基于优化粒子群的NCC模板匹配算法

针对灰度模板匹配中速度慢、抗噪性差的缺陷,基于NCC(Normalized Cross-Correlation)算法,提出一种基于优化粒子群的模板匹配算法——NPSO。该算法加入附属粒子群,引导主粒子群向全局最优解收敛;根据禁忌搜索思想,提出黑名单概念,使粒子群快速跳出局部最优;并引入随机扰动算子,增加粒子群向全局最优解收敛准确性。通过Matlab仿真实验,不同模板尺寸下NPSO精确匹配率比基于标准粒子群模板匹配算法分别提高了45%、79%、36%、2%,且对噪声不敏感。说明NPSO不容易陷入局部最优,且匹配精度高、抗噪能力强。     

基于ICA和GSPSO-SVM的人脸识别方法

针对人脸识别中,利用粒子群算法训练支持向量机进行分类识别时存在易陷入局部最优和收敛速度慢的问题,提出一种基于雁群优化算法的人脸识别方法。将主成分分析与独立成分分析相结合提取人脸特征,利用支持向量机进行分类,在分类识别的过程中,引入雁群优化算法以提高速度和效率。实验结果表明,与标准粒子群算法相比,改进的粒子群算法提高了人脸识别率,具有较快的识别速度。     

基于K-PSO稀疏表示的故障分类方法研究

针对现代复杂生产过程中不能准确识别、分类多种故障的问题,提出一种改进的稀疏表示故障分类方法。该方法依据信号的稀疏表示来判断故障所属类别。其具体实现过程首先是利用K-均值奇异值分解(K-SVD)算法构造过完备字典,使其包含原信息的主要特征,再通过粒子群(PSO)算法有效地搜索并寻找稀疏分解中产生的在过完备字典范围中的最匹配原子,最后利用以该匹配原子为基础的稀疏表示结果实现对多故障问题的分类识别。运用数值仿真验证了该算法的可行性和有效性。同时,针对柴油机燃油系统的故障分类,将该方法与基于BP神经网络和SVM的分类识别方法进行比较,实验表明该算法在故障分类上具有更好的效果。     

基于PSO-ICA的文本分类研究

文本分类在采用向量空间模型（VSM）表达文本特征时,容易出现特征向量高维且稀疏的现象,为了对原始的文本特征向量进行有效简化,提出了一种基于粒子群（PSO）优化独立分量分析（ICA）进行降维的方法,并将其运用到文本分类中。在该算法中,以负熵作为粒子群算法的适应度函数,依据其高斯性原理作为独立性判别标准对分离矩阵进行自适应更新。实验结果表明,相比于传统的特征降维方法,该方法可以解决高维度文本特征向量降维困难的问题,使得文本分类的效率、准确率显著提升。     

基于多种群量子粒子群优化的属性约简

现代工业发展要求迅速、可靠地实现故障诊断。针对粒子群约简算法易陷入局部最优等问题,提出了一种多种群量子粒子群优化算法（MIQPSO）。该算法对量子粒子群算法进行分群,并通过接种疫苗,指导粒子朝更优化方向进化,提高了量子粒子群的收敛速度和寻优能力。利用UCI相关数据集,通过对Hu算法、粒子群算法、量子粒子群算法、多种群量子粒子群算法的粗糙集属性约简验证,结果表明,基于多种群量子粒子群优化的约简算法具有良好的约简效果。     

基于云PSO 的RVM入侵检测

入侵检测可为计算机网络信息提供安全保障,在其方法研究中,由于相关向量机(RVM)具有高稀疏性且预测中使用概率因素,在网络入侵检测中优于支持向量机.然而RVM的核函数参数是经验估计的,为此,提出一种基于云模型的粒子群优化算法的RVM方法,即采用云粒子群算法确定RVM的核参数,构建RVM分类模型,再采用一对一分类方法进行多类检测分类.经入侵检测实验研究,所得结果表明所提出的方法优于基于常规相关向量机的检测方法,且具有更高的入侵检测精度.     

基于多因子粒子群的高维数据特征选择算法

特征选择是机器学习和数据挖掘领域中一项重要的数据预处理技术,它旨在最大化分类任务的精度和最小化最优子集特征个数。运用粒子群算法在高维数据集中寻找最优子集面临着陷入局部最优和计算代价昂贵的问题,导致分类精度下降。针对此问题,提出了基于多因子粒子群算法的高维数据特征选择算法。引入了进化多任务的算法框架,提出了一种两任务模型生成的策略,通过任务间的知识迁移加强种群交流,提高种群多样性以改善易陷入局部最优的缺陷;设计了基于稀疏表示的初始化策略,在算法初始阶段设计具有稀疏表示的初始解,降低了种群在趋向最优解集时的计算开销。在6个公开医学高维数据集上的实验结果表明,所提算法能够有效实现分类任务且得到较好的精度。     

基于加权DWT和DCT的粒子群神经网络人脸识别算法

针对人脸识别中出现的维数过高和计算复杂而导致的识别率低的问题,提出一种基于加权DWT(Discrete Wavelet Transform)和DCT(Discrete Cosine Transform)的粒子群神经网络人脸识别新算法。该算法首先用小波变换对人脸图像进行分解,去除对角线分量影响,提取加权低频和高频的离散余弦变换系数作为特征向量,最后利用粒子群优化BP神经网络进行分类识别。在ORL人脸库上验证了该算法的有效性和可行性。     

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。     

基于粒子群算法和神经网络的人脸识别分类器研究

针对BP神经网络作为人脸识别分类器具有的收敛速度慢、易陷入局部极小等缺点,提出利用改进的粒子群优化算法(PSO)改善BP网络训练的方法,建立种基于改进的PSO-BP神经网络,更合理有效地确定神经网络的连接权值和阈值,将其应用到人脸识别系统中的分类环节中,并与单独使用BP神经网络分类的结果相比较,实验表明,该方法识别速度...     

混沌粒子群与模糊聚类在图像分割中的应用

模糊C均值聚类算法是目前使用最广泛的模糊聚类算法,但是该算法也有其局限性,比如在迭代过程中对初始值非常敏感,极容易陷入局部极小值,以至于得不到最佳聚类结果。将粒子群优化算法应用到模糊C均值聚类算法中,提出一种基于混沌粒子群的模糊C均值聚类算法。它能够利用粒子群算法强大的全局寻优能力避免算法收敛于局部极值,最大程度上达到全局最佳聚类结果。为了避免粒子在迭代过程中停滞,该算法引入了混沌变量,以当前的全局最优位置来产生一个混沌序列,用混沌序列中拥有最优适应值的粒子随机代替当前粒子群中的一个粒子。将基于混沌粒子群的模糊C均值聚类算法应用于图像分割中,实验结果表明该算法能够有效地分割图像,并具有良好的鲁棒性和适应性。     

基于协进化粒子群优化的认知决策引擎

提出基于协进化理论的认知无线电参数跨层优化体系结构和基于协进化粒子群优化算法的认知决策引擎。通过协进化技术将高维粒子降低为低维粒子,提高算法收敛速度和收敛效率。对多载波系统进行仿真分析,结果表明,基于协进化粒子群优化算法的认知决策引擎在收敛速度和运行效率上优于基于二进制粒子群优化和量子遗传的认知决策引擎。     

解决约束优化问题的改进粒子群算法

针对约束优化问题的求解,提出一种改进的粒子群算法（CMPSO）。在CMPSO算法中,为了增加种群多样性,提升种群跳出局部最优解的能力,引入种群多样性阈值,当种群多样性低于给定阈值时,对全局最优粒子位置和粒子自身最优位置进行多项式变异;并根据粒子违背约束条件的程度,提出一种新的粒子间比较准则来比较粒子间的优劣,该准则可以保留一部分性能较优的不可行解;为提升种群向全局最优解飞行的概率,采取一种广义学习策略。对经典测试函数的仿真结果表明,所提出的算法是一种可行的约束优化问题的求解方法。     

量子微粒群在波阻抗反演中的应用

求解的局部性和计算速度慢是目前非线性波阻抗反演存在的主要缺陷。在与微粒群算法进行比较的基础上,研究了量子微粒群反演算法。数值实验结果表明,与微粒群反演相比,量子微粒群波阻抗反演在收敛速度和避免陷入局部极小等方面有着一定的优势,适合于非线性反演问题,该方法也适用于其他领域非线性最优化问题的求解,具有较强的普适性。     

结合文化算法的多种群协同变异PSO算法

粒子群算法是一种新的基于群体智能的启发式全局优化算法,其概念简单,易于实现,而且具有良好的优化性能,目前已在许多领域得到应用。但在求解高维多峰函数寻优问题时,算法易陷入局部最优。结合文化算法和高斯变异的思想,提出一种基于文化算法和高斯变异的多群协同粒子群算法。该算法可以摆脱局部最优解对微粒的吸引,基于典型高维复杂函数的仿真结果表明,与多种群粒子群优化算法相比,该混合算法具有更好的优化性能。     

自适应信息选择PSO算法及其特性分析

针对粒子群优化过程中容易出现早熟收敛或停滞的问题,在全信息粒子群优化（FIPSO）算法的基础上结合社会心理学原理提出了一种新的粒子群优化算法——自适应信息选择粒子群优化算法（API-PSO）。在API-PSO算法中,粒子根据其邻域粒子不同表现,自适应地选择群体共享经验。实验表明,新的优化算法具有较好的收敛精度和收敛速度。分别对API-PSO算法的种群多样性和收敛性进行了数学分析,分析结果为合理选择算法参数,解决算法种群多样性匮乏,促进种群进化发展,改善算法性能提供了理论依据。     

改进的二阶振荡粒子群算法

针对粒子群算法易陷入局部最优等问题,分析了粒子群算法的进化方程,提出了一种改进的粒子群优化算法。算法在振荡环节采用互不相同的参数取值来调节粒子群算法的全局和局部搜索能力,并通过对测试函数和机器人路径规划问题仿真模拟,与标准PSO、标准二阶PSO、二阶振荡PSO算法的实验结果进行对比分析,验证了所提出算法的有效性和可行性。     

学习-考试型的粒子群优化算法

标准的粒子群算法在进化后期常易于陷入局部最优。为提高粒子群算法的寻优性能,首先对学生学习-考试机制进行分析,得到学习-考试机制的基本原则,然后,利用该原则和粒子局部最优的信息,在粒子陷入局部最优时,对粒子的位置分量进行有机地组合,即考试策略。数值实验结果证明了新策略极大地提高了粒子的寻优性能。     

一种求解约束优化问题的信赖域微粒群算法

提出了一种改进型信赖域微粒群算法来求解带有不等式约束优化问题。粒子群每一次进化后,对所有粒子执行信赖域搜索,寻找更优个体,从而增加了微粒群算法的局部搜索能力。把算法应用于供应商补货优化,实验结果表明,该方案能够有效地减少供应商的补货成本,具有较好的应用价值。     

基于群体适应度方差的自适应粒子群优化算法

针对基本粒子群优化算法稳定性较差和易陷入局部收敛的缺点,提出了一种基于群体适应度方差的自适应粒子群优化算法。一方面,在可行域中采用混沌初始化生成均匀分布的粒群,提高了初始解的质量;另一方面,构造了基于群体适应度方差的惯性权重的自适应变换公式,增强了算法跳出局部最优解的能力。仿真实验结果表明了该算法的可行性和有效性。