基于粒子群和投影寻踪的样本重构神经网络集成模型在降水预报中的应用

首先利用粒子群算法和投影寻踪技术构造神经网络的学习矩阵,基于负相关学习的样本重构方法生成神经网络集成个体,进一步用粒子群算法和投影寻踪回归方法对集成个体集成,生成神经网络集成的输出结论,建立基于粒子群算法-投影寻踪的样本重构神经网络集成模型。该方法应用于广西全区的月降水量预报,结果表明该方法在降水预报中能有效从众多天气因子中构造神经网络的学习矩阵,而且集成学习预测精度高、稳定性好,具有一定的推广能力。     

多种群粒子群算法与混合蛙跳算法融合的研究

针对粒子群算法和混合蛙跳算法在复杂函数寻优上易于陷入局部最优值的缺点,提出一种新的粒子群与混合蛙跳融合算法.算法采用多种群粒子群方法,每次进化后,将各子群中的最优粒子组成新的群体,采用混合蛙跳模式进化,以提高种群的多样性.粒子群各子群的进化模式中,除考虑本子群最好的粒子外,还考虑整合群体最好的粒子.相对于其它一些改进的粒子群或混合蛙跳算法,融合算法概念简单,易于实现,具有良好的全局搜索能力和较快的收敛速度.基准测试函数的仿真结果表明,本文算法优于目前一些常见的改进粒子群算法.     

基于遗传粒子群混合算法的供应链调度优化

针对大规模定制模式下的供应链调度优化问题,首先将供应链调度优化问题进行数学规划建模,并通过一些定义将模型映射为有向图,以便于智能搜索算法的应用;然后,结合遗传算法全局搜索能力强与粒子群算法收敛速度快的特点,进行优势互补,构造了一种混合算法;最后,运用混合算法对供应链优化调度问题模型进行求解.通过与其他算法进行比较,所得结果表明混合算法有着更好的整体性能.     

基于非参数回归的神经网络集成降水预报模型

利用粒子群优化算法的全局搜索能力,同时进化设计神经网络的网络结构和初始连接权,获得一组合适网络结构和初始连接权,再进行新一轮BP神经网络训练,获得一批独立的神经网络,进一步用主成份分析方法提取有效因子,再采用非参数回归模型进行集成,建立多元变窗宽高斯核函数的非参数回归的神经网络集成模型,以此对广西前汛期5,6月区域平均日降水量进行预报.结果表明,这里建立的3个区域日平均降水量神经网络预报模型,在预报性能上明显优于同期的T213降水预报.     

基于改进混合蛙跳算法的网格任务调度策略

针对网格任务调度问题,提出一种基于改进混合蛙跳算法的网格任务调度策略。通过引入遗传算子增加对局部极值的扰动,以避免陷入局部最优,同时借鉴粒子群优化算法中粒子飞行经验,对青蛙移动策略进行优化。实验结果表明,该策略高效合理,能够缩减执行任务的时间跨度,并提高最优解的质量。     

基于粒子群算法的神经网络短期降水预报建模研究

用多样性粒子群算法优化神经网络的网络结构和连接权，获得神经网络集成个体；进一步用二次规划方法，计算各集成个体的最优非负权系数进行组合集成，生成神经网络集成的输出结论，进行短期降水预报建模研究．以广西全区的月降水量实例分析，结果表明该方法能有效提高系统的泛化能力．     

基于文化算法多种群协作SVM选择集成算法

针对离散二进制粒子群(binary particle swarm optimization,BPSO)算法在解决SVM集成选择问题时容易早熟的问题,提出了一种文化算法架构下的多种群协作算法(Ca-MultiPop).结合BPSO算法的快速演化能力,利用遗传算法(genetic algorithm,GA)增加种群的多样性;在两种进化算法中使用不同的适应度函数,兼顾了集成精度和基分类器之间的差异性.仿真结果表明,该算法在计算精度方面相对于BPSO算法在解决SVM集成选择问题时有所提高.     

基于GAPSO混合算法的网格工作流调度研究

网格工作流调度关注大规模的资源和任务调度,是一个复杂且具有挑战性的问题,它影响着网格工作流执行成功与否以及效率的高低。提出了基于遗传粒子群(GAPSO)的混合算法,引用了特殊的适应度函数,设定了动态的交叉和变异概率,并提出了动态切换算法的方法。结合各自算法的优势,在算法运行初期利用遗传算法的全局搜索能力进行优化搜索,在后期利用粒子群较强的局部搜索能力加快收敛速度。仿真结果表明该算法在执行时间方面有一定的优越性,能更有效地解决网格工作流调度问题。     

基于混合算法的配电网重构研究

配电网重构的目的在于对电力网络结构的优化.以网络损耗为目标函数,利用配电网开环运行的特点,构建了一个节点数据存储矩阵,在迭代时更新矩阵,再用前推回代方法进行潮流计算.其次,为了弥补单一算法的缺陷,在粒子群算法的基础上,引入遗传算法中的算子后,对粒子进行更新,以此混合求解配电网重构问题.最后,利用MATLAB对标准IEE...     

基于混沌粒子群算法的集成网络优化

为了改善集成RFID与WSNs网络中智能节点随机部署时的不合理分布,提高同时读取多个标签信息的能力,提出了基于混沌粒子群(CPSO)的集成网络优化算法,用于寻找智能节点的最佳位置。该最佳位置不仅要保证给定智能节点对标签的最大覆盖率,而且要使得集成网络分布合理。混沌粒子群算法利用了混沌运动遍历性、随机性等特点,对传统粒子群算法进行改进,摆脱了粒子群算法后期易陷入局部极值点的缺点,并保持了前期搜索的快速性。仿真结果表明,该算法比基本粒子群算法具有更好的优化效果,在保证智能节点有较高读取率的同时,也优化了集成网络资源的分布。     

混合型粒子群优化算法研究

为了改进粒子群算法的性能,提出了融合其他算法优点的混合型粒子群算法。对三种主流的混合粒子群优化算法(基因粒子群、免疫粒子群、混沌粒子群)分别从混合目的、混合方式、实现步骤、算法优化性能等多个方面进行了研究,给出了这三种混合粒子群算法的优缺点及适用范围。     

利用多群体PSO算法生成分类规则

本文通过对PSO算法模型和分类模型的分析,提出了应用多群体PSO算法实现分类规则的方法。这种方法将c（c≥2）类问题看成是c个两类问题,应用c个微粒群表示c类规则,每个微粒群应用PSO算法实现对连续变量空间的分类。最后,在五个数据集上的实验结果表明了此方法的可行性和有效性,并与C4.5算法的结果进行了比较。     

基于GA优化QPSO算法的文本聚类

针对量子行为粒子群优化算法中粒子搜索的盲目性以及初始聚类中心的选取对聚类结果的影响问题,提出了一种基于GA优化的QPSO聚类算法.该算法首先利用GA稳健的全局优化性能进行快速的粗略聚类,然后用GA的聚类结果初始化QPSO算法,以降低粒子群搜索的盲目性,从而提高QPSO算法的搜索效率.通过在Reuter-21578真实的文本数据集上实验,该算法在Fmeasure评价标准上获得了较高的查准率和查全率,从而验证了该聚类算法的有效性和可行性,可以在文本聚类领域推广应用.     

混合遗传算法在面向对象软件集成测试中的应用

提出了一种在面向对象软件集成测试中确定类间测试序列的混合遗传算法。该算法在基本遗传算法的基础之上增加局部搜索以增强局部搜索能力,以及使用缓冲池以减少运行时间。实验结果表明,该算法的性能优于现有的其他方法。     

基于PPGA-MBP的神经网络优化及其应用

多物种并行进化遗传算法应用于神经网络拓扑结构的设计,开辟了新的研究领域,论文提出伪并行(PPGA-MBP)混合遗传算法,结合改进的BP算法优化多层前馈神经网络的拓扑结构。算法采用实数编码来克服传统二进制编码的精度不足问题,并设计基于层次的杂交算子允许结构相异的个体杂交重组成新的个体,适应度函数更是综合考虑了均方误差、网络结构复杂度和网络的泛化能力等因素。实验证明取得了明显的优化效果,提高了神经网络的自适应能力和泛化能力,具有全局快速收敛的性能。论文还运用该算法建立了工业增产值经济预测网络模型,将网络预测值和多项式拟合值进行了对比分析。     

基于改进粒子群优化算法的BP预测模型

该论文提出了基于改进粒子群优化的BP算法. 在该算法中,通过对粒子群优化算法中的惯性权重的计算方法的改进,同时利用改进的PSO算法替代了BP算法中的梯度下降算法,使得改进后的算法具有不易与陷入局部极小等优点. 并将该算法利用在预测气温上,实验证明： 改进后的算法在预测模型上能够取得较好的预测效果,提高预测精度.     

基于混合遗传算法的订单生产调度在机车车辆行业中的应用

机车车辆行业作为典型的面向订单的机械制造企业,优化的生产调度方法能提高订单的准时交货,缩短产品的生产周期,提高企业的市场竞争力。订单生产调度问题是典型的NP-hard问题。遗传算法(Genetic Algorithms)为求具有多个约束的复杂问题提供了有效的方法。但是遗传算法的局部搜索能力比较差,在解决订单生产调度问题中存在着明显的不足。本文引入了局部搜索能力很强的禁忌搜索算法,用遗传算法和禁忌搜索算法相结合的混合遗传算法来解决机车车辆行业中面向订单生产调度问题。     

基于多模型组合的冷凝器中污垢预测

提出了一种基于多模型组合的冷凝器污垢预测新方法.该方法采用经验模型、自适应指数平滑模型、灰色模型、T―S模糊模型等多种模型预测污垢的增长,并通过遗传算法对模型参数、各模型输出之间的组合系数进行自适应滚动优化调整,以适应冷凝器水质及工况参数的动态变化,从而取得比单个预测模型更好的预测精度.试验结果表明:该方法短期污垢预测效果好,中长期污垢预测精度较高,是实现冷凝器污垢预测的有力工具.     

改进型PSO算法在VRP中的应用

运用罚函数法将约束优化问题转化为无约束优化问题,同时采用实数编码方案,将离散的车辆路径问题转化成准连续优化问题,在此基础上,用改进的粒子群优化算法求解最优值.改进的粒子群算法引入了杂交PSO模型和变异算子.仿真实验结果表明,该算法在保持粒子种群多样性、提高收敛速度和搜索精度、扩大搜索范围、避免过早收敛于局部极值点等方面...