基于PSO的K-means聚类优化

针对机器学习中聚类算法参数多样调参复杂的问题,分析了基于PSO算法在机器学习参数组合寻优方面的可行性,设计了一种基于PSO算法的K-means机器学习聚类算法的参数寻优策略。通过PSO算法找到模型最佳的参数组合,提高K-means机器学习模型的性能。通过对算法调优策略进行测试结果表明,使用PSO算法对K-means机器学习聚类算法进行参数调优,不仅能够找到适于该数据的最佳参数组合提高聚类算法的性能,也可以减少经验调参所带来的误差和成本。     

基于PSO算法的FPRM电路延时和面积优化

RM(Reed-Muller)电路的极性决定其延时和面积,通过对粒子群优化(Particle Swarm Optimization,PSO)算法和FPRM表达式的研究,提出较大规模FPRM电路延时和面积优化算法.首先根据FPRM表达式特点,建立延时和面积估计模型;然后结合PSO算法和极性转换算法,对FPRM电路进行最佳延时和面积极性搜索;最后对PLA格式MCNC Benchmark电路进行测试,结果表明:与穷尽算法相比,PSO算法效率更高;与基于遗传算法的FPRM电路优化结果相比,延时平均节省6.6%,面积平均减少11.1%.     

PSO算法在天线宽带匹配中的应用

将粒子群优化算法（Particle Swarm Optimization,PSO）用于天线宽带匹配网络的优化设计,通过选用合适的拓扑结构和目标函数,对网络中的各个参数进行优化,取得了满意的匹配效果。最后,通过两个实例验证了PSO算法设计的宽带匹配网络具有更优的匹配性能,说明该方法是一种设计宽带匹配网络的有效方法。     

基于改进PSO算法的模糊神经网络研究

现阶段,科学技术的研究与发展较为快速,模糊神经网络项目的研究价值逐渐被人们挖掘出来。从现阶段神经网络类型学科的拓展研究及发展状况来看,该领域研究成果的实践应用范围十分宽泛,而且,更需要要注重各项细节的处理与完善,以此来推进智能化核心技术的进步。文章就基于改进PSO算法的模糊神经网络的相关内容进行研究,以期能为进一步探索该领域带来一丝启示,并将有益的研究内容充实到理论成果当中,为日后类似项目的研究提供素材。     

PSO算法优化BP神经网络的金融风险预警研究

金融危机是一个非线性的复杂过程,BP神经网络对非线性系统具有很强的模拟能力。针对BP神经网络有收敛速度慢、易陷入局部极小值和振荡等缺点,利用改进的PSO算法优化BP神经网络的权值和阈值,能有效地改善BP神经网络的缺点。对金融风险实例分析的结果表明,综合改进的BP算法相对于BP神经网络算法能明显加快网络的收敛时间,具有较快的收敛速度和较高的诊断准确度,用于金融风险预警是可行的,证实了该方法具有一定的实际应用价值。     

PSO及其优化算法在PID控制领域的应用研究

本文介绍了基本粒子群算法在PID控制领域的应用和实现方法,归纳了粒子群算法和遗传算法的结合在自动控制领域的研究现状和改进。最后介绍了PSO法在模糊PID控制器中的应用前景。     

基于PSO的Kriging相关模型参数优化

Kriging插值计算过程中的相关模型参数确定是构造回归模型的关键,常用的模式搜索方法求解相关模型参数时存在计算精度依赖搜索起始点的缺点,从而导致最优解的不稳定.利用一种改进的二进制编码微粒群算法(Genetic Particle Swarm Optimization,GPSO)来求解相关函数的参数,该方法采用动态选择和调整变异算子概率的策略,克服了参数优化过程中对初始点设置的依赖问题,函数测试的性能比较表明该方法具有良好的收敛速度和稳定性.     

一种基于PSO的改进型多智能体遗传算法

通过将多智能体系统加入基本的粒子群算法（PSO）,提出了一种新的函数优化方法——多智能体遗传PSO算法（MAGPA）。该方法将智能体固定在网格上,而每个智能体通过邻域的竞争和合作,随机交叉操作,变异操作,再联合PSO的进化机制,不断地感受局部环境,逐步影响整个智能体网格,以增强对环境的适应度。该算法可以有效地保持智能体的多样性,提高优化的准确性。     

基于PSO的逆变器接口电源输出控制器的优化方法

随着我国电力需求的持续增加,微电网不断地接入电力系统。微电网将分布式电源、负荷、储能装置、能量变换设施和控制装置集成一个整体进行综合控制。由于其规模的不断扩大,其运行难度也在不断增加,难以满足用户越来越高的安全性和可靠性要求。提出了一种基于PSO算法的逆变器接口分布式电源控制方法,通过优化逆变器输出控制器参数,能够有效抑制存在于微电网中的电压、频率、操作模式转换等干扰。仿真实验验证了该智能控制方法的正确性与有效性。     

基于粒子群算法的软件可靠性分配问题研究

针对软件可靠性分配中不易求解全局最优解这一问题,将可靠性指标分配到每个模块中,并利用改进的粒子群优化算法来搜索模型的最优解.实验结果表明,改进的粒子群优化算法在求解软件可靠性分配问题时的效果优于遗传算法等其他智能优化算法.     

基于遗传 PSO 的无线传感网络覆盖优化算法研究

针对基于标准粒子群算法的网络覆盖存在收敛速度慢、易早熟等问题,提出一种基于遗传 PSO 的无线传感网络覆盖优化算法.以无线传感器最大覆盖率为目标函数,通过运用加入自适应交叉变异因子的遗传算法搜索解空间,利用 PSO 粒子群强大的全局搜索能力加大搜索范围,使粒子覆盖更有效率,加强算法的寻优能力,提高节点的覆盖率,解决早熟问题.仿真实验表明,与传统遗传算法、新量子遗传算法相比,其覆盖率分别提高了2.28%和0.65%,收敛速度也有所提高,因此该方法能有效地实现无线传感网络覆盖优化.     

基于SOM和PSO的聚类组合算法

自组织映射（SOM）算法和粒子群优化（PSO）算法拥有概念简明、实现方便、收敛速度快、参数设置少,自组织自适应的特点。为了提高聚类效果,提出一种基于SOM和PSO的聚类组合算法SOM／PSO算法。先用SOM算法对UCI数据集中的数据进行聚类,然后以SOM的输出权值初始化PSO的粒子位置,再用PSO聚类算法进行聚类。实验结果表明所提出算法能够改进聚类性能,有很好的全局收敛性,不易陷入局部最优,也不会出现空簇现象。     

基于遗传算法的Kriging元模型及其在模拟集成电路优化设计中的应用

提出了建立电路Kriging元模型,并与遗传算法相结合确定电路参数,优化电路的方法.相对传统多项式回归模型,Kriging模型更适合电路仿真的实验类型;利用遗传算法,解决了基于Kriging元模型电路系统的全局优化问题.最后将该方法应用于带隙基准电路设计,取得令人满意的结果.     

基于遗传算法的Kriging元模型及其在模拟集成电路优化设计中的应用

提出了建立电路Kriging元模型,并与遗传算法相结合确定电路参数,优化电路的方法.相对传统多项式回归模型,Kriging模型更适合电路仿真的实验类型;利用遗传算法,解决了基于Kriging元模型电路系统的全局优化问题.最后将该方法应用于带隙基准电路设计,取得令人满意的结果.     

使用粒子群算法进行特征选择及对支持向量机参数的优化

特征选取和参数设置是提升支持向量机分类器的效果的两个主要手段.为了将两者结合起来,实现同步优化,以达到更好的分类效果,设计了一种基于粒子群算法的分类器优化算法.新算法对粒子采用2进制编码的,设计适合的目标函数,同步进行特征选择和支持向量机参数的优化.经过对比验证,新方法能够更加准确的得到待分类数据的特征子集跟支持向量机参数,最终得到更优的处理结果.     

基于集对分析联系数理论的系统可靠性分析

将可靠性分析中的“正常-故障”两状态假设拓展为“正常-不确知-故障”三状态,并以集对分析中间的“同、异、反”对应这3种状态。列出了基于集对联系数表达的单元可靠性表达式,统表述基于模糊,随机、中介理论的可靠性概念,并采用单元变、并运算,给出各种单元组合模式下的系统可靠性分析方法。算例表明,该分析方法信息量丰富,分析性能良好。     

基于改进粒子群算法的巡航高度优化

参考航迹确定后巡航导弹飞行高度对其撞地概率和突防概率存在一定影响,需要对巡航导弹的飞行高度进行优化。将模拟退火和分阶段搜索引入基本粒子群算法,并基于该改进算法对巡航导弹的飞行高度进行优化。仿真结果表明,给定参考航迹后对巡航高度进行优化,能够大幅提高巡航导弹的作战能力。     

基于联想神经网络算法的电力系统负荷预测

基于神经网络可以模仿人脑进行智能化信息处理,对大量非结构性、非确定性规律具有自适应功能,将人工神经网络的预测原理应用于电力系统负荷预测中。分析了负荷预测的基本概念,以及基于神经网络的预测原理中正向和逆向建模的基本结构,研究了联想神经网络优化算法。设计了电力系统负荷预测模型,并对系统进行仿真测试,试验结果表明,基于联想神经网络优化算法的电力系统负荷预测具有提高预测精度的效果。     

基于可靠性分析的PCB用微钻寿命优化浅析

浅析了运用可靠性分析对PCB用微钻寿命优化过程中的几个关键技术问题,以使PCB数控钻孔工序的成本最小化。在给出了微钻寿命优化框架的基础上,详细阐述了PCB钻孔不同质量控制参数对应的微钻可靠性分布规律和微钻寿命优化数学模型,指出了基于可靠性分析的PCB用微钻寿命优化的研发方向。