合作式粒子群优化算法

针对粒子群优化(PSO)算法随着维数增加而导致的收敛速度慢,容易陷入局部最优的问题,提出了一种合作式粒子群(CPSO)算法。通过多粒子群不同的组态向量合作,显著改善了标准算法的早熟问题。利用标准测试函数对CPSO算法、协同进化遗传算法(CCGA)、遗传算法(GA)、PSO算法进行比较测试,结果表明,CPSO算法在多个基准优化问题方面显示了较佳性能。     

一种新型多步式位置可选择更新粒子群优化算法

 粒子群优化(PSO)算法是一种新兴的群体智能优化技术,其由于具有原理简单、参数少、效果好等优点已获得广泛研究和应用.粒子个体极值更新速率低是影响该算法收敛速度和精度的主要因素之一.本文提出一种新型多步式位置可选择更新的粒子群算法,把标准粒子群中速度的单步更新公式分解成三步更新,取所生成的3个位置中的最好位置作为最终结果,细化了粒子的搜索轨迹、在不增加算法复杂度条件下提高了个体极值以及全局极值的更新速率,因而改善了算法的收敛速度和精度.采用Sphere、Rosenbrock等6个经典测试函数,并按照固定迭代次数运行和固定时间长度运行两种方法进行测试.测试结果表明该算法简单、稳健、高效,而且明显优于现有的4种经典粒子群算法.     

基于DE和NSGA-Ⅱ的集装箱多式联运的路径优化算法

考虑集装箱多式联运过程中时间参数的不确定性,引入三角模糊数用于表示在途时间和中转时间,同时考虑班期产生的等待时间,将碳排放纳入考量范畴,建立基于时间、成本和碳排放量的多目标模型。提出基于DE和NSGA-Ⅱ的DE-NSGAⅡ多目标优化算法,该算法通过差分方法模拟NSGA-Ⅱ的交叉和变异算子及自适应控制策略调整交叉因子和缩放因子来提高算法搜索能力。实例表明,在求解组合优化问题时,DE-NSGAⅡ算法的Pareto最优解集分布更均匀,收敛速度更快,证明了DE-NSGAⅡ算法的可行性和优越性。     

WSNs布局的粒子进化的多粒子群优化策略

在粒子进化的多粒子群算法基础上,提出了一种无线传感网络节点布局的优化策略.该策略通过多个粒子群彼此独立地搜索解空间,提高了算法的寻优能力,有效地避免了"早熟"问题,提高了算法的稳定性.仿真实验表明,与传统的粒子群算法相比,该算法有效覆盖率由75.36%提高到80.96%,收敛速度提高了19.4%.因此粒子进化的多粒子群优化策略具有比传统的粒子群算法更好的优化效果.     

自适应分解式多目标粒子群优化算法

为了提高多目标粒子群优化算法解的分布性,文中提出了一种自适应分解式多目标粒子群优化算法(Adaptive Multiobjective Particle Swarm Optimization based on Decomposed Archive,AMOPSO-DA).首先,设计了一种基于优化解空间分布信息的外部档案更新策略,有效提升了AMOPSO-DA的空间搜索能力;其次,提出了一种基于粒子进化方向信息的飞行参数调整方法,有效平衡了AMOPSO-DA的探索和开发能力.最后,将提出的AMOPSO-DA应用于多目标优化问题,实验结果表明,文中提出的AMOPSO-DA能够获得分布性较好的优化解.     

基于多目标粒子群优化的DCT域数字水印算法

根据对粒子个体的非支配排序和计算拥挤距离,提出一种改进的多目标粒子群优化(IMOPSO)算法。将IMOPSO应用于DCT域数字水印系统设计,提出基于多目标粒子群优化的数字水印算法。该算法以水印嵌入位置作为粒子的解,以不可见性(PSNR)和鲁棒性(NC)作为两个优化目标,得到数字水印系统的最优解集。实验结果表明,提出的算法得到多种满足PSNR值和NC值平衡的水印嵌入方案。与其他相关算法在同等条件下相比较,算法满足水印不可见性的同时,在噪声、压缩、裁剪等攻击下具有较好的鲁棒性。     

考虑碳排放约束的多式联运路径优化

探讨考虑碳排放约束的多式联运路径优化问题。全球对环境问题的关注和低碳运输的推广使得多式联运备受关注。本研究设计了基于遗传算法的路径优化模型,综合考虑碳排放、运输成本和客户需求等多个目标,解决运输路径选择的挑战。通过实验验证,遗传算法在碳排放约束的多式联运路径优化中表现出有效性和优越性。研究结果显示,优化路径显著降低碳排放量,同时满足运输成本和客户需求。本研究对推动多式联运的可持续发展具有重要意义,能够为物流企业提供路径决策和资源利用的参考和指导,实现高效低碳运输。未来研究可进一步探索其他优化算法和模型,提升多式联运路径的效率和可持续性。     

一种多策略融合的多目标粒子群优化算法

为提高多目标粒子群算法在解决复杂多目标优化问题中的整体性能,提出一种多策略融合的多目标粒子群算法.该算法采用均匀化与随机化相结合的方式初始化种群,在粒子速度更新中新增一扰动项,运用简化的k-最近邻方法维持档案以及对档案个体赋予生存期属性并动态调整生存期值.实验结果表明,在GD和SP性能指标上,本文算法与另外5种对等算法在ZDT和DTLZ系列测试问题上进行对比,其表现出了总体显著性的性能优势.     

基于混沌粒子群算法的多目标二维切割问题

多维切割问题是木材加工、机加工和造纸等行业在生产中经常遇见的实际问题。排样切割完成后,往往都会有一些大小不等、数量不同的剩余材料。本文优化利用这些材料,进一步减少浪费。通过和贪心启发式算法的比较,证明该混合算法对解决多目标二维切割问题是行之有效的。     

基于改进粒子群算法的压缩感知

在稀疏信号处理中,压缩感知能够用较低的采样频率对稀疏信号进行压缩采样,而信号重建的问题则可归结为一个最优化问题,并可采用粒子群算法进行求解。针对压缩感知问题,本文对传统的粒子群算法进行了深入的分析和改进,得到了粒子数目的下界,并提出了三维环形邻域结构和多群协作机制,依此建立了有效的感知压缩重建方法,且将其应用于二维稀疏信号的重建。最后,本文通过在模拟和真实数据上实验结果验证了这种新型感知压缩方法的有效性和优越性。      

基于情境感知的饮食推荐方法研究

基于情境感知的方法是实现饮食推荐的有效途径。以老人饮食推荐服务为应用背景,利用协同过滤的思想,对传统的协同过滤算法进行了改进,在其中引入了情境相似度和用户偏好度,结合基于SWRL规则推理的方法实现推荐。当两种推荐生成的结果集有冲突时,利用基于情境的推理优化方法来过滤推荐结果集,进而完成混合推荐。实验结果表明,该方法相比传统的基于用户的协同过滤推荐和基于规则推理的推荐能够向用户提供较高质量的饮食推荐服务。     

基于粒子群优化的数字波束形成算法

波束形成的加权系数求解是一个优化过程,现有算法大多经过多次迭代,计算量大,实现复杂。为降低波束形成算法复杂度,将粒子群优化原理应用于数字波束形成中,提出了基于粒子群优化的自适应数字波束形成算法。该算法将每一组权值作为一个粒子,将阵列加权和的输出信号与干扰噪声比(SINR)作为适应度函数,通过比较各个粒子的适应度值,进行迭代搜索得到最优解。该算法可使天线阵在主波束对准有用信号,同时能有效抑制两个以上的干扰,且对阵列通道误差有较好的稳健性。计算机仿真验证了算法的有效性。     

一种基于粒子群优化的自适应均衡算法

提出了一种自适应信道均衡的方法,它利用粒子群优化算法对均衡器系数进行自适应调整.由于粒子群优化算法具有实现简单、性能函数的单调性强、搜寻全局最优解的能力强等优点,将其用于自适应信道均衡将会改善传统均衡器均衡效果不理想的问题.仿真结果表明,该方法实用有效,在信道失真较大和最优解搜索精度方面表现出了优越性.     

基于粒子群优化的虚拟网络映射算法

本文以提高底层网络资源利用效率为目标,在底层网络不需要支持路径分裂的情况下,建立了虚拟网络映射问题的整数线性规划模型,并提出了一种新的基于粒子群优化的虚拟网络映射算法.该算法以映射开销作为适应度函数,重新对粒子的参数和相关操作进行了定义.模拟实验结果表明,与已有研究成果相比,该算法显著地提高了底层网络长期平均运营收益与...     

基于微粒群的颜色量化算法

将微粒群算法应用于彩色图像的颜色量化.根据种群的进化原理,在RGB彩色空间中对图像像素的颜色值进行聚类,通过迭代寻优确定最优调色板,然后进行像素的颜色映射,从而完成量化工作.仿真实验表明,该算法具有颜色失真小,收敛性好,鲁棒性强和受初始条件影响小等特点,是一种有效的颜色量化算法.     

基于粒子群算法的PID控制器参数优化

粒子群算法是一种智能算法,在PID控制器参数整定的应用中可取得更优的效果。为解决传统的粒子群算法早熟收敛和收敛速度慢的缺点,文中采用了一种基于相似度动态调整惯性权重的方法,即越靠近目前最优粒子的个体被赋予越小的惯性权重值。最后用MATLAB对等温连续搅拌釜反应器仿真。与标准的PSO算法整定方法相比,改进的粒子群算法稳定时间为230.1 s,比传统粒子群算法524.7 s的稳定时间缩小了一半,表明改进的算法对PID控制器的参数优化有着较优的收敛效果。     

基于粒子群优化的极化SAR定标算法

极化合成孔径雷达(SAR)的精确定标对于极化数据的终端应用至关重要。提出了一种基于粒子群优化的极化SAR定标算法,由于在估计误差参数过程中没有作任何的近似,相比于经典的极化定标算法,该方法即使在串扰参数较高时仍能保持很高的精确度。为了验证算法的有效性,分别使用仿真数据和真实的机载极化SAR数据来模拟极化失真数据,并采用多种极化定标方法对失真数据进行校准,校准结果证明了所提方法对极化误差参数有着更加稳定精确的估计。     

基于多特征提取和粒子群算法的图像分类

现有图像分类大都采用单一特征,不能利用多个特征之间性能互补优势,且将特征选择与分类器构造分割开来,影响图像分类的精度和分类器的泛化能力。针对以上问题提出一种基于混沌二进制粒子群算法(CBPSO)的特征选择和SVM参数同步优化方法,利用图像的综合特征,将特征选择和SVM分类器构造结合同步优化,仿真实验结果表明,该算法能同步找出最优的特征子集和合适的SVM参数,提高了图像分类精度和分类器泛化能力。     

基于粒子群优化的对抗样本生成算法

随着机器学习被广泛的应用,其安全脆弱性问题也突显出来。该文提出一种基于粒子群优化(PSO)的对抗样本生成算法,揭示支持向量机(SVM)可能存在的安全隐患。主要采用的攻击策略是篡改测试样本,生成对抗样本,达到欺骗SVM分类器,使其性能失效的目的。为此,结合SVM在高维特征空间的线性可分的特点,采用PSO方法寻找攻击显著性特征,再利用均分方法逆映射回原始输入空间,构建对抗样本。该方法充分利用了特征空间上线性模型上易寻优的特点,同时又利用了原始输入空间篡改数据的可解释性优点,使原本难解的优化问题得到实现。该文对2个公开数据集进行实验,实验结果表明,该方法通过不超过7%的小扰动量生成的对抗样本均能使SVM分类器失效,由此证明了SVM存在明显的安全脆弱性。     

基于粒子群算法的预编码设计

针对多用户多输入多输出系统的下行链路传输,提出了一种基于粒子群算法的预编码设计方案。该方案首先通过理论分析,推导出错误符号概率的函数,该函数是将平均符号错误概率构造为预编码矩阵和各用户信道信息的函数,并以最小符号错误概率为判断准则。然后利用模拟鸟群觅食的粒子群方法对其进行优化搜索,得到最佳效果。理论分析与仿真结果表明,该方案性能比传统的预编码性能更优。