基于并行计算模型的并行微粒群算法的性能分析

将微粒群算法与并行计算模型相结合,基于三种不同的并行计算模型(带中央控制器的并行计算模型、环形结构带缓存区的并行计算模型、BSP并行计算模型),设计出相应的并行微粒群算法,并对并行算法性能进行详细分析。大量实验表明:子种群之间的通讯周期是个重要的可变参数,当选取合适时,能提高解的质量以及算法的收敛性和最优性。     

基于微粒群和模拟退火的图像恢复研究

提出了一种基于微粒群和模拟退火的图像恢复算法.算法结合了微粒群优化快速的搜索能力和模拟退火算法良好的全局收敛性能的优点,能应用于不同类型退化图像的恢复.仿真结果表明,该算法可使图像恢复效果得到改进和提高,是一种有效的图像恢复方法.     

基于微粒群算法的聚类分析

文章将微粒群算法应用于数据挖掘的聚类分析。在对微粒群算法进行改进的基础上．提出了基于微粒群算法的聚类分析。理论分析和仿真结果表明该算法是有效的。     

改进的PSO算法在非线性模型参数辨识中的应用

参数辨识是过程建模的基础,对于参数辨识问题提出了许多不同的方法.针对传统模型参数辩识方法和遗传算法用于模型参数辨识时的缺点,提出一种基于微粒群优化(PSO)算法的模型参数辨识方法,利用PSO算法的强大优化能力,通过对算法的改进,将过程模型的每个参数作为微粒群体中的一个微粒,利用微粒群体在参数空间进行高效并行的搜索,以获得过程模型的最佳参数值,并将其用于对非线性系统模型的参数辨识,可有效提高参数辨识的精度和效率.该方法应用到实际例子中,获得了满意的辨识精度和效率,得到较为精确的过程模型,模型输出与实际输出基本一致,仿真结果令人满意.实例仿真结果表明,微粒群算法为非线性系统模型参数辨识提供了一种有效的途径.     

群智能理论及应用

作为一种新兴演化计算技术，群智能已成为新的研究热点，它与人工生命，特别是进化策略和遗传算法有着极为特殊的联系，已完成的理论和应用研究证明群智能方法是一种能够有效解决大多数全局优化问题的新方法．更为重要的是，群智能的潜在并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证．本文介绍了群智能理论的产生和发展过程，并着力阐述了两种典型算法；微粒群算法和蚁群算法的基本原理以及研究现状．     

基于微粒群算法的认知无线电频谱分配

提出了一种基于微粒群算法的认知无线电频谱分配算法,该算法能更好地实现网络总效益,从而提高用户的平均效益,并且使用一种新的目标函数评价算法的性能,通过仿真比较了本算法与颜色敏感图论着色频谱分配算法的性能。计算机仿真结果表明,提出的基于微粒群分配算法与颜色敏感图论着色分配算法相比,该算法能更好地满足网络需求。     

一种新形式的微粒群优化算法

提出了一种更为简化的微粒群算法.该算法用相位角的增量代替速度的增量,通过绘制相位角来确定微粒的位置.用这种新的微粒群算法对大学生综合素质测评体系的权重模型进行优化,经与标准微粒群算法进行比较,证明该算法更容易实现,并且具有更好的全局搜索能力.     

基于免疫机制的PSO算法中IIR数字滤波器设计

针对微粒群算法(PSO)在搜索过程中粒子的多样性差,易陷入局部最优且收敛速度慢等缺陷,将生物免疫系统中克隆选择机制和独特型免疫网络理论引入到微粒群优化算法中,提出了一种基于免疫机制的PSO优化算法(SOIM)并将其用于IIR数字滤波器的设计.该算法结合了微粒群算法的全局寻优能力和免疫多样性保持机制,改善了微粒群算法摆脱局部极值点的能力,提高了算法的收敛速度.仿真结果表明该算法在多模态搜索空间中具有更好的全局收敛性能和稳定性,是一种有效可行的IIR数字滤波器设计方法.     

改进型粒子群算法解决多维背包问题

微粒群优化算法(PSO)是一种基于种群的随机优化技术.将EDA算法与PSO算法结合起来,形成一种新的改进的算法(EPSO).算法将全局统计信息和全局最优解运用于解空间搜索,以期能更有效解决组合优化问题,最后将EPSO算法用于解决多维背包问题并进行了对比仿真实验.实验结果表明,在解决多维背包问题上,EPSO优于传统的PSO算法以及多种启发式智能算法,与此同时,EPSO算法使用更少的参数,因此更容易实现,运行更加稳定,效果更好.     

改进微粒群算法优化PID参数的研究

微粒群算法是一种新的随机优化算法,算法通过微粒间相互作用发现复杂搜索空间中的最优区域,该算法具有搜索速度快、寻优能力强、算法简单等特点,但也存在普遍的缺点。本文基于微粒群算法容易陷入局部极值和收敛速度慢的缺点,提出一种新的改进算法,介绍了将改进微粒群算法用于PID控制器参数优化的方法,算法实现流程,并结合Matlab强大Simulink系统仿真功能证明了改进算法的有效性,其性能优于经验公式和遗传算法。     

Enhancing Design of Visual-Servo Delayed System

A robust adaptive predictor is proposed to solve the time-varying and delay control problem of an overhead crane system with a stereo-vision servo. The predictor is based on the use of a recurrent neural network (RNN) with tapped delays, and is used to supply the real-time signal of the swing angle. There are two types of discrete-time controllers under investigation, i.e., the proportional-integral-derivative (PID) controller and the sliding controller. Firstly, a design principle of the neural predictor is developed to guarantee the convergence of its swing angle estimation. Then, an improved version of the particle swarm optimization algorithm, the parallel particle swarm optimization (PPSO) method is used to optimize the control parameters of these two types of controllers. Finally, a homemade overhead crane system equipped with the Kinect sensor for the visual servo is used to verify the proposed scheme. Experimental results demonstrate the effectiveness of the approach, which also show the parameter convergence in the predictor.     

基于包簇框架的云计算能耗优化算法

文中针对以虚拟机为中心的云计算分配模式中结构复杂、分配困难等问题,采用了一种基于包簇结构的分配框架。在此基础上提出了一个有效的能耗模型,并将二进制粒子群算法进行改进,通过调节自适应的权重,提高了包簇分配算法的速度和准确性。实验表明,改进的二进制粒子群算法在收敛速度和寻优能力方面更加优于传统的二进制粒子群算法。相较于以虚拟机为中心的分配算法,基于包簇框架下的改进二进制粒子群分配算法提升了CPU使用率,有效降低了能耗,更加绿色节能。     

基于PPSO-GRADS算法的盲信号分离

该文将联姻策略应用在粒子群算法中,提出一种并行分阶段的基于粒子群优化算法的盲信号分离方法(PPSO-GRADS)。该算法具有收敛速度快,分离精度高的特点。通过仿真证明该算法比未使用联姻策略的粒子群算法有更好的性能,在收敛速度和分离效果上比传统的梯度算法,遗传算法都有较明显的改善。     

基于粒子群算法改进的电力系统

本文针对传统粒子群算法自实际应用中出现速度缓慢及局部最优解等等问题,提出了一种改进粒子群算法,并且将其应用在电力系统中,希望能够解决电力系统所存在的例如无功优化等问题中.改进后的粒子群算法在实际应用中收敛速度更加合理,能够有效保证种群的多元性,有效解决传统粒子群所存在的局部最佳解问题.     

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。      

Distributed Energy Optimization for Target Tracking in Wireless Sensor Networks

Energy constraint is an important issue in wireless sensor networks. This paper proposes a distributed energy optimization method for target tracking applications. Sensor nodes are clustered by maximum entropy clustering. Then, the sensing field is divided for parallel sensor deployment optimization. For each cluster, the coverage and energy metrics are calculated by grid exclusion algorithm and Dijkstra's algorithm, respectively. Cluster heads perform parallel particle swarm optimization to maximize the coverage metric and minimize the energy metric. Particle filter is improved by combining the radial basis function network, which constructs the process model. Thus, the target position is predicted by the improved particle filter. Dynamic awakening and optimal sensing scheme are then discussed in dynamic energy management mechanism. A group of sensor nodes which are located in the vicinity of the target will be awakened up and have the opportunity to report their data. The selection of sensor node is optimized considering sensing accuracy and energy consumption. Experimental results verify that energy efficiency of wireless sensor network is enhanced by parallel particle swarm optimization, dynamic awakening approach, and sensor node selection.     

优化粒子群算法在组合供热负荷预测中的应用

分析了粒子群算法和组合预测的特点。将组合预测和粒子群算法结合,建立了一种组合形式的供热负荷预测模型。同时针对粒子群算法易于陷入局部最优解、进化后期收敛慢等缺点对粒子群算法进行改进,解决了组合预测中权重难以确定的问题。改善了预测模型的拟合能力,提高了预测精确度。最后选取大庆油田某一天供热数据作为测试数据,结果表明组合预测误差较小,精确度高于其他单项预测方法40%以上。     

基于并行粒子群优化的三维点云配准算法

针对基于群智能优化的点云配准算法计算时间长的问题,提出一种基于CUDA的并行粒子群配准算法.以点对点距离最短为适应度函数,利用粒子群算法各粒子天然的并行性,将运算过程分配到GPU的各个线程中计算变换参数.由于GPU多个线程运算同时执行互不干扰,极大地提高了粒子群的运算速度,从而可以实现点云的快速、精确配准.实验结果表明,该算法既克服了ICP算法对点云初始位置要求高的缺点,又有效解决了基于群智能优化的点云配准算法计算时间长的问题.     

基于改进PSO的非对称BoucWen模型参数辨识

为了辨识压电陶瓷中的迟滞非线性,该文提出一种改进的粒子群算法(PSO)对非对称BoucWen模型进行参数优化。首先在归一化BoucWen模型中引入非对称因子描述非对称特性,解决该模型只适用于描述对称迟滞的问题。其次通过引入混沌映射、收缩因子和动态学习因子来对传统PSO进行改进,动态改变粒子群的权重和学习因子,有效地提高算法的搜索能力和收敛速度。最后通过改进的PSO对非对称BoucWen模型进行参数辨识。结果表明,改进的粒子群算法能较好地辨识BoucWen模型参数,验证了方法的有效性。     

基于细菌觅食与粒子群的改进混合算法

针对粒子群优化算法（PSO）在优化过程中易陷入局部极值而产生“早熟”现象,文中提出一种基于细菌觅食与粒子群的改进混合算法。粒子群优化算法与细菌觅食优化算法的结合,增强了算法的全局搜索能力,使算法具有全局搜索能力强的优点。选用Matlab进行仿真实验,实验结果进一步显示了改进混合算法的优化能力优于基本PSO算法和基本BFO算法,收敛速度快,且具有较好的鲁棒性。