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.     

保持粒子活性的改进粒子群优化算法

针对基本粒子群优化算法（particle swarm optimization, 简称PSO）存在的早熟收敛问题,提出了一种保持粒子活性的改进粒子群优化（IPSO）算法。当粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,使粒子能够有效地进行全局和局部搜索。通过对4种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度,而且能够更有效地进行全局搜索。     

基于多目标骨架粒子群优化的特征选择算法

针对在分类问题中,数据之间存在大量的冗余特征,不仅影响分类的准确性,而且会降低分类算法执行速度的问题,提出了一种基于多目标骨架粒子群优化（BPSO）的特征选择算法,以获取在特征子集个数与分类精确度之间折中的最优策略。为了提高多目标骨架粒子群优化算法的效率,首先使用了一个外部存档,用来引导粒子的更新方向;然后通过变异算子,改善粒子的搜索空间;最后,将多目标骨架粒子群算法应用到特征选择问题中,并利用K近邻（KNN）分类器的分类性能和特征子集的个数作为特征子集的评价标准,对UCI数据集以及基因表达数据集的12个数据集进行实验。实验结果表明,所提算法选择的特征子集具有较好的分类性能,最小分类错误率最大可以降低7.4%,并且分类算法的执行时间最多能缩短12 s,能够有效提高算法的分类性能与执行速度。     

模拟退火免疫粒子群算法在皮肤电信号情感识别中的应用

为了增强情感识别过程中皮肤电反应(GSR)信号特征选择的有效性,提出了一种改进的模拟退火免疫粒子群算法。首先,对342组被试6种情感的GSR信号进行去噪处理和原始特征提取;然后,将模拟退火机制引入到免疫粒子群(IPSO)算法的粒子更新过程中,使用新构造的模拟退火免疫粒子群(SA-IPSO)算法进行特征优化选择。实验表明:与IPSO相比,SA-IPSO能以较少特征获得较高的识别率,模拟退火机制的应用能更好地优化特征选择过程,且新的算法具有良好的全局收敛性能。     

基于自适应混合粒子群优化的软件缺陷预测特征选择方法

特征选择是软件缺陷预测中数据预处理的关键步骤。针对现有特征选择方法存在的降维效果不显著、选取的最优特征子集分类精度低等问题,提出了一种基于自适应混合粒子群优化（SHPSO）的软件缺陷预测特征选择方法。首先,结合种群划分设计了基于Q学习的自适应权重更新策略,其中引入Q学习根据粒子的状态自适应地调整惯性权重;其次,为了平衡算法前期的全局搜索能力和后期的收敛速度,提出了基于曲线自适应的时变学习因子;最后,采用混合位置更新策略帮助粒子尽快跳出局部最优解,并增加粒子的多样性。在12个公开软件缺陷数据集上进行实验验证的结果表明,与使用全部特征的方法、常用的传统特征选择方法及主流的基于智能优化算法的特征选择方法相比,所提方法在提高软件缺陷预测模型分类性能和降低特征空间维度上均取得了有效的结果。与改进樽海鞘群算法（ISSA）相比,所提方法的分类精度平均提高了约1.60%,特征子集规模平均降低了约63.79%。实验结果表明,所提方法可以选出分类精度较高且数量较少的特征子集。     

融合多特征与随机森林的纹理图像分类方法

针对单一纹理特征与单一分类器对失真纹理图像分类识别率差的问题,提出了一种融合多特征与随机森林的纹理图像分类方法。利用改进的方向梯度直方图(HOG)特征提取方法以及局部二值模式(LBP)图像的灰度共生矩阵进行特征提取;将提取的特征矩阵级联组成一个新的特征矩阵,利用主成分分析法进行降维融合处理;降维融合后的特征矩阵输入随机森林,通过融合投票得到最终的识别率。在KTH-TIPS失真纹理图像库上进行对比实验,结果表明:采用融合多特征与随机森林的分类方法提高了失真纹理图像的分类正确率,且具有更好的实时性。     

分级特征提取与选择及在自动目标识别系统中的应用

应用于遥感图像、武器制导等的自动目标识别系统中,经常遇到形状相似目标的鉴别问题。为提高其识别的快速性和识别率,提出一种分级的基于形状的目标识别方法。借鉴人类视觉感知方式提取多尺度特征,大尺度下采用全局特征快速粗分类,小尺度下采用局部特征鉴别形状相似目标。然后运用模糊规则对提取的特征进行选择,降低特征维数,加快目标匹配过程。实验结果表明:该方法能快速有效地识别形状相似的目标,特征选择后平均识别率较选择之前提高了6.9%。     

特征选择和分类器参数优化联合进行的人体行为识别

特征选择和分类器参数优化是提高人体行为识别率的关键技术,针对当前模型没有考虑两者之间的联系不足,为了提高人体行为的识别率,提出了一种特征选择和分类器参数优化联合进行的人体行为识别模型。首先,分析当前人体行为识别研究的现状,并建立人体行为识别特征和分类器参数优化的数学模型;然后,利用改进粒子群算法对数学模型进行求解,建立最优的人体行为识别模型;最后,通过仿真实验测试其性能。结果表明,其模型克服了人体行为识别模型的缺陷,提高了人体行为识别率,识别速度也要快于对比模型。     

多目标优化在特征选择子集评价中的应用

特征选择是处理高维大数据常用的降维手段,但其中牵涉到的多个彼此冲突的特征子集评价目标难以平衡。为综合考虑特征选择中多种子集评价方式间的折中,优化子集性能,提出一种基于子集评价多目标优化的特征选择框架,并重点对多目标粒子群优化（MOPSO）在特征子集评价中的应用进行了研究。该框架分别根据子集的稀疏度、分类能力和信息损失度设计多目标优化函数,继而基于多目标优化算法进行特征权值向量寻优,并通过权值向量Pareto解集膝点选取确定最优向量,最终实现基于权值向量排序的特征选择。设计实验对比了基于多目标粒子群优化算法的特征选择（FS_MOPSO）与四种经典方法的性能,多个数据集上的结果表明,FS_MOPSO在低维空间表现出更高的分类精度,并保证了更少的信息损失。     

一种改进的粒子群算法在协商优化中的应用

在双边多议题协商模型的基础上提出一个消解协商僵局的数学模型,并对标准粒子群算法(PSO)的进化方程进行了改进,以确保粒子在一个超平面上移动。使用该种改进的算法(IPSO)对模型进行求解,优化了协商议题的保留值向量,达到了消解僵局的目的。实验结果表明IPSO比PSO具有更好的性能,减少了最优搜索时间,提高了协商成功率。     

一种免疫微粒群优化算法

引入克隆选择操作和借鉴免疫学习中较好的多样性来克服微粒群算法易陷于局部最优以及对多峰值函数搜索效果不佳的缺点，构建了一种免疫微粒群算法。将该算法应用于4个常见的测试函数，实验结果表明，该算法比标准微粒群算法有更好的收敛性和更快的收敛速度。     

改进PSO的SVM回归模型及在气温预测中的应用

兰州市气温是一个非平稳序列,具有典型噪声大、不稳定的特征,气温变化越大,越不稳定.为了能够提高支持向量机在气温预测中的预测精度、强化泛化能力和降低参数选择的灵敏度.本文提出了改进的粒子群算法(improved particle swarm optimization, IPSO)优化支持向量机(support vector machine, SVM)的气温预测模型.首先在粒子群算法(particle swarm optimization, PSO)中引入了自适应惯性权重以提高PSO算法的全局寻优能力和局部开发能力,其次利用改进的IPSO算法优化SVM的惩罚因子和核函数参数,将优化后的模型(IPSO-SVM)应用于气温预测中.以兰州地面观测站点实际数据作为样本数据,运用Matlab实验工具进行训练和预测,实验结果表明,本文IPSO-SVM模型相比于BP, SVM, GRID-SVM, GWO-SVM, ABC-SVM, ACO-SVM模型具有更强的泛化能力,更好的拟合度,可以更加准确地预测气温的变化,进一步验证了该模型在气温预测方面的可行性.     

粒子群优化的速度方程改进与自适应变异策略

对基本粒子群优化算法的速度方程进行了改进,减少了控制参数,引入随机调节因子,使得粒子的自我认知能力和社会认知能力在一定范围内随机产生,同时对个体最优粒子进行自适应随机变异,由此构造出一种改进的粒子群优化算法。数值结果表明新算法能够克服早熟收敛,具有更好的性能和全局搜索能力。     

一种改进的粒子群优化算法及其仿真

粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。     

基于改进粒子群算法的PID控制器参数自整定

针对标准粒子群算法寻优精度不高、易出现早熟收敛等缺陷,提出一种自适应混沌移民变异粒子群算法IPSO。该算法通过引入基因距离来反映粒子间合作与竞争的隐性知识,使粒子种群的多样性得到量化,采取自适应混沌移民变异策略对陷入聚集区域的粒子进行处理,使之获得继续搜索的能力,从而防止算法过早陷入局部最优。仿真结果表明,IPSO算法在PID控制器参数寻优问题上具有遗传算法和标准粒子群算法无法比拟的优势。     

改进的粒子群算法求解非线性约束优化问题

提出了一种改进的粒子群算法（Improved Particle Swarm Optimization,IPSO）,使用了一种新型的变异策略,并在搜索过程中将部分邻近的个体聚集成核,从而形成多子群引导粒子探测新的搜索区域,采用了简单易行的罚函数约束处理机制,使算法在求解较难的非线性约束优化问题时具有很强的全局搜索能力与效率。对比数值实验结果表明,该算法能够有效、稳定地求解非线性约束优化问题。     

改进粒子群算法的潜器导航规划

针对粒子群算法的寻优搜索能力强和已有的一些导航算法存在收敛速度慢、迭代时间长的缺点,提出一种基于粒子群算法的潜器导航算法.利用群智能理论,对基本粒子群算法进行改进:提出一个含突变因子的可变调的惯性权值策略,从而达到增强粒子群算法局部和全局寻优的调度能力.通过实验仿真验证,证明了改进粒子群算法具有更优的性能.在此基础上,将该算法应用到水下潜器的路径规划中,通过对环境的建模分析进行条件约束,最终将路径规划问题转化为路径点求解的优化问题.实验仿真结果获得了从起点到终点的无碰撞路径,收敛速度也较快,验证了该方法的有效性和可行性.     

IPSO算法在舰用设备抗冲击能力分析中的应用

本文提出了一种能够保证以概率1收敛于全局最优解的改进粒子群优化(IPSO)算法。算法在运行过程中根据粒子的浓度和趋同性函数来确定当前粒子的变异概率,增强了粒子群优化算法跳出局部最优的能力。同时,引入的自适应加速度系数,更好地协调全局和局部搜索能力,有利于快速找到全局最优点。将其应用于典型设备抗冲击能力分析研究,结果表明,IPSO算法搜索能力有了显著提高,应用于设备抗冲击研究能提高计算的精确度,降低预测误差。     

基于隐马尔可夫模型和免疫粒子群优化的多序列比对算法

序列的多重比对是生物序列分析研究中的一个重要内容．基于免疫系统的疫苗接种和受体编辑模型,结合粒子群优化方法提出了一种免疫粒子群优化算法,将该算法用于隐马尔可夫模型的学习过程,进而构建了一种基于隐马尔可夫模型和免疫粒子群优化的多序列比对算法,从BAliBASE比对数据库中选取了一些比对例子进行了模拟计算,并与Baum-Welch算法进行了比较．结果表明,所提出的方法不仅提高了比对的准确程度,而且缩减了比对所花费的时间。     

一种基于引导策略的自适应粒子群算法

为解决粒子群算法前期搜索“盲目”,后期搜索速度慢且易陷入局部极值的问题,对算法中粒子更新方式和惯性权重进行了改进,提出了一种基于引导策略的自适应粒子群算法。该算法在种群中引入4种粒子,即主体粒子、双中心粒子、协同粒子和混沌粒子对粒子位置更新进行引导,克服算法的随机性,从而提高搜索效率;为进一步克服粒子群优化算法进化后期易陷入早熟收敛的缺点,引入聚焦距离变化率的概念,通过聚焦距离变化率的大小动态调整惯性权重,以提高算法的收敛速度和精度,两者结合极大地提高了搜索到全局最优解的有效性。对4个标准测试函数进行仿真,实验结果表明IPSO算法在收敛速度、收敛精度以及成功率上都明显优于LDWPSO和WPSO算法。