基于协同粒子群优化算法的输电网络扩展规划*

输电网络扩展规划是一个复杂的多变量多约束的非线性整数规划问题,针对传统粒子群算法易陷入局部最优、收敛慢的缺陷,本文将协同进化思想与粒子群优化算法结合,提出了一种协同粒子群优化算法,并将该算法应用于输电网络规划,建立了数学模型,该模型以达到线路的年综合费用最小为目标函数,并在此基础上设计了相应的算法。算例将其应用到一个10节点系统和一个22节点系统,计算结果证明了该算法在输电网络规划优化中应用的可行性和有效性。     

求解job shop调度问题的量子粒子群优化算法*

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,提出将量子粒子群优化算法用于求解作业车间调度问题。求解时,将每个调度按照一定的规则编码为一个矩阵,并以此矩阵作为算法中的粒子;然后根据调度目标确定目标函数,并按照量子粒子群优化算法的进化规则在调度空间内搜索最优解。仿真实例结果证明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法和粒子群优化算法。     

用整体分布优化算法求解水火电力系统短期优化调度

用整体分布优化算法,求解一个水火电力系统的短期优化调度问题.将求得的优化结果与用遗传算法、进化规划和粒子群优化算法求得的结果比较,验证了整体分布优化算法的有效性.用基本的整体分布优化算法时,与用遗传算法、进化规划和基本粒子群优化算法相比,优化性能得到较大的提高.说明整体分布优化算法适合于求解水火电力系统短期优化调度问题.     

基于混合粒子群的RFID网络的优化部署*

在RFID网络系统中,贴有标签的物品可能随机地布置着,针对如何有效地放置阅读器,使得阅读器可以读取多个标签信息同时减小冲突的问题,建立了RFID网络系统的优化模型,提出了一种混合粒子群算法来优化部署阅读器的位置。实验结果表明,混合粒子群算法分别比传统的粒子群(PSO)和遗传算法(GA)在收敛速度和寻优能力上具有更好的性能,体现出混合粒子群算法的优越性。     

网络节点覆盖优化仿真研究

为了提高无线传感器网络节点的覆盖率,延长网络生存时间,在分析基本粒子群优化算法缺陷的基础上,提出一种逃逸粒子群算法的网络节点覆盖优化方法.首先以网络覆盖率作为优化目标,然后采用逃逸粒子群算法进行求解,求解过程中,引入遗传算法交叉机制保持粒子群的多样性,防止“早熟”现象出现,并采用动量算法对粒子搜索轨迹进行平滑,加快收敛速度,最后通过仿真测试算法的性能.仿真结果表明,逃逸粒子群算法克服了基本粒子群算法存在的覆盖率低的缺陷,获得了更好无线传感器网络节点覆盖率优化效果.     

基于粒子群优化的视频传感器网络覆盖增强算法

以提高视频传感器网络的覆盖率为目标,针对摄像机的有向感知特性,提出了一种基于改进粒子群优化的视频传感器网络监控区域增强算法。通过分析监控区域中摄像机部署位置关系及有向感知性,构建了反映摄像机相互作用的虚拟力,并引入了基于虚拟力的粒子群导向因子。基于该导向因子,粒子群算法能够有导向地逐步快速地接近优化目标,避免了反复调整过程,提高了优化速度。一系列仿真结果验证了该算法能够在复杂的监控区域场景下大幅提高覆盖率,其性能优于传统方法。     

基于QPSO方法优化求解TSP

针对粒子群优化算法PSO求解旅行商问题TSP收敛速度不够快的缺陷,提出利用量子粒子群优化算法QPSO求解TSP,在交换子和交换序概念的基础上,以Matlab语言为开发工具实现了TSP最佳路径的求解.实验表明改造QPSO算法用于优化求解14点的TSP,能够迅速得到最优解,收敛速度加快,搜索效率得到较大水平提高;QPSO方法在求解组合优化问题中将非常有效.     

含群学习的免疫网络优化算法

为了在探索和利用之间取得平衡,提高算法的效率,借鉴粒子群算法机理,本文提出一种新的免疫网络优化算法,算法利用了抗体集中的优秀个体以及父抗体在克隆变异过程中的有利信息来自适应地指导变异方向。在一些经典的测试函数上对新算法进行测试,实验结果表明,该算法具有很好的全局和局部搜索能力,有较快的最优解搜索速度和较强的多峰值搜索能力。     

求解高维函数优化的动态粒子群算法

针对基本粒子群优化算法对高维函数优化时搜索精度不高的缺陷,提出了一种动态粒子群优化算法。该算法采用了通过调节阈值对粒子运动轨迹进行动态改变的策略,使得粒子对周围环境的适应能力不受进化代数的影响,从而保证了算法在迭代后期仍具有较强的搜索能力。实验结果表明,与文献算法相比,该算法在处理高维函数优化时具有更强的寻优能力和更高的搜索精度。     

改进的粒子群算法在虚拟网映射中的应用

应用粒子群算法解决虚拟网映射问题,可以大大减少网络资源的消耗,却也容易出现早熟的现象。通过增加随机因素、沿原方向飞行操作和改变原历史因素对搜索过程的指导等方式,既保留了历史因素对搜索的指导,又在此基础上加大了搜索范围,一定程度上减少了早熟收敛带来的问题。最终实验结果表明,改进的粒子群算法能够应用于虚拟网映射,和原粒子群算法相比,能够更有效减少资源消耗。     

基于粒子群优化的深度神经网络分类算法

针对神经网络分类算法中节点函数不可导,分类精度不够高等问题,提出了一种基于粒子群优化(PSO)算法的深度神经网络分类算法.使用深度学习中的自动编码机,结合PSO算法优化权值,利用自动编码机对输入样本数据进行编解码,为提高网络分类精度,以编码机本身的误差函数和Softmax分类器的代价函数加权求和共同作为PSO算法的评价函数,使编码后的数据更加适应分类器.实验结果证明:与其他传统的神经网络相比,在邮件分类问题上,此分类算法有更高的分类精度.     

基于粒子群算法的WSN覆盖优化

为了提高无线传感器网络性能,针对节点的分布与覆盖方案进行了研究,将拟物力算法中的拟万有引力和拟库仑力与粒子群算法相结合,提出了一种基于惯性权重的拟物粒子群算法。增强了算法全局搜索能力,更快地收敛至全局最优解,减少算法时耗和重复覆盖。仿真结果证明新的算法比基本粒子群和基于惯性权重的标准粒子群算法的全局收敛速度更快,覆盖率更高,重复覆盖的比率更低。     

局部随机搜索扰动的粒子群优化算法

在粒子群优化（PSO）算法中,gBest粒子的行为对算法的收敛性能有较大的影响。提出一种新的改进粒子群优化算法——SLS-PSO算法。该算法以基本PSO算法为框架,融合随机局部搜索算法（SLS）对进化中的gBest粒子进行局部寻优计算,以改善PSO算法在进化中特别是进化后期的收敛性能。通过典型测试函数的计算表明,该算法在收敛速度和精度上都有不同程度的改善。     

基于改进粒子群优化算法的离散混沌系统神经滑模控制

针对离散混沌系统,提出一种基于融合Powell法的粒子群优化策略(Powell-PSO算法)的神经滑模等效控制方法。该方法通过将BP神经网络的输出作为滑模等效控制的切换部分的系数,有效地克服了传统滑模等效控制的抖振现象;利用Powell-PSO算法对神经滑模控制器的参数进行全局优化,提高了离散混沌系统的控制品质。仿真实验结果表明,所提出的方法无需了解离散混沌系统精确模型,具有响应速度快、控制精度高以及抗干扰能力强的优点。     

基于粒子群优化算法的水质传感器优化部署研究

针对不同污染程度的水域提出重点监测区域的集中性覆盖监测问题.在重点监测区域的传感器网络部署之前,对于监测水域大面积覆盖监测问题采用一种基于加权因子调整的粒子群优化(PSO)算法,对比了不同粒子群数目对网络覆盖能力的影响.仿真结果表明:PSO算法保证在最大覆盖率的条件下,实现传感器网络节点快速自适应均匀部署,运算速度快且能够避免局部最优;网络覆盖能力先随粒子群数目的增加而增大,当粒子群个数达到20后,网络覆盖能力随之减小;网络实现最大范围均匀部署之后,能较好地保障重点水域的集中性覆盖监测,从而保障真实客观的水质监测数据.     

QPSO算法求解无约束多目标优化问题

在分析了用基于目标加权的PSO算法(WAPSO)的基础上,研究了利用基于量子行为的微粒群优化算法(QPSO)来解决多目标优化问题.提出了基于目标加权的QPSO算法(WAQPSO),利用WAQPSO算法解决无约束的多目标优化问题,通过典型的多目标测试函数实验,验证了该算法解决无约束多目标问题的有效性.     

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。     

基于改进的QPSO训练BP网络的网络流量预测*

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。