采用改进梯度互信息和粒子群优化算法的红外与可见光图像配准算法

针对传统互信息图像配准容易产生局部极值,以及传统梯度互信息配准方法计算量大等问题,在互信息和梯度方法基础上构建了一种改进的梯度互信息方法,该方法直接统计梯度图像的互信息,有效地将图像梯度信息和灰度信息结合起来,不仅保证了配准精度,而且较传统梯度互信息方法减少了计算量。在参量优化的过程中,针对传统粒子群优化算法易陷入局部极值的缺点,提出了改进的粒子群优化算法,该算法在传统粒子群优化算法基础上引入混沌优化思想和遗传算法中的杂交思想,不仅能够有效抑制局部极值,而且加快了收敛速度。多种红外与可见光图像配准实验结果证明,文中提出的算法能够有效提高配准精度和速度。     

基于改进粒子群算法的Ad Hoc网络移动模型研究

 移动模型是研究ad hoc网络路由算法的基础.为解决基本粒子群算法的速度突变问题,使其适用于ad hoc网络移动模型,本文首先在基本粒子群算法的速度和位移更新公式中引入加速度和环境因子的概念,并提出用直角坐标系对其速度和位移进行分解.接着,我们建立了包含障碍物模型、速度初始化函数和无边界仿真区域的改进粒子群算法移动模型.为证实新移动模型的可行性和有效性,我们用Matlab和网络仿真软件OPNET进行仿真实验.结果表明,与传统的随机位点移动模型比较,基于改进粒子群算法的移动模型更贴近实际情景,并能够有效地应用在ad hoc网络中.     

参数自适应混沌粒子群算法在盲源分离中的应用

独立分量分析(ICA)是盲源信号分离中应用最为广泛技术,其应用过程需要对目标函数进行优化,传统粒子算法(PSO)对其进行优化时,存在易陷入局部最优、稳定性差等缺陷,针对此问题,提出采用参数自适应混沌粒子群算法对ICA进行优化.首先采用对PSO的参数进行自适应调整,提高粒子的搜索能力,然后对粒子群进行混沌扰动,提高算法收敛速度.仿真结果表明,使用参数自适应混沌粒子群算法可以有效解决ICA的目标函数优化问题,极大提高了盲源信号的分离效果.     

基于改进粒子群算法的舰船电力系统网络重构

舰船电力系统网络重构可以看作为一个多目标、多约束、多时段、离散化的非线性规划最优问题。根据舰船电力系统特点,提出了一种改进的粒子群优化算法。在传统粒子群算法的基础上,运用混沌优化理论进行初始化粒子的初始种群,提升初始解质量;同时,引进遗传操作以改进粒子群算法易陷入局部极值的缺点。通过对典型的模型仿真表明,该算法具有更好的寻优性能,并且有效地提高了故障恢复的速度与精度。     

基于灰双矩阵博弈的舰载无人机编队协同对海突击目标分配

针对舰载无人机编队协同对海突击目标分配问题中,由于预警探测水平限制、信息的不完全、人的偏好、有限理性等因素导致的灰色情形,建立了攻防对抗双方的分配策略集和支付矩阵,构建了基于灰双矩阵博弈的舰载无人机编队协同对海突击目标分配模型,并设计了新的粒子位置更新公式对粒子群算法进行改进。分别用遗传算法、传统粒子群算法和改进的粒子群算法进行仿真,对比结果表明,改进后的粒子群算法能够跳出局部最优解,快速收敛到全局最优解,所建立的模型能够较好地解决目标分配决策中的灰色问题,是灰双矩阵博弈理论在目标分配领域的重要应用,仿真结果证明了模型的实用有效性和算法的高效性。     

粒子群优化BP-PID的矿井提升机调速系统

传统PID控制器在矿井提升机变频调速系统应用中,由于控制参数固定且不易整定,导致电机转速超调大、电磁转矩和转子磁链脉动大,进而出现矿井提升机调速系统控制效果差的问题.针对这一问题,文中提出一种改进粒子群优化BP神经网络PID控制器的算法.由于BP神经网络算法存在收敛速度慢和极易陷入局部最优的缺点,现将粒子群算法收敛速度...     

基于MODPSO-SA算法的多AUV任务分配

提出一种基于Pareto解集的多目标模拟退火粒子群算法(MODPSO-SA),用于解决自主水下机器人(AUV)协同任务分配问题.为避免粒子群算法陷入局部最优,加入改进的模拟退火技术,形成一种新的多目标局部搜索策略.仿真结果表明,MODPSO-SA算法能够得出多组合理Pareto解集,可以有效解决多AUV任务分配问题.     

基于粒子群优化算法的多无人机多目标航迹路径规划

针对多无人机多目标航迹路径规划中容易陷入局部最优,机间碰撞以及时效低等问题.提出一种多无人机多目标下改进的粒子群算法（Multi UAV Multi-Objective Improved Particle Swarm Optimization, MUMOIPSO）.该方法将改进的粒子群算法与Dubins算法相结合.首先,通过目标置换以及粒子交叉等方法对粒子群算法中速度和位置更新方式进行改进;通过将自身速度引起位置变化的目标进行置换操作,将个体极值和全局极值影响自身位置变化的粒子进行交叉操作,使改进的粒子群算法适合多无人机多目标航迹路径规划.其次,应用反正切函数改进惯性因子,线性递减函数改进非负的加速度系数,在前期提高无人机全局搜索能力,在后期提高无人机局部搜索能力避免陷入局部最优.最后,采用Dubins算法结合Intersection Type方法规划出一条无碰撞的平滑路径.仿真结果表明,所提出的算法在保证良好稳定性的前提下,其搜索效果与路径规划方式更优,较对比其他算法在适应度函数和总航程方面分别提高16.3%和10.2%.     

基于分类思想的改进粒子群优化算法

针对粒子群算法存在收敛速度慢、收敛精度低且易收敛到局部极值的问题,提出一种基于分类思想的粒子群改进算法。该算法将粒子适度值和适度值均值做差与适度值标准差进行比较,从而将粒子所在区域划分为拒绝域、亲近域、合理域。根据不同区域中粒子的特点选取不同惯性权重和学习因子,使粒子高效地选择自身经验或种群经验,合理增强或减弱粒子全局搜索能力和局部搜索能力。数值实验结果表明,与其他粒子群改进算法相比,新的分类粒子群算法有效加快了粒子的收敛速度,提高了算法的收敛精度,有效改善了算法寻优性能。     

基于克隆粒子群算法的图像分割方法

最大熵阈值法是目前图像分割中应用最广泛的方法之一。为了快速准确地自动确定图像分割阈值,把克隆选择算法和粒子群算法相结合,提出克隆粒子群优化算法。利用这种改进方法对最大熵图像分割函数进行全局寻优。克隆选择算法和粒子群算法的结合克服了各自的缺点,克隆选择的多样性补偿了粒子群的多样性差的缺点,粒子群的快速性补偿了克隆选择的收敛速度慢的缺点。克隆粒子群方法克服了传统遗传算法易出现早熟、陷入局部最优等的问题,加快了图像分割函数收敛速度,最后能够快速准确地得到图像分割的最佳阈值。实验表明,改进后的算法分割速度较快,易于收敛到最优解,并且得到的分割阈值更加稳定。     

改进粒子群算法在频谱功率分配中的应用

在认知无线电中,由于次用户干扰门限要求的存在,传统频谱功率分配方式获得的次用户有效信道容量较低。针对这一问题,提出了一种基于粒子群算法的频谱功率分配算法。首先建立基于干扰距离的认知网络干扰模型,将频谱功率分配问题转化为函数优化问题,并借助混合随机变异思想的粒子群算法进行求解;针对寻优过程中的约束问题,提出了一种基于投入产出比的外点法,保证粒子群在可行域中寻优,最终获得频谱功率分配。仿真结果表明,与传统算法相比,所提算法能够获得较高的次用户有效信道容量。     

三目标柯西粒子群算法的电力系统无功优化

通过建立有功网损最小、电压偏差最小和静态稳定电压裕度最大的三目标无功优化模型。提出柯西粒子群算法,并针对IEEE14节点系统进行三目标电力系统无功优化。当种群多样性较差时,通过对交叉的粒子进行柯西变异从而扩大搜索空间,提高种群多样性,防止出现过早的收敛,进而避免了算法陷入局部最优解的问题,同时也提高了收敛速度。通过数据测试和比较柯西粒子群算法在收敛速度、精度、全局搜索能力上均优于常规差分进化算法和常规粒子群算法。其结果验证了该模型和算法的有效性,为电力系统安全经济运行提供了参考。     

基于电子搜索算法的电力系统无功优化

针对电力系统无功优化过程中,粒子群算法收敛慢以及计算结果容易陷入局部最优的问题,文中利用电子搜索算法代替粒子群算法,以提高计算的收敛速度并使优化计算更容易得到最优解。以网损期望最小为目标,建立了考虑电容器无功补偿和电压器变比的配电网无功优化模型。利用IEEE14节点系统进行模拟计算,通过结果验证了电子搜索算法在无功优化中的效果。通过比较了粒子群算法和电子搜索算法的结果,证明了电子搜索算法在收敛速度以及优化效果上优于粒子群算法。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

应用于负荷经济分配的改进差分进化算法

为了求解电力系统负荷经济分配问题,提出一种改进差分进化算法.该算法考虑机组的爬坡约束、出力限制区约束等非光滑费用函数曲线等非线性特性,采用词典排序法处理系统约束来保证算法结果严格满足约束条件,保证了系统的稳定性和安全性.在差分进化算法的交叉算子计算中引入微粒群算法中的个体最优和全局最优的概念,并采用遗传微粒群算法的多点交叉机制,将两者以一定的比率引入试验向量增强算法的局部搜索能力.此算法被应用于一个6台机组的算例,与遗传算法、微粒群算法和标准差分进化算法相比较,改进的差分进化算法的结果质量更好并且更稳定,是求解负荷经济分配问题的一种有效方法.     

基于改进遗传算法的多目标JSP调度研究

针对多目标车间作业调度问题(JSP),提出了一种混合遗传算法,将多目标遗传算法得出的初步优化结果作为粒子群算法的初始粒子,利用粒子群算法强化局部搜索,加快收敛速度,改善了简单遗传算法局部搜索能力差、迭代效率低的问题.仿真结果表明了该算法对JSP调度的良好效果.     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

基于混沌粒子群算法的宽零陷方向图综合方法

自适应阵列天线常需要采用宽零陷技术,以增强阵列天线抗干扰的稳健性。为此,提出了一种基于混沌粒子群算法（CPSO）的阵列天线宽零陷方向图综合方法。该算法首先采用混沌序列初始化粒子位置,以增强搜索多样性,并在对部分非优胜粒子的位置更新时引入混沌扰动项,在每次迭代中对全局最优位置进行变尺度混沌优化,提高了全局和局部搜索能力,加快了收敛速度。仿真结果验证了混沌粒子群算法在阵列天线宽零陷方向图综合时的收敛速度和精度方面均优于标准粒子群算法。     

基于径向基神经网络的粒子群表面缺陷识别算法

金属部件表面缺陷识别问题是模式识别领域的研究热点,高效、可靠的表面缺陷识别方法能够有效提高生产效率、维护生产安全。针对这一问题,文中提出了一种利用径向基(RBF)神经网络和粒子群优化(PSO)算法相结合的表面缺陷识别算法。采用PSO算法确定和改进RBF神经网络的权值参数,同时对PSO算法中的惯性权重进行线性处理,有效消除了PSO算法中的最优解局部振荡现象。针对金属部件表面常见的几种缺陷对RBF-PSO表面缺陷识别算法进行网络训练,并进行相应的实际测试。文中提出的RBF-PSO表面识别算法识别准确率可达96%,相比于传统的神经网络算法具有明显的性能提升。