基于自适应混沌粒子群的聚类算法

针对模糊c均值聚类算法自适应性不强、易陷入局部极小值及聚类效果不理想等问题,提出一种基于自适应混沌粒子群的聚类算法。对粒子群的加速因子进行动态设置,使粒子搜索机制具有自适应调节的功能;利用混沌扰动优化,使种群的多样性和全局搜索能力得到提高,利用边界缓冲墙对越界粒子进行处理,避免正负粒子飞越边界的干扰。选取 UCI机器学习库中的4种数据样本集进行测试,测试结果表明,该算法具有良好的性能。     

自适应变异粒子群算法

为了解决粒子群种群多样性低、容易陷入局部最优的缺点,结合最优粒子和其他粒子在种群中的不同作用,给出了一种自适应变异粒子群算法。算法中最优粒子根据种群进化程度,自适应调整自身搜索邻域大小,增强种群的局部搜索能力;对非最优粒子的位置进行小概率的随机初始化,当其速度为零时,速度自适应变化,以便增强种群多样性和全局搜索能力。仿真实验中,将算法应用于6个典型复杂函数优化问题,并与其他变异粒子群算法比较,结果表明,增强种群多样性的同时提高了局部搜索能力。     

自适应约束优化混合粒子群算法

提出一种混合粒子群优化算法用于求解约束优化问题。新算法的主要特点是：在搜索机制方面,利用混沌初始化种群以提高初始群体的质量。为了扩大粒子的搜索范围,引入柯西变异算子。利用单形交叉算子对种群进行局部搜索。在约束处理技术方面,根据当前种群中可行解比例自适应地选择不同的个体比较准则。数值实验结果表明了该算法的有效性。     

自适应混合粒子群优化算法求解大规模旅行商问题

基于随机搜索策略的改进增强型自探索粒子群优化算法难于获得大规模旅行商问题的高质量近似解。为此,引入变异和利用进化过程信息缩减问题规模等机制,提出自适应混合粒子群优化算法。进化搜索分多批次自适应进行,每个批次包括两个阶段。第一阶段,多次搜索获得多个不同的局部最优解,并记录于周游边结构中。第二阶段,学习记录的信息,获得多个关键边序列段,每个段归约为一个整体,以此重新初始化种群,并在其基础上进行下个批次的进化搜索。上述过程反复进行,直到在某第一阶段多次进化中都收敛于同一解为止。实验结果对比分析表明该算法能够获得比同类算法更高质量的近似解。     

独立自适应调整参数的粒子群优化算法

针对传统粒子群优化算法在求解复杂优化问题时易陷入局部最优和依赖参数的取值等问题,提出了一种独立自适应参数调整的粒子群优化算法。算法重新定义了粒子进化能力、种群进化能力以及进化率,在此基础上给出了粒子群惯性权重及学习因子的独立调整策略,更好地平衡了算法局部搜索与全局搜索的能力。为保持种群多样性,提高粒子向全局最优位置的收敛速度,在算法迭代过程中,采用粒子重构策略使种群中进化能力较弱的粒子向进化能力较强的粒子进行学习,重新构造生成新粒子。最后通过CEC2013中的10个基准测试函数与4种改进粒子群算法在不同维度下进行测试对比,实验结果验证了该算法在求解复杂函数时具有高效性,通过收敛性分析说明了算法的有效性。     

基于GA优化QPSO算法的文本聚类

针对量子行为粒子群优化算法中粒子搜索的盲目性以及初始聚类中心的选取对聚类结果的影响问题,提出了一种基于GA优化的QPSO聚类算法.该算法首先利用GA稳健的全局优化性能进行快速的粗略聚类,然后用GA的聚类结果初始化QPSO算法,以降低粒子群搜索的盲目性,从而提高QPSO算法的搜索效率.通过在Reuter-21578真实的文本数据集上实验,该算法在Fmeasure评价标准上获得了较高的查准率和查全率,从而验证了该聚类算法的有效性和可行性,可以在文本聚类领域推广应用.     

改进粒子群算法应用于Android恶意应用检测

为进行Android恶意应用检测,提取了Android应用程序的API调用信息、申请权限信息、Source-Sink信息为特征,这些信息数量庞大,特征维数高达三四万维。为消除冗余特征和减少分类器构建时间,提出了使用[L1]与离散二进制粒子群算法（BPSO）进行混合式特征选择;同时针对BPSO易早熟收敛的缺点,提出了一种改进的二进制粒子群算法SVBPSO。通过研究不同映射函数对二进制粒子群算法的影响发现,使用S型映射函数的BPSO全局搜索能力强,使用V型映射函数的BPSO局部搜索能力强,故该算法使用S型映射函数进行全局搜索,每隔一定迭代次数使用V型映射函数进行局部探索。实验结果证明,SVBPSO具有良好的收敛效果,使用SVBPSO进行特征选择后能提高Android恶意应用检测正确率。     

采用异构搜索的多子群协同进化粒子群算法

针对传统的单种群粒子群优化算法易陷入局部最优、搜索精度低的问题,提出一种异构多子群粒子群算法。算法由自适应子群、精英子群和若干普通子群构成,精英子群由普通子群和自适应子群中的优秀个体组成,每个子种群采用不同策略进行进化,根据种群的早熟收敛程度和粒子的适应度值自适应地调整惯性权重,自适应子群根据普通子群的适应度值和速度自适应调整飞行方向,采用免疫克隆选择算子对精英子群进行精细搜索,普通子群、自适应子群与精英子群之间通过迁移操作实现信息的充分交流。针对典型的Benchmark 函数优化问题测试,仿真结果表明所提算法能较好地保持粒子多样性,收敛精度高且全局搜索能力强,具有良好优化性能。     

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。     

基于相似历史信息迁移学习的进化优化框架

现有进化算法大都从问题的零初始信息开始搜索最优解, 没有利用先前解决相似问题时获得的历史信息, 在一定程度上浪费了计算资源.将迁移学习的思想扩展到进化优化领域, 本文研究一种基于相似历史信息迁移学习的进化优化框架.从已解决问题的模型库中找到与新问题匹配的历史问题, 将历史问题对应的知识迁移到新问题的求解过程中, 以提高种群的搜索效率.首先, 定义一种基于多分布估计的最大均值差异指标, 用来评价新问题与历史模型之间的匹配程度; 接着, 将相匹配的历史问题的知识迁移到新问题中, 给出一种基于模型匹配程度的进化种群初始化策略, 以加快算法的搜索速度; 然后, 给出一种基于迭代聚类的代表个体保存策略, 保留求解过程中产生的优势信息, 用于更新历史模型库; 最后, 将自适应骨干粒子群优化算法嵌入到所提框架, 给出一种基于相似历史信息迁移学习的骨干粒子群优化算法.针对多个改进的典型测试函数, 实验结果表明, 所提迁移策略可以加速粒子群的搜索过程, 显著提高算法的收敛速度和搜索效率.