新的混沌粒子群优化算法

针对传统粒子群算法初期收敛较快,而在后期容易陷入早熟、局部最优的特点,提出了一种新的混沌粒子群优化算法,不同于己有的混沌粒子群算法的简单粒子序列替换,该算法将混沌融入到粒子运动过程中,使粒子群在混沌与稳定之间交替运动,逐步向最优点靠近。并提出了一种新的混沌粒子群数学模型,进行了非线性动力学分析。数值测试结果表明该方法能跳出局部最优,极大提高了计算精度,进一步提高了全局寻优能力。     

基于模拟退火粒子群优化的粒子滤波算法

本文提出一种基于模拟退火粒子群优化的粒子滤波新算法,该算法基于一个高斯分布来不断更新粒子,采用随机概率扰动的方式作为粒子群算法的全局极值更新条件,增加了全局最优区域的搜索能力,避免了粒子过早的"趋同性",仿真实验结果表明,算法克服了粒子退化问题,提高了预估精度,预估性能优于传统的粒子滤波方法。     

一种改进的混沌粒子群优化算法

粒子群优化算法（PSO）自提出以来,已经被广泛地应用于求解各类复杂的优化问题,过去对粒子群算法的研究主要集中在融入新的优化方法或对其相关参数进行调整,但这样只会使得PSO更加复杂.针对这一问题,文中提出一种改进的混沌粒子群优化算法（ICPSO）,ICPSO从粒子群优化算法的时间与寻优实时角度出发（即在较短的时间内获得较好的解）,对粒子速度更新算子进行了简化,每隔一定代数后,在最优解邻近区域引入混沌扰动以避免种群陷入局部最优解.数值实验结果表明：提出的算法相对于文献给出的PSO改进算法,不仅能够获得较好的最优解,而且还具有较快的收敛速度和较好的稳定性.     

基于量子混沌粒子群优化算法的分数阶超混沌系统参数估计

为了对分数阶超混沌系统中的未知参数进行准确估计,提出一种量子混沌粒子群优化算法（Quantum chaos particle swarm optimization,QCPSO）.该算法通过对量子粒子群优化算法（Quantum behaved particle swarm optimization,QPSO）的实现机理进行分析,并结合量子纠缠与混沌系统之间的相关性而实现.首先,将量子势阱中心视为混沌吸引子围绕的不动点,处于吸引子外部的粒子会逐渐聚集于吸引子之内,而处于吸引子内部的粒子会出现快速分离扩散的现象;然后,采用基于随机映射的粒子更新机制,充分保证混沌粒子的初值多样性;最后,提出了基于不动点中心的尺度自适应策略,解决了算法后期的搜索停滞问题.运用QCPSO算法对典型分数阶超混沌系统参数进行估计,结果表明,该算法在收敛速度与精度上优于改进的差分进化算法、自适应人工蜂群算法以及改进的量子粒子群优化算法.     

基于混沌优化的双种群量子粒子群算法

提出了一种基于混沌优化的双种群量子粒子群算法(BCQPSO)。算法利用混沌序列随机生成两个种群,在子种群中惯性权重分别采用不同的更新策略,并通过种群间的融合和变异进行信息交互,提高了算法的收敛速度和解空间的遍历范围。仿真实验结果表明,所提算法具有很好的搜索能力和优化效率。     

混沌差分进化粒子群协同优化算法

为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.     

一种基于粒子群优化算法的混沌控制方法

提出了一种基于粒子群优化算法的神经网络控制混沌的方法。用粒子群优化算法来训练神经网络,利用训练好的神经网络作为混沌控制器,使混沌系统产生预期的运动。该方法无需了解被控系统的确切的动力学机制,实现方法简单。并对Logistic和Hénon映射进行了仿真,结果表明该方法能将系统控制到预定的轨道。因此,该方法能对混沌系统实施有效的控制,且能够应用于动力学模型未知而仅获得实验数据的情况。     

基于自适应粒子群优化的粒子滤波跟踪算法

传统粒子滤波算法中在重要性采样部分存在采样粒子位置不精确的问题,可用粒子群优化算法优化,但目前的标准粒子群优化粒子滤波算法会出现粒子局部寻优的情况。对此对算法中的惯性权重和学习因子同时采取自适应调整的方法,平衡粒子的搜索能力以减少这种情况的出现,并且为了解决算法优化后因粒子聚集而造成的多样性缺失问题,对粒子进行随机变异以提高粒子多样性。仿真结果表明,经过改进后的优化算法可有效提高粒子滤波算法的准确性,使跟踪误差减小。     

采用粒子群优化粒子滤波的红外目标提取算法

提出了一种新的基于粒子群优化粒子滤波(PSOPF)的红外目标提取算法,将红外目标提取阈值的计算问题看作系统状态估计问题.在粒子滤波的框架下,建立了关于灰度—方差加权信息熵和像素点灰度值的阈值状态空间,建立了基于粒子群优化算法思想的系统状态转移模型,建立了基于红外目标提取效果评价函数的系统观测模型,它有效综合了红外图像中灰度、信息熵、梯度、像素点的空间位置等信息.最后,以粒子的加权平均估计目标提取的阈值.实验结果表明,该方法是有效且稳健的.     

基于混沌粒子群优化的图像相关匹配算法研究

该文将混沌优化搜索技术应用于粒子群优化算法（PSO）,提出了一种基于混沌搜索的粒子群优化算法（CPSO）,该算法利用了PSO算法的收敛快速性和混沌运动的遍历性、随机性等特点,采用混沌初始化粒子初始位置,在运行过程中根据粒子群适应度的方差来自适应混沌更新粒子位置。几种典型函数的测试结果表明：CPSO提高了对多维空间的全局搜索能力,并可以有效避免早熟现象。将该方法用于图像相关匹配算法,提出了一种新的基于CPSO的图像相关匹配算法。实验结果证明该方法对解决噪声情况下的图像匹配问题十分有效。     

基于自适应变异粒子群优化算法的自适应滤波器设计

本文提出了设计一种基于自适应变异粒子群优化算法的振动信号的自适应滤波模型，然后重点研究了自适应数字滤波器设计的粒子群优化算法及其实现步骤。该滤波模型在计算机仿真测试中，获得了很高的效率和良好的结果。     

A New Class of Hybrid Particle Swarm Optimization Algorithm

A new class of hybrid particle swarm optimization （PSO） algorithm is developed for solving the premature convergence caused by some particles in standard PSO fall into stagnation. In this algorithm, the linearly decreasing inertia weight technique （LDIW） and the mutative scale chaos optimization algorithm （MSCOA） are combined with standard PSO, which are used to balance the global and local exploration abilities and enhance the local searching abilities, respectively. In order to evaluate the performance of the new method, three benchmark functions are used. The simulation results confirm the proposed algorithm can greatly enhance the searching ability and effectively improve the premature convergence.     

基于PHD的粒子滤波检测前跟踪改进算法

针对在低信噪比目标检测问题中,基于PHD的粒子滤波检测前跟踪算法（PHD-TBD）存在目标位置估计误差较大的缺陷,提出一种结合粒子群优化算法的基于PHD的粒子滤波检测前跟踪方法(PSO-PHD-TBD)。该算法在滤波预测和更新步骤之间加入基于NSGA-Ⅱ的多目标粒子群优化算法,结合量测信息将预测完成的粒子集的分布进行优化,将所有粒子转移到后验概率密度较大的区域,进而改善了多目标位置估计的性能;然后使用基于密度聚类的DBSCAN算法对粒子聚类,提取目标状态。仿真实验表明,在不同信噪比条件下,PSO-PHD-TBD在多目标数目估计情况与PHD-TBD算法一致,而位置估计精度明显优于PHD-TBD算法。     

一种改进粒子群优化算法

作为群集智能的代表性方法之一，粒子群优化(PSO)算法通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。提出了一种改进粒子群优化(MPSO)算法。MPSO同时采用局部模式压缩因子方法和全局模式惯性权重方法以获得相对较高的性能。针对PSO算法可能出现的停滞现象，MPSO引入了基于全局信息反馈的重新初始化机制。数值仿真结果显示了该算法的有效性。     

求解聚类问题的混合PSO算法设计

提出了一种基于混沌理论的求解聚类问题的混合PSO算法,该算法结合相关算法的优势采用混沌扰动生成初始化聚类种子,以保证解的分布性能;采用PSO算法进行初步聚类,以改善算法的全局搜索性能;然后采用K-均值算法进行局部精练,以加快算法的收敛速度。将粒子分为静态和动态两种,精心设计了动态粒子的属性,用碟型数据和IRIS数据仿真实验表明,该算法是有效的,能很好地解决聚类问题。     

一种基于Kalman滤波和粒子群优化的测试数据生成方法

为减少进化代数,提高路径覆盖成功率,提出了多邻域Kalman滤波PSO测试数据生成方法.在该方法中将粒子固定划分到不同邻域中,各邻域内指定一个粒子向全局最优粒子学习,其余各粒子向所在邻域中最优粒子学习,而全局最优粒子利用无速度项的简化PSO进化.在此过程中,除全局最优粒子外的各粒子利用Kalman滤波方程更新粒子的位置.实验表明,相较于基本PSO和其他PSO方法,即使是覆盖困难的路径,本文方法也具有进化代数少、路径覆盖成功率高及性能稳定的特点.     

均匀搜索粒子群算法

针对基本粒子群优化算法容易陷入局部最优解的问题,本文定义了PSO粒子搜索中心的概念,并对其随机状态下粒子搜索中心在全局最优解与局部最优解之间的概率密度进行了计算,在此基础上提出了粒子搜索中心在两个最优解之间均匀分布的均匀搜索粒子群算法,并通过7个Benchmark函数与基本PSO算法进行了对比实验及算法分析,实验分析结...     

基于粒子滤波和滑动平均扩展Kalman滤波的多径估计算法

多径干扰是高精度定位的主要误差源,估计多径参数对消除多径误差,提高导航系统定位精度具有重要意义。针对扩展Kalman滤波(EKF)在进行多径参数估计时,存在对初值敏感,估计结果在真值附近具有较大波动的缺点,该文提出一种基于粒子滤波(PF)和滑动平均EKF的多径估计算法。该算法首先利用PF得到多径参数的粗略估计值,并将该值作为EKF的初始估计值,以克服EKF对初值敏感的问题。接着对EKF的估计结果进行滑动平均,并将平均后的滤波结果作为多径参数的估计结果。仿真结果表明,改进后的多径估计算法可有效降低估计结果的波动幅度,同时解决了EKF对初值敏感的问题。     

基于粒子群的图像检索相关反馈算法

 将粒子群优化算法的进化搜索过程与用户的反馈过程有效结合,提出了一种基于粒子群的图像检索相关反馈算法,避免了初始检索对用户认知的影响以及对反馈效果造成的局限性,并使得用户对检索目标的理解逐渐清晰,能够有效全面的搜索图片库,同时避免多次反馈造成的算法效率和检索效果之间的矛盾.通过实验验证了算法的有效性.     

应用粒子群优化算法设计级联MZI型光滤波器

提出了一种应用粒子群优化算法（PSO）设计极联马赫一曾德尔干涉仪（MZI）型滤波器的新方案。方案巧妙地结合离散型和连续型PSO,利用连续PSO优化耦合角组合、离散PSO优化相移因子组合,由此得到耦合角和相移因子的优化组合,实现光滤波器的优化设计。给出了PSO方案的设计流程及具体步骤,并设计了级联数为3、阶数为5和信道间隔为0．8nm的梳状滤波器,其输出响应与理论滤波器一致。新方案逼近精度高,同时耦合角限制在（0,π／2）内优化配置。