基于粒子群优化算法的WSNs节点定位研究

为了提高无线传感器网络节点定位的精度,提出了一种基于粒子群优化估计的无线传感器网络节点定位算法。该算法简单易实现,可调参数少,通过多次迭代寻优,以提高定位精度。仿真结果表明,新算法与常用的极大似然估计算法相比可以显著提高节点定位的精度和稳定度。     

基于加强学习与联想记忆粒子群优化算法的节点定位

提出了加强学习与联想记忆的粒子群优化算法,并将该算法应用到无线传感器网络的节点定位中。在RSSI模型测距产生的不同误差情况下,分别比较极大似然估计法和加强学习与联想记忆的粒子群优化算法产生的定位误差、定位方差,证明了加强学习与联想记忆的粒子群优化算法是一种收敛快、精度高、稳定性好的优化算法,适合应用在无线传感器网络节点定位中。     

基于粒子群算法的传感器网络室内定位系统优化

通过接收信号强度指示(RSSI)和欧氏距离的非线性函数映射关系来进行弱移动目标的距离估计.以最大似然估计(MLE)法为基础,结合电磁波在自由空间中的传播特性,重新构建基于粒子群优化(PSO)定位算法的适应度函数来提高无线定位精度.并提出了一种惯性权重优化的自适应学习机制来优化全局搜索能力和局部搜索精度,提升定位算法的容错能力.测试结果表明:本室内定位算法具有抗干扰强、鲁棒性好和无线定位精度高等优点.     

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.     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

基于粒子群算法的Logistic回归模型参数估计

针对Logistic回归模型中的参数估计计算复杂难题,提出一种基于粒子群优化算法（PSO）的估计方法。以最大似然准则作为粒子群优化算法的适应度函数,建立了Logistic回归模型中的参数估算模型。数值仿真分析表明,粒子群优化算法可以更精确地计算出相关参数。     

设立禁区的多粒子群优化算法

提出一种设立禁区的多粒子群优化（FZPSO）方法。FZPSO模仿某些鸟群的搜索方法,即用多数的鸟群搜索大部分空间,而用少数的鸟群搜索特定小空间,用来追逐当前全局最优解以加快算法收敛。以禁区的概念来改善粒子群容易陷入局部最优的弱点。禁区的大小由禁区半径决定,将每个局部最优解为中心,半径以内的区域划为禁区。实验结果表明FZPSO具有较强的全局收敛能力。     

基于混沌搜索的粒子群优化算法

粒子群优化算法(PSO)是一种有效的随机全局优化技术。文章把混沌优化搜索技术引入到PSO算法中,提出了基于混沌搜索的粒子群优化算法。该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高的算法的收敛速度和计算精度。仿真计算表明,该算法的性能优于基本PSO算法。     

基于粒子群优化的细菌觅食优化算法

细菌觅食优化算法(BFOA)具有全局搜索能力强的优点,但存在收敛速度慢的缺陷.为了解决以上问题,结合收敛速度快的粒子群优化算法,提出一种基于粒子群优化的细菌觅食优化算法(BF-PSO),该改进的优化算法具有可操作性和优越性.选用测试函数和对PID控制参数整定的实例进行Matlab仿真,结果进一步显示了BF-PSO的优化能力优于BFOA,收敛速度快,且具有较好的鲁棒性.     

一种基于粒子群的道路检测新算法

为了提高道路环境图像识别中抗干扰性和鲁棒性,提出了一种基于粒子群优化的道路检测算法.该方法针对道路几何特征引入直线变形模型描述道路结构.利用似然估计概率评价道路图像与模型的匹配程度.在先验知识的条件下结合粒子群优化算法搜索参数空间的全局理想值.同时,在模型中定义友谊区域减少运算复杂度与干扰因素.通过对实际大量路面的检测,证明了该方法在阴影、光照等干扰环境下对道路检测的有效性和实用性.     

基于模拟退火算法思想的粒子群优化算法

粒子群优化是由Eberhart博士和Kennedy博士于1995年根据鸟或鱼群居社会行为而提出的。本文提出了4种改进的算法,特别推荐结合模拟退火算法思想提出的一种新算法。经过与基本粒子群算法比较测试,证实它是一种简单有效的算法。     

基于二次粒子群算法的投资组合优化

投资组合优化问题是一个复杂的组合优化问题,属于NP难问题,传统算法很难解决这一问题。将二次粒子群算法应用到投资组合优化问题中,并采用参数的自适应变化。数值模拟表明该算法在投资组合优化问题中能避免陷入局部最优,加快达到全局最优的收敛速度,并在一定意义下优于标准粒子群算法。     

基于粒子群优化算法求解软件可靠性分配问题

首先介绍粒子群优化的搜索策略与基本算法,通过构造具有自适应权重ω的改进方法,有效地改善了粒子群优化算法的搜索效率和搜索精度,并应用于求解软件可靠性分配问题中。实验表明了PSO在求解软件可靠性分配问题的有效性。     

基于微粒群优化噪信功率比的维纳滤波算法

在维纳滤波图像恢复中,为确定最佳噪信功率比,必须具备一定的图像先验知识,这使其应用受到了一定局限.提出了一种基于微粒群优化的新技术,采用最小均方误差对恢复图像的质量进行评估,能智能地选择噪信功率比的最佳值.仿真实验表明,从视觉效果、均方误差和峰值信噪比等方面进行比较,其恢复效果比经典的维纳滤波法好,是一种有效的方法.     

基于改进粒子群算法的网络计划工期--费用优化

本文提出了一种改进粒子群优化算法。在进化中增加了个体间的协作机制,这种改进后的学习行为更符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解。最后将该方法用于PERT网络工期一费用模型求解,数字仿真表明了算法的有效性。     

基于粒子群算法的非线性方程组求解

将非线性方程组的求解问题转化为无约束极大极小优化问题,并应用一种新的进化计算（EC）方法——粒子群算法（PSO）求解此优化问题。数值实验的结果验证了该方法的可行性和有效性。     

改进的粒子群优化算法

将基本粒子群算法粒子行为基于个体极值点和全局极值点变化为基于个体极值中心,并且按一定概率选择其他粒子的个体极值点,设计了一种新的粒子群优化算法.新算法的学习行为符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解.实验结果表明了算法的有效性.     

一种改进的动量粒子群算法及实验分析

为了克服粒子群算法存在的收敛缓慢、后期振荡等缺陷,在基本粒子群算法的基础上,引入动量项,提出一种新的改进型粒子群算法.新算法中动量项与微粒的历史修正量线性相关,典型复杂优化函数的实验结果表明:该算法不但保持了基本粒子群算法的简单、易实现等优点,而且提高了算法的收敛速度及部分地避免了算法的后期振荡.     

带组织的粒子群优化同步并行算法

提出带组织的粒子群优化同步并行算法.粒子群优化算法是一种基于群体智能的演化算法,具有良好的优化性能.但由于群体的迅速收敛和多样性低,导致算法早熟收敛.带组织的粒子群优化同步并行算法虽然克服了早熟收敛问题,但无形中却增加了计算时间.结合已有的并行计算技术,构造出了该方法的同步并行计算算法,仿真试验证明并行算法具有更快的收敛速度.     

带组织的粒子群优化算法——OPSO

提出了带组织的粒子群优化算法.粒子群优化算法是一种基于群体智能的演化算法,具有良好的优化性能.但由于群体的迅速收敛和多样性低,导致算法早熟收敛.依据人类社会活动的特点,在粒子群中引入组织的概念,定义了组织的优胜劣汰.在组织优胜劣汰的过程中,更新最差组织,进而保持粒子群的多样性,避免算法的早熟收敛问题.仿真实验表明:OPSO比PSO有更好的优化能力.