基于量子粒子群算法的收敛性研究

对基于量子行为的粒子群算法(QPSO)的收敛性进行分析.QPSO算法不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛性.通过四个经典的基准函数对算法进行测试,将QPSO算法与PSO算法进行深入比较.通过实验结果表明.QPSO算法在收敛性能上大大优于PSO算法.     

粒子群优化算法的发展趋势

分析优化算法的发展历程,指出粒子群优化算法(PSO)是基于群体智能的一种算法,简单易行,可调参数少,研究广泛且发展迅速.结合图形给出算法的个体极值和整体极值的搜优运动过程.研究总结算法的研究现状及特点,认为PSO还需要完善和继续研究.提出将算法应用于复杂的约束优化、随机优化与最优控制问题是算法应用研究的方向,并指出对该算法完整的收敛性分析是算法成熟的标志.     

基于粒子群优化算法的自动机制设计

机制设计是在代理自私行为的基础上寻找博弈规则,获得满意结果的理论和方法。传统的机制设计是手工完成的,Conitzer和Sandholm提出了自动机制设计的方法,把机制设计作为优化问题,并且用线性规划来解决。在本文中,我们提出了使用粒子群优化算法来实现自动机制设计,并对离婚案问题获得了较好的结果。     

基于云模型云滴机制的量子粒子群优化算法

利用云模型云滴的随机性和稳定倾向性的特点,提出了一种云模型云滴机制的量子粒子群优化算法,该算法在量子粒子群优化的基础上,由云模型的X,Y条件发生器产生杂交操作,由基本云发生器产生变异操作,用于求解具有变量边界约束的非线性复杂函数最优化问题。仿真结果表明,该算法具有计算精度较高,搜索速度较快等特点,具有一定的参考和应用价值。     

一种基于混沌优化机制的双粒子群优化算法

针对标准粒子群优化算法PSO(Particle Swarm Optimization)在处理高维复杂函数时存在收敛速度慢、易陷入局部最优和算法通用性不强等缺点,提出了一种基于混沌优化机制的双粒子群优化算法.它借鉴群体适应值方差的早熟判断机制,同时提出了一种逐步缩小搜索变量空间的新方法.典型数值实验表明,该算法效率高、优化性能好、对初值具有很强的鲁棒性.尤其是该算法具有很强的避免局部极小能力,其性能远远优于单一优化方法.     

基于内分泌调节机制的粒子群算法

借鉴内分泌系统的高级调节机制,提出一种基于内分泌调节机理的粒子群算法.首先设计一种结合当前粒子群的最好适应度、平均适应度和局部适应度的情感评价方法,对下一代粒子群进行情感评价,然后用神经系统和内分泌系统共同作用,对粒子群的行为进行更新,在更新过程中。引入动量项减少局部收敛的发生.文中同时分析了算法的收敛性,并对几个典型函数优化问题和机器人路径规划进行实验,验证方法的有效性.     

基于吸引排斥机制的粒子群优化算法

针对标准粒子群优化算法在处理复杂函数优化问题时容易陷入局部最优、收敛精度低的缺点,提出了一种改进的PSO算法,该算法把生物学中的吸引排斥思想引入到PSO算法中,充分利用粒子间的相互影响,修正了其速度更新公式,从而维持了群体的多样性,增强了粒子跳出局部最优解的能力。实验仿真结果表明,改进的PSO算法提高了进化后期的收敛速度,有效避免了PSO算法的早熟收敛问题,而且具有较高的收敛精度。     

基于不确定知识的粒子群优化算法

针对标准粒子群优化算法（PSO）速度更新方程存在随机参数,使得粒予扶取知识存在不完备性的问题,将不确定知识引入PSO算法中,并对个体知识、群体知识和不确定知识随机参数进行了归一化,保证算法在每一步演化中都能获得完备知识．理论分析给出了PSO—UK算法局部收敛参数条件,并证明了其具有全局优化性能．经典测试函数实验表明,所提出的PSO－UK算法具有全局搜索能力,且局部收敛精度明显优于PSO算法．     

复形法粒子群优化算法研究

针对基本粒子群优化算法对复杂函数优化时难以获得最优解的缺陷,提出了一种复形粒子群优化算法。该算法采用复形法来提高粒子的局部搜索能力,从而保证了算法能够跳出局部最优,获得全局最优解。实验结果表明,与文献算法相比,该算法在基准函数优化时具有更强的寻优能力和更高的搜索精度。     

基于量子粒子群算法的多方法协作优化方法

介绍粒子群算法和具有量子行为的粒子群优化算法QPSO(Quantum-behaved Particle Swarm Optimization).针对QPSO在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了基于QPSO算法的多方法协作优化算法,将QPSO算法与进化规划EP(Evolutionary Programming)算法协作.实验结果表明,改进算法在收敛性和取得最优值方面优于PSO算法和QPSO算法.     

基于粒子群优化的三轴磁强计非线性误差校正

三轴磁强计的非线性误差是影响其测量精度的重要因素,而传统三轴磁强计误差模型仅考虑零偏、磁轴非正交和灵敏度误差,无法实现对磁测误差有效剥离和校正.通过对传统误差模型进行扩展,提出了三轴磁强计的非线性误差模型,并利用自适应粒子群优化(APSO)算法对非线性误差模型参数进行反演.实验结果表明:可以有效地补偿三轴磁强计的非线性测量误差,相较于传统校正方法,在误差参数规模较大情况下,APSO算法具有更好的全局搜索能力,可大幅提高误差参数反演精度及算法收敛速度.     

基于PSO的模糊聚类算法

提出了一种基于模糊C-均值算法和粒子群算法的混合聚类算法。该算法结合PSO的全局搜索和FCM局部搜索的特点,将PSO优化聚类结果作为后续FCM算法的初始值,有效地克服了FCM对初始值敏感、易陷入局部最优和PSO算法局部搜索较弱的问题,同时增强了跳出局部最优的能力。实验表明,新算法得到的目标函数值更小,并能减小分类错误率,聚类效果优于单一使用FCM或PSO。     

基于梯度粒子群算法的细菌觅食算法

针对细菌觅食算法在优化过程中环境感知能力较弱且容易陷入局部极值的缺陷,将梯度粒子群算法的基本思想引入细菌觅食算法中,改进原算法的收敛速度和收敛能力,并据此提出了基于梯度粒子群算法的细菌觅食算法GPSO-BFA。该算法既利用了细菌觅食算法出色的全局搜索能力,又借助梯度粒子群算法的快速局部寻优能力,很好地将两者的优势结合在一起。基于六个高维Benchmark函数的实验结果显示,该算法在收敛速度和精度方面都优于其他四种细菌觅食算法。     

基于环形邻域拓扑的自适应速度PSO算法

为克服全局粒子群优化算法易陷入局部最优的缺点,基于全局自适应速度粒子群优化（SAVPSO）算法,给出一种基于环形邻域拓扑的局部SAVPSO算法来求解约束优化问题,同时采用动态目标方法（DOM）来有效处理约束条件,并以13个经典的测试函数为例对算法的性能进行仿真实验研究。测试结果表明,与全局SAVPSO算法相比,该算法具有较强的全局寻优能力,可以较好地避免陷入局部最优;另外,粒子的邻域大小及实现形式对算法的性能均有一定的影响。     

基于粒子群优化的三维测向交叉定位算法

首先分析了三维测向交叉定位的基本原理,针对测角信息冗余这一问题,研究了2种测向交叉定位算法,并仿真出了定位精度的几何稀释(GDOP)图。结论表明:存在相同的测角误差和布站误差时,基于迭代的泰勒级数法定位精度较好,但是迭代初值如何选取仍然没有得到很好的解决。提出了一种基于迭代搜索求最优解的自适应权重的粒子群算法,最后通过设定不同的测角误差值仿真分析了该算法。仿真结果表明:在测角误差为0.5°或者1°时,粒子群优化算法在高度估计上比传统算法更准确,并且新算法有更好的定位精度,有一定的实际应用价值。     

基于新型免疫粒子群优化的热连轧负荷分配策略*

针对带钢热连轧精轧中的负荷分配问题,提出了一种新型的优化策略。首先提出了一种新型的免疫粒子群混合优化算法,通过克隆选择算子来调节群体的浓度,实现混合算法的个体高亲和力和群体的多样性; 然后通过提出的混合算法对负荷分配进行优化,得到优化的压下量数据,通过这些数据建立了计算负荷分配输出的人工神经网络。实验表明,提出的混合算法和负荷分配优化策略给出了很好的优化效果,能有效地指导实际生产应用。     

基于一种自适应选择机制的混合优化算法

针对于微分进化(DE)和粒子群优化(PSO)算法收敛精度较低和收敛速度慢的缺点,提出了基于这两种算法的混合优化算法DEPSO。该算法引入了两个新的变量指标,即在迭代过程中种群个体适应值有所优化的概率及种群的全局最优值的变化情况,通过采用这两个变量所形成的一个二维合理的选择机制,实现下一个迭代过程中关于算法的选择迭代问题。该算法一方面参数较少,实现简单;另一方面,利用新引入的第二个变量指标避免种群陷入早熟。对几种典型的测试函数进行数值模拟实验,结果表明与传统的算法比较,新的算法具有收敛精度高和收敛速度快的特点,同时对于高维的问题依然表现出较好的效果。     

基于改进PSO算法的测试数据自动生成研究

为了提高软件测试中测试数据自动生成的效率,提出了一种基于改进PSO算法的测试数据自动生成的方法。通过在标准的PSO算法中引入人工免疫的思想,保持了群体的多样性,从而有效避免标准PSO算法易陷入局部最优的问题,提高了算法全局搜索的能力,增强了算法的整体性能。实验结果表明,利用改进后的PSO算法寻找最优解所需的迭代次数和时间明显少于标准粒子群算法,生成测试数据的速度快、效率高。     

基于PSO算法的图像分割方法

针对大多数图像分割方法计算量大、不利于实时处理的缺点,提出用微粒群算法（PSO）优化最小误差分割方法.该方法不但具备最小误差分割法受目标和噪声影响小以及对小图像分割效果好的优点,还克服了遗传算法等加速算法需要预先设定众多运行参数,受目标变化影响大的问题.图像分割的效果和速度得到了提高,性能也更加稳定.实验结果反映了该方法的有效性.     

基于 PSO的快速模糊 C均值图像分割算法 *

利用粒子群算法全局性和鲁棒性的特点 ,可以解决模糊 C均值算法 ( FCM)用于图像分割时对初始值敏感、容易陷入局部极小值的问题。但是设定粒子群算法的初始搜索范围依赖于人的经验 ,并且所设范围往往过大,影响算法的执行速度 ,为此提出用收敛速度快的 K均值聚类法得到的聚类中心作为粒子群算法初始搜索范围的参考 ,缩小粒子群算法的搜索范围 ,提高算法执行速度。实验表明该算法具有较高的分割速度和良好的抑制噪声的能力。