上的执行周期,最小化最大完成时间.仿真结果表明,算法具有良好的收敛性能,各执行器的任务完成响应时间和能耗均衡情况均得到改善.     

一种新形式的微粒群优化算法

提出了一种更为简化的微粒群算法.该算法用相位角的增量代替速度的增量,通过绘制相位角来确定微粒的位置.用这种新的微粒群算法对大学生综合素质测评体系的权重模型进行优化,经与标准微粒群算法进行比较,证明该算法更容易实现,并且具有更好的全局搜索能力.     

量子行为粒子群算法在图像恢复中的应用

遗传算法等智能搜索技术避免了图像恢复方法中存在的较多约束和计算量过大的问题,但遗传算法存在“过早收敛”现象。作为一种新的智能优化算法-量子行为粒子群优化算法,在全局收敛性和稳定性上有较好的表现。文章提出了一种基于量子行为粒子群算法的图像恢复方法,并与基于标准遗传算法的图像恢复进行了比较。仿真结果表明,该算法可使图像恢复结果和效率得以较大的改善和提高,具有推广应用价值。     

单目标-多条件约束S-P网络可靠性优化的微粒群算法

研究2-状态单目标-多条件约束串-并联(S-P)网络的可靠性优化问题(RAP)。设计了具有压缩系数的离散型微粒群算法进行求解,采用Matlab编程对问题实例进行模拟仿真,结果表明,对于合理选择的初始解与算法参数,微粒群算法每次运行都收敛,并且能够收敛到最优解。通过与传统的智能算法(模拟退火算法、蚁群算法、遗传算法)比较,微粒群算法具有初始解容易选择、参数易于设置,收敛性好、收敛快的优势。     

基于微粒群算法的认知无线电频谱分配

提出了一种基于微粒群算法的认知无线电频谱分配算法,该算法能更好地实现网络总效益,从而提高用户的平均效益,并且使用一种新的目标函数评价算法的性能,通过仿真比较了本算法与颜色敏感图论着色频谱分配算法的性能。计算机仿真结果表明,提出的基于微粒群分配算法与颜色敏感图论着色分配算法相比,该算法能更好地满足网络需求。     

基于SAPSO算法优化Elman神经网络的话务量预测

文章提出一种模拟退火(SA)与粒子群优化(PSO)算法相结合的算法来优化Elman神经网络权值和阈值。当PSO处于停滞状态时,利用粒子群优化算法的全局寻优性质,以及SA能跳出局部最优解的特性,在搜索到的最优位置处用模拟退火算法继续寻找最优解,并对具有动态递归性能的Elman神经网络进行学习训练,这样就能对忙时话务量进行预测。结果表明,与传统Elman神经网络和PSO-Elman神经网络相比,基于模拟退火粒子群算法训练的神经网络具有更高的预测精度和良好的自适应性。