一种基于相角映射的改进多目标粒子群优化算法

提出一种相角粒子群优化算法求解多目标优化问题。该算法采用相角映射实现了粒子在相角空间上仅依赖于归一化多目标函数的快速搜索,在粒子飞行信息共享机制上引入共享池概念,提出基于关联支配排序和相似度排序的共享池更新策略,提高了Pareto解的多样性。采用Sigma领导策略和混沌变异操作,平衡了算法的快速搜索能力和全局寻优能力。标准多目标测试函数和电力系统广域阻尼控制多目标优化算例表明了所提出算法的可行性和有效性。     

基于MIMO的单基站混合定位算法研究

传统定位算法实现时往往需要3个以上的基站,且定位精度易受非视距信号的影响。针对上述问题,提出一种基于MIMO的单基站混合定位算法,利用信号路径参数以及基站、移动台、散射体之间的位置几何关系将定位问题转化成非线性约束优化问题,并使用改进的粒子群算法对其求解得到目标估计位置。计算机仿真表明,该算法在非视距环境下具有良好的定位精度和定位稳定性。     

基于高斯变异的智能单粒子算法

针对智能单粒子优化算法(ISPO)容易出现算法早熟、收敛精度低的现象,提出一种基于高斯变异的智能单粒子算法(GISPO)。当粒子陷入局部最优值,每一维速度会降到一定的阈值,整个粒子进化处于缓慢阶段;此时给予搜索到的历史最优极值一个自适应的高斯变异扰动,会大大提高粒子的逃逸能力,帮助粒子快速地跳出局部极值点,不断地向全局最优解靠近。通过几个标准测试函数进行实验,结果表明该算法的收敛速度、搜索精度和稳定性均优于ISPO算法。     

基于PSO-SA算法的优化排料研究

现今用于家具制造的木材及板材的使用量大幅度增加。板材用料的合理利用与木材资源的浪费问题,越来越受到国家及社会的高度关注。在家具生产中,板式材料的合理剪裁成为现在的研究热点。根据现代社会产生的木材合理利用为研究点采用PSO-SA优化算法,对板式办公家具木质材料的优化排料方式进行建模。PSO-SA将PSO算法的优点与SA算法的优点运用在算法的实现中,并将两种算法进行有效结合,使之达到最良好的优化效果。尽量避免和减少其余料的产生和浪费,达到利用率最高的目的。同时提高辅助材料的价值和可用性。     

基于量子行为粒子群优化算法的定位技术研究

针对无线传感器网络(WSNs)节点定位问题,阐述了WSNs的分布迭代式定位方法研究。这种方法将每次迭代后定位的节点作为其余未知节点的参考节点.同时将基于测距定位问题看成一个多维优化问题,并提出利用具有快速收敛能力的量子行为粒子群优化(QPSO)算法进行求解。最后将仿真实验结果与粒子群优化(PSO)算法进行比较,表明QPSO算法在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法的有效性。     

基于BPSO的水下目标特征选择方法

为了提高水下目标识别的识别率,降低水下目标特征提取的代价,提出了基于二进制粒子群优化(Discrete Binary Parti-cle Swarm Optimization,BPSO)的水下目标特征选择算法,并结合k近邻分类算法,对三类实测水下目标数据进行了最优特征集的选择及分类实验.实验结果表明该特征选择方法能有效降低水下目标的特征维数,选择出利于分类的特征子集,提高了水下目标识别的分类效果.为了说明方法对于其他模式识别问题的效果,另外选择了UCI机器学习数据库中的四组标准数据进行仿真分析.     

基于BQPSO的潜水器路径规划算法

在栅格法的自治水下机器人离散工作空间基础上,提出一种基于二进制编码的量子粒子群(BQPSO)算法求解自治水下机器人路径规划问题。该算法将路径表示为粒子位置的二进制编码,以路径长度为适应值,引入交叉策略避免陷入局部最小。仿真实验表明,BQPSO算法可以进行有效的自治水下机器人路径避障。     

基于离散粒子群算法的机房排课问题研究

粒子群优化算法以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中展示了其优越性。本文通过改造离散粒子群算法使之适合机房排课问题的求解。从而达到为机房排课问题的解决提供一种新的思路。     

基于PSO的确定性问题优化研究

粒子群算法原理简单，易于实现，是进化算法中优化效率很高的算法。针对确定环境下的问题优化，提出采用粒子群算法对其进行优化求解。通过对确定性环境下的Benchmark函数的算法仿真研究，表明粒子群算法在确定性问题优化中具有快速收敛性和精确性的特点。     

基于QPSO算法的RBF神经网络参数优化仿真研究

针对粒子群优化(PSO)算法搜索空间有限,容易陷入局部最优点的缺陷,提出一种以量子粒子群优化(QPSO)算法为基础的RBF神经网络训练算法,将RBF神经网络的参数组成一个多维向量,作为算法中的粒子进行进化,由此在可行解空间范围内搜索最优解。实例仿真表明,该学习算法相比于传统的学习算法计算简单,收敛速度快,并由于其算法模型的自身特性比基于PSO的学习算法具有更好的全局收敛性能。     

基于自然选择的线性递减权重PSO与Taylor算法的TDOA协同定位算法研究

针对Taylor算法进行TDOA定位时,其初始估计位置的误差易导致Taylor算法不收敛和定位精度差的问题,提出一种基于自然选择的线性递减权重粒子群优化（W-SPSO）与Taylor算法协同定位的方法。该方法先通过W-SPSO算法得到一个初始估计位置（x,y）,再通过Taylor算法在（x,y）处进行迭代运算得到最终定位结果。不同噪声情况下的仿真结果显示：W-SPSO与Taylor算法协同定位方法对MS坐标估计值的均方差（RMSE）小于标准PSO（粒子群优化）、SelPSO（基于自然选择的粒子群优化算法）、W-SPSO、Taylor以及Chan五种算法的RMSE。因此,所提出的定位方法在保留了SelPSO算法求解精度和收敛性的基础上,同时提高了全局搜索能力,使其具有更高的定位精度和收敛性。     

基于支持向量机的雷达信号特征的辨识研究

雷达信号处理是现代雷达系统的核心内容之一,其直接影响着雷达系统的适用范围和工作性能等。而对雷达信号的有效识别是对未知雷达信号进行预判的重要组成部分。基于支持向量机(SVM)对四种不同的雷达信号智能辨识,选取径向基核函数(RBF)作为支持向量的非线性映射函数,经过理论推导得出惩罚因子c和核函数参数g是影响其分类性能的重要因素。利用粒子群(PSO)优化SVM的两个重要参数。结果表明,在没有进行参数优化的SVM的分类性能极其不稳定,识别准确率在79.6992%~90.2256%之间,而经过PSO优化的SVM分类准确率高达100%,有效证明了优化方法的有效性,实现了基于PSO优化的SVM雷达信号的准确识别。     

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.     

基于误差修正的DV-Hop传感器节点定位算法

传统的DV-Hop传感节点定位算法,估计未知节点与各锚节点之间距离是用跳段距离代替直线距离.在实际网络定位环境中,未知节点和锚节点之间多数是折线连接.当平均每跳距离的估计值与实际值的偏差较大时,未知节点到锚节点之间估计距离与实际距离之间的误差会增大.为解决上述问题,提出一种粒子群优化算法修正DV-Hop算法定位误差的传感器节点定位方法.采用DV-Hop算法估计待测节点和锚节点之间距离,通过三边测量法确定节点的位置,并将传感器节点定位问题转换成一个多约束优化问题,最后通过粒子群优化算法对定位误差进行修正,并通过仿真对其性能进行测试.仿真结果表明,相对传统DV-Hop算法可大幅度提高传感器节点定位精度,符合无线传感器网络定位需求,具有较好的应用价值.     

神经网络基于粒子群优化的学习算法研究

研究神经网络基于粒子群优化的学习算法，将粒子群优化算法用于神经网络的学习训练，并与遗传算法进行了比较，结果表明，神经网络基于粒子群优化的学习算法简单容易实现，而且能更快地收敛于最优解。     

双容水箱基于QPSO算法的PID控制研究

双容水箱液位系统是典型的非线性、时延系统,以CS4000装置为研究对象,通过机理法和测试法建立其数学模型.粒子群优化算法是模拟鸟类群体行为的智能算法,参数设置较少,收敛性较好,但寻优过程易陷入局部最优解.为此,提出了量子行为粒子群优化算法.针对常规比例积分微分(proportional-integral-derivat...     

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.     

基于粒子群优化的北斗多星定位方法

北斗卫星导航系统是我国自主建设运行的卫星系统,向全球用户提供高精度定位服务是其重要功能之一。为提高北斗系统的定位精度,一类可行的方法是伪距定位算法。针对常见的伪距算法存在依赖模型、计算复杂等问题,提出一种基于粒子群优化的北斗卫星定位方法。首先筛选出大气折射误差大、对定位贡献小的冗余卫星,由此获取多颗可利用的北斗卫星;在此基础上,研究粒子群的初始群体和适应度函数,通过粒子群算法得到优化后的接收机位置。实验结果表明,该方法可以快速搜索出优化的位置;与常用的最大四面体法解算出的接收机位置相比较,定位精度可提高大约1.5 m。     

基于SAPSO-BP神经网络的井下自适应定位算法

针对基于传统BP神经网络的井下定位算法存在收敛速度慢、易形成局部极值、在煤矿井下强时变性电磁环境中定位误差大等问题,提出了一种基于模拟退火思想的粒子群优化算法加BP神经网络(SAPSO-BP)的井下自适应定位算法。采用SAPSO算法优化BP神经网络的初始权值和阈值,以加快训练收敛速度,使之到达全局最优;通过安装在井下巷道中的无线校准器采集目标点接收信号强度指示(RSSI)值,采用自适应动态校准方法对RSSI值进行实时校准,以减小强时变性电磁环境对定位精度的影响;最后利用SAPSO-BP神经网络估算出目标点位置坐标。实验结果表明,该算法的定位误差在2m内的置信概率为77.54%,平均误差为1.53m,定位性能优于未校准SAPSO-BP神经网络算法、PSO-BP神经网络算法、BP神经网络算法。     

基于改进粒子群最优化算法的Gmapping研究

传统的Gmapping算法在RPPF-SLAM的基础上改进了提议分布与重采样策略,提升了算法性能。但是Gmapping在频繁地进行粒子迭代过程中会出现粒子退化现象,导致正确的粒子被丢弃或者粒子的多样性下降,直接影响到建图效果。针对上述问题提出了一种融合改进粒子群最优化算法的粒子滤波SLAM算法,采用PSO算法对采样后的粒子群进行更新,并且对不同权重大小的粒子进行粒子分层,依据分层结果优化重采样策略,保证粒子在高似然区域的占比同时也改善了粒子的多样性。在MATLAB上对改进粒子群优化算法进行仿真实验,结合搭载ROS系统的移动机器人实现真实环境的定位与建图。实验结果表明改进后的算法有着更高精度的定位与更精确的建图效果。