混合粒子群算法优化BPNN在模拟电路故障诊断中的应用

针对模拟电路的软故障,提出一种基于混合粒子群算法的BP网络方法来诊断模拟电路中的故障。该方法是把遗传算法和粒子群算法结合起来优化BP网络的权值和阈值,试图解决传统的BP网络在模拟电路故障诊断过程中易陷入局部最小的问题。详细阐述了该算法的实现,给出了该算法的详细流程图,并通过仿真实例比较了传统BP网络与混合粒子群算法优化下的BP网络在故障诊断中的表现,给出了实验实例仿真结果的图形和数据表格。由仿真图形和数据表格,形象直观地看出了两种算法运用在模拟电路故障诊断中的差别,验证了混合粒子群算法优化BP网络在模拟电路故障诊断中的有效性及可行性。     

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。     

基于PSO信息传递模式的混合算法

粒子群优化算法（Particle Swarm Optimization,PSO）是一种基于群智能（Swarm Intelligence）的随机优化计算技术。PSO和遗传算法这两种算法相比较,PSO收敛快速准确,但编码形式单一,局限于解决实优化问题,而遗传算法编码形式灵活,解决问题广泛,但执行效率低于PS00。将粒子群算法的信息传递模式与遗传算法的编码和遗传操作相结合,提出一种混合算法。并推导了两个算法之间的密切联系。并通过组合优化和函数优化的基准测试集对算法进行测试,试验结果表明,该算法在收敛精度和速度优于传统遗传算法。同时,也观察到该算法取得了与粒子群算法一致的收敛现象。     

一种保持PSO与GA独立性的混合优化算法

提出了一种基于粒子群和遗传算法的新混合算法。该算法首先将样本集分为N组,每一组分别进行不同参数的粒子群或遗传运算,在每一步的迭代中选取了粒子群算法和遗传算法的最优值作为全局最优,使每一步的迭代都优于单一的PSO和GA算法,进而提高了算法整体的性能。与其他混合最优化算法不同的是,该算法没有破坏粒子群和遗传算法的独立性,而是仅通过全局最优样本把两个算法结合在一起。在经典测试函数的仿真实验中,新算法表现了更好的寻优性能及寻优稳定性。     

基于遗传微粒群混合算法的灰度图像增强

文中提出了一种基于遗传算法和微粒群算法的混合算法,该算法兼有遗传算法和微粒群算法的优点.混合算法以微粒群算法为主体,同时应用遗传算子操作来优化参数搜索,并引进了摒弃因子来调整微粒的随机性,最终得到最优值.本算法中交叉和变异算子采用了概率自适应策略,微粒群算法使用了动态惯性因子来控制微粒的速度更新.通过对标准试验函数的测试,与标准遗传算法及微粒群算法的结果比较,证明了该混合算法的有效性,并应用于图像增强处理,获得了较为满意的结果.     

一种新型粒子群改进遗传算法

传统优化算法均存在各种局限,无法同时满足性能优良算法的几个标准:不容易陷入局部最优解、收敛速度较快、具有框架性及可结合性。在传统粒子群与遗传算法的基础上,结合其他常用算法,提出一种新型混合智能优化算法——粒子群改进遗传算法。该算法在变异环节、交叉环节、淘汰环节中引入许多其他算法的优点加以改进。最后,通过修正某控制系统的控制参数验证了新算法相对于传统单一优化算法的先进性。     

基于粒子群优化和遗传算法的协同聚类算法

为充分发挥粒子群优化算法和遗传算法各自的优势,提出一种新的基于粒子群和遗传算法的协同进化算法,并将其应用于聚类分析。通过构建2个相互竞争的种群,采用相对适应度度量方法,在一个纯自举的过程中产生最优竞争个体。在现实世界数据集上的仿真实验表明,该算法在收敛精度方面优于基于遗传算法的聚类方法和基本粒子群优化聚类算法。     

一种基于粒子群算法的色彩量化方案

为提高色彩量化算法的效率,基于求解实优化问题时粒子群算法优于遗传算法这一事实,在基于遗传算法的色彩量化算法的基础上,设计了相应的适应度函数,给出了一种基于粒子群算法的色彩量化方案,并通过量化实例对算法的性能进行了比较。实验结果显示,基于粒子群优化算法的色彩量化方法在收敛速度方面明显优于基于遗传算法的色彩量化方法。     

基于粒子群优化算法的聚类分析

基于求解实优化问题时粒子群算法优于遗传算法这一事实,在基于遗传算法的K-均值聚类算法的基础上,给出了一种摹于粒子群优化算法的聚类方法。实验结果显示,基于粒子群优化算法的聚类方法在收敛速度方面明显优于基于遗传算法的聚类方法。     

解决约束三维装箱问题的混合粒子群算法

针对约束条件下三维装箱问题复杂性,为提高装箱利用率,本文提出了混合粒子群算法,该算法采用BF启发式算法配合改进的自适应权重粒子群算法实现。通过仿真试验,结果表明该混合粒子群算法对解决部分约束条件下装箱问题较之传统研究遗传算法利用率和准确率更高,具有不同程度的可行性。     

基于改进粒子群优化的无线传感器网络定位算法

无线电干涉定位系统获取的干涉距离是4个传感器节点间距离的线性组合值.针对以两个节点间距离作为输入的传统定位算法无法直接利用上述干涉距离进行定位的问题,提出一种基于改进粒子群优化的定位方法.利用干涉距离的实验数据,分析比较了遗传算法和改进粒子群优化在无线传感器网络节点定位问题中的性能.结果表明,基于改进粒子群优化的定位方法的平均耗费时间远远小于基于遗传算法的定位方法,具有更高的优化效率.     

Application of metaheuristics-based clustering algorithm to item assignment in a synchronized zone order picking system

Warehousing management policy is a crucial issue in logistic management. It must be managed effectively and efficiently to reduce the production cost as well as the customer satisfaction. Synchronized zoning system is a warehousing management policy which aims to increase the warehouse utilization and customer satisfaction by reducing the customer waiting time. This policy divides a warehouse into several zones where each zone has its own picker who can work simultaneously. Herein, item assignment plays an important role since it influences the order processing performance. This study proposes an application of metaheuristic algorithms, namely particle swarm optimization (PSO) and genetic algorithm (GA), for item assignment in synchronized zoning system. The original PSO and GA algorithms are modified so that it is suitable for solving item assignment problem. The datasets with different sizes are used for method validation. Results obtained by PSO and GA are then compared with the result of an existing algorithm. The experimental results showed that PSO and GA can perform better than the existing algorithm. These results also show that PSO has better performance than GA, especially for bigger problems. It proves that item assignment policy obtained by PSO and GA has higher utilization rates than the existing algorithm.     

基于广义遗传粒子群优化算法的供应链优化求解

供应链优化研究是供应链管理中的一个重要问题,也是一个难题,首先提出了一个新型供应链优化模型,针对该优化问题的求解,构造了融入特殊自然演化规则的广义遗传算法(GA),并且与粒子群优化结合,得到了广义遗传粒子群优化算法,克服了粒子群优化算法局部收敛的缺陷,提高了其全局收敛的能力。实验表明,对供应链优化问题的求解,广义遗传粒子群优化算法优于传统的遗传算法、粒子群优化算法和分枝界定法。     

基于粒子群优化和支持向量机的花粉浓度预测模型

为了提高花粉浓度预报的准确率，解决现有花粉浓度预报准确率不高的问题，提出了一种基于粒子群优化（PSO）算法和支持向量机（SVM）的花粉浓度预报模型。首先，综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素，选择与花粉浓度相关性较强的气象要素构成特征向量；其次，利用特征向量与花粉浓度数据建立SVM预测模型，并使用PSO算法找出最优参数；然后利用最优参数优化花粉浓度预测模型；最后，使用优化后的模型对花粉未来24 h浓度进行预测，并与未优化的SVM、多元线性回归法（MLR）、反向神经网络（BPNN）作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明，相比其他预报方法，所提方法能有效提高花粉浓度未来24 h预测精度，并具有较高的泛化能力。     

面向特征选择问题的协同演化方法

特征选择技术是机器学习和数据挖掘任务的关键预处理技术。传统贪婪式特征选择方法仅考虑本轮最佳特征,从而导致获取的特征子集仅为局部最优,无法获得最优或者近似最优的特征集合。进化搜索方式则有效地对特征空间进行搜索,然而不同的进化算法在搜索过程中存在自身的局限。本文吸取遗传算法（GA）和粒子群优化算法（PSO）的进化优势,以信息熵度量为评价,通过协同演化的方式获取最终特征子集。并提出适用于特征选择问题特有的比特率交叉算子和信息交换策略。实验结果显示,遗传算法和粒子群协同进化（GA-PSO）在进化搜索特征子集的能力和具体分类学习任务上都优于单独的演化搜索方式。进化搜索提供的组合判断能力优于贪婪式特征选择方法。     

A genetic algorithm and a particle swarm optimizer hybridized with Nelder–Mead simplex search

This paper integrates Nelder–Mead simplex search method (NM) with genetic algorithm (GA) and particle swarm optimization (PSO), respectively, in an attempt to locate the global optimal solutions for the nonlinear continuous variable functions mainly focusing on response surface methodology (RSM). Both the hybrid NM–GA and NM–PSO algorithms incorporate concepts from the NM, GA or PSO, which are readily to implement in practice and the computation of functional derivatives is not necessary. The hybrid methods were first illustrated through four test functions from the RSM literature and were compared with original NM, GA and PSO algorithms. In each test scheme, the effectiveness, efficiency and robustness of these methods were evaluated via associated performance statistics, and the proposed hybrid approaches prove to be very suitable for solving the optimization problems of RSM-type. The hybrid methods were then tested by ten difficult nonlinear continuous functions and were compared with the best known heuristics in the literature. The results show that both hybrid algorithms were able to reach the global optimum in all runs within a comparably computational expense.     

基于粒子群优化算法的Richards模型参数估计和算法有效性

针对Richards模型参数估计较为困难的实际问题,提出将Richards模型的参数估计问题转化为一个多维无约束函数优化问题。结合谷氨酸菌体的实际生长浓度数据,在Matlab 2012b环境中,利用粒子群优化（PSO）算法建立适应度函数,在最小线性二乘意义下估计Richards模型中的4个参数,并建立了拟合的生长曲线和最优值变化曲线。为进一步验证算法有效性,将PSO算法与该模型传统参数估计法中的四点法和遗传算法(GA)进行了比较,以相关指数和剩余标准差作为评价指标。结果表明,PSO算法对Richards模型的拟合效果良好,对模型的参数估计有着很好的适用性。     

融合遗传算法和关联规则的数据挖掘方法改进

提出了一种融合改进遗传算法(Genetic algorithm, GA)和关联规则的数据挖掘方法,首先将GA交叉算子和变异算子进行自适应改进,使其在迭代过程中能够根据函数适应度值自适应调节;然后将改进后的自适应GA融入到关联规则中,充分利用GA良好的全局搜索能力,提高处理海量数据关联规则的挖掘效率。为了避免无用规则,减少不相关性的存在,在此基础上融入亲密度以提高关联规则的可靠性。在Hadoop大数据平台上通过分析交通数据验证优化后的算法,与传统方法相比,该方法提高了算法的收敛速度和鲁棒性。     

基于Matlab与VB混合编程的流域降水预报系统

利用研究区获得的水文观测资料,采用模块开发和系统集成方式,研制了研究区流域降水预报系统。介绍了系统的体系结构、主要功能、运行情况及开发的关键技术。叙述了流域降水预报的各种预报方法,并建立了基于遗传算法的降水预报神经网络模型（GA-BP网络模型）。结果表明,GA-BP网络是一种精度较高的降水预报模型,提高预测精度,增长有效预见期。该系统能根据流域观测数据、高空数据、卫星云图、数值产品等数据,实现不同数据源的信息处理和不同时效的降水预报制作,为洪水预警预报和防洪决策服务。     

组合粗糙集和支持向量回归的船舶交通流预测

影响交通流变化的因素众多,为改进传统的船舶交通流预测精度不高,一种结合粗糙集和支持向量回归智能算法的交通流预测模型提出,通过ROSETTA软件进行属性约简预处理,筛选出影响交通流变化的关键影响因素,剔除冗余信息。筛选结果显示外轮进出艘次、对外贸易总额、港口GDP、集装箱标准箱、港口货物吞吐量为输入变量,运用Libsvm软件构建基于遗传算法参数寻优的支持向量回归模型预测2008年和2009年的交通流。算例结果表明,与BP神经网络和SVM模型相比,组合预测模型是有效和实用的预测工具。