量子粒子群优化算法在训练支持向量机中的应用

训练支持向量机的本质问题就是求解二次规划问题，但对大规模的训练样本来说，求解二次规划问题困难很大。遗传算法和粒子群算法等智能搜索技术可以在较少的时间开销内给出问题的近似解。量子粒子群优化（QPSO）算法是在经典的微粒群算法的基础上所提出的一种有较高收敛性和稳定性的进化算法。将操作简单而收敛快速的QPSO算法运用于训练支持向量机，优化求解二次规划问题．为解决大规模的二次规划问题开辟了一条新的途径。     

基于QPSO算法训练SVM

针对群体智能和约束优化问题的特点,提出了将QPSO算法应用于求解约束优化问题,证明QPSO算法在SVM领域中具有很高的应用价值,并为解决大规模的QP问题开辟了一条新的途径.     

基于QPSO训练支持向量机的人脸识别

遗传算法和粒子群算法等智能搜索技术可在较少的时间开销内给出问题的近似解.量子粒子群优化(QPSO)算法是在经典的微粒群算法的基础上所提出的一种高效的收敛性,稳定性的进化算法.将操作简单而收敛快速的QPSO算法运用于训练支持向量机(SVM),结合KPCA特征提取方法,用于人脸图像的分类识别中,为人脸识别问题的研究开辟了新的途径.     

基于QPSO训练支持向量机的网络入侵检测

对于大规模入侵检测问题,分解算法是训练支持向量机的主要方法之一.在结构风险最小化的情况下,利用改进后的蚁群算法(QPSO)解决二次规划问题(QP),寻找最优解,并对 ArraySVM 算法进行了改进,同时对KDD入侵检测数据进行了检测.结果表明,算法精确度高于改进前的 ArraySVM 算法,并且减少了支持向量点数量.     

改进粒子群算法在支持向量机训练中的应用

训练支持向量机需要求解二次规划问题,LPSO算法对于求解含线性约束优化问题是一种直观、简单的方法。改进后的LPSO算法较好的解决了早熟收敛问题。对谷氨酸发酵过程建模的实验表明本文提出的方法训练精度高,泛化能力强。     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。     

支持向量机算法在多目标优化中的仿真应用

针对目前多目标输出SVM回归的算法使用多阈值,其预测效果不理想、运算量大问题,提出采用相同阈值的SVM多目标输出回归的算法,然后对交叉验证提出均匀化均方误差统计方法。首先采用粒子群算法对SVM模型作参数优化,然后用改进的序列极小化特征选择算法优化SVM特征。仿真结果说明粒子群算法对参数优化,均匀化均方误差作为评价准则,效果相对较好,在多目标优化问题中的应用研究具有广泛的应用前景。     

支持向量机在分类中的应用

通过引入结构风险最小化原则和最优分类面的概念,介绍了支持向量机及其用于非线性分类的基本原理和训练算法,并选用不同的核函数及参数对一组线性不可分的两类样本进行了划分识别,得到了较好的效果,并对结果进行了分析说明,展望了支持向量机的发展趋势。     

支持向量机和粒子群算法在结构优化中的应用研究*

针对实际复杂结构优化中计算量大的问题,提出将支持向量机代理模型和粒子群算法应用于工程优化设计。采用实验设计选取合适的样本,通过实验或数值仿真获得性能响应,利用支持向量机构建目标函数和约束的代理模型,重构原始的优化问题,采用粒子群优化算法对重构的优化模型进行寻优,从而得到最优解。以典型电子装备功分器的结构尺寸优化为例,采用拉丁方实验设计和高频电磁场仿真软件HFSS获取代理模型的训练样本,建立功分器模型的幅度比、相位差和驻波三个目标函数模型,并对该多目标优化问题进行寻优。结果表明该方法准确、高效,为结构优化设     

支持向量机的算法及应用

统计学习理论是由Vapnik建立的一种专门研究小样本情况下机器学习规律的理论,支持向量机（SVM）是在这一理论基础上发展而来的一种新的通用学习方法。目前SVM已成为国际上机器学习领域新的研究热点,本文是一篇综述,旨在介绍SVM的一般理论、算法及应用,以引起国内学者的进一步关注。     

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。     

一种求解多峰函数优化问题的量子行为粒子群算法

介绍了一种利用量子行为粒子群算法（QPSO）求解多峰函数优化问题的方法。为此,在QPSO中引进一种物种形成策略,该方法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索,从而保证每个峰值都有同等机会被找到,因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明,基于物种形成的QPSO算法可以尽可能多地找到峰值点,峰值收敛性能优于PSO。     

采用多样性选择的量子粒子群双向聚类算法

双向聚类已成为分析基因表达数据的一种重要工具,可以同时从基因和条件两个方向寻找具有相同表达波动的簇。但双向聚类是一种多目标优化的局部搜索算法,处理繁杂的基因数据时容易陷入局部最优。为提高算法的全局搜索能力,提出了一种多样性选择的量子粒子群双向聚类算法（Diversify-Optional QPSO,DOQPSO）。算法首先采用DOQPSO处理基因数据,然后用改进的FLOC算法进行贪心迭代寻找双向聚类,以求得更为理想的结果。算法通过实验仿真,并与FLOC算法和QPSO算法进行比较,结果证明DOQPSO双向聚类算法具有更好的全局寻优能力,且聚类效果更佳。     

用并行化的QPSO解决有约束的优化问题

采用粒子群系统的并行化的量子化模型提高全局搜寻能力,在解决约束问题时采用不固定的多阶段任务补偿函数以提高收敛性,并获得更准确的结果,提出了并行化的QPSO（PQPSO）算法。此算法在几个可信赖的基准函数中被测试,并且实验结果显示PQPSO的最优值和运行时间比QPSO和传统的PSO有很大的提高,而且运行所用的时间资源接近线性减少。     

基于量子粒子群求解混合整数非线性规划

在经典微粒群算法的基础上提出一种有较高收敛性能的智能算法：量子粒子群（QPSO）算法。并用于求解混合整数非线性规划问题。实验室证明QPSO算法收敛性能好、速度快,为求解混合整数非线性规划开辟了新途径。     

质心粒子群优化算法

为了加快粒子群算法收敛速度,提出了质心粒子群优化算法（CPSO）。算法通过计算种群所有个体最优记录所构成的一个群体的质心,对种群个体当前的最优记录和全局最优记录进行比较、替换或更新等操作,从而加快算法的收敛速度。仿真实验表明,在求解相同精度的情况下,质心粒子群优化算法的收敛速度优于线性递减惯性权重粒子群优化算法（LDWPSO）。     

量子行为粒子群算法在基因聚类中的应用

在PSO算法的基础上提出的基于量子行为的QPSO算法,并将其应用到基因表达数据集上。QPSO基因聚类算法是将N条基因根据使TWCV（Total Within-Cluster Variation）函数值达到最小分到由用户指定的K个聚类中。根据K-means算法的优点,利用K-means聚类的结果重新初始化粒子群,结合QPSO和PSO的聚类算法提出了KQPSO和KPSO算法。通过在4个实验数据集上利用K-means、PSO、QPSO、KPSO、KQPSO 5个聚类算法得出的结果比较显示QPSO算法在基因表达数据分析上具有良好的性能。     

基于量子粒子群算法的聚类分析方法

针对K-均值聚类方法受初始聚类中心影响,容易陷入局部最优解的问题,提出一种基于量子粒子群算法的聚类方法,该方法引入了动态调整量子门旋转角和量子变异操作,采用改进的变异算子,使粒子群体保持品种的多样性和优良性,避免陷入局部最优,同时结合粒子群优化算法,增加粒子群的全局搜索能力。仿真实验表明该方法在全局寻优能力和收敛效率上都有所提高。     

新型多群体协同进化粒子群优化算法

在基本的MCPSO算法中除了主群与从群的信息交流,从群之间没有信息交流。为了解决这一问题,提出了一种具有中心交流机制的改进MCPSO算法,该策略可以实现各个从群之间的信息交流,从而加快算法收敛。仿真实验结果表明改进后的算法具有较好的求解精度和较快的收敛速度。