分层协同进化免疫算法及其在TSP问题中的应用

为提高人工免疫算法求解TSP问题的效率,借鉴分层和协同进化的思想,构造了一种基于多子种群免疫进化的两层框架模型,在此模型的基础上提出了一种基于竞争一合作的分层协同进化免疫算法(Hierarchical Co-evolution Immune Algorithm,HCIA).HCIA通过对若干个子种群进行低层免疫操作:局...     

基于自适应协同进化粒子群算法的虚拟网节能映射研究

该文针对虚拟网节能映射问题提出自适应的协同进化粒子群算法。首先,为虚拟网节能映射问题设置了聚合度,该聚合度被用于自适应地选择粒子的搜索方式,即随机搜索、种内搜索或种外搜索。其次,根据粒子群的进化结果,自适应地确定是否终止对子群的搜索。最后,在常用的测试环境下进行了仿真实验,对映射的能耗效果对比了结果,实验结果表明了所提算法的高效性。     

改进PSO算法在图像配准中的应用

图像配准是目前图像处理中的热点,很大程度上因为它是图像融合的前提,具有重要的研究价值.粒子群算法是一种基于群体搜索策略的自适应随机算法,由于该算法实现简单、参数较少等特点被广泛使用.针对标准PSO易陷于局部最优的问题,对标准PSO进行了改进.实验过程中,参考图像和浮动图像的相似性测度采用的是峰值信噪比(PSNR).通过实验结果对比,改进后的算法由于克服了容易陷入局部最优解的问题从而提高了配准精度.     

结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.     

混沌差分进化粒子群协同优化算法

为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.     

灰色神经网络在城市用水量预测中的应用

为解决传统BP神经网络在城市用水量预测中易陷入局部极小点等问题,将BP神经网络与灰色理论相结合,构建了灰色神经网络模型(GNNM),实现了二者的优势互补,并利用粒子群优化算法(PSO)对该模型的初始权值和阈值进行优化,形成了PSO-GNNM(1,N)算法.通过与传统BP神经网络、灰色理论预测法的预测结果相比较,该算法具有预测误差小、泛化能力强等优点,可为城市用水量的预测工作提供技术支持.     

PSO算法在物流配送车辆路径优化模型中的应用

物流配送中车辆路径优化问题是一类有实用价值的组合NP问题。粒子群算法是一种新出现的群智能优化方法,将其应用于车辆路径优化问题,构造车辆路径问题的粒子表达方法,建立此问题的粒子群算法,并与实际情况作了对比,结果表明,粒子群算法可以快速、有效的求得车辆路径问题的优化解,是求解车辆路径问题的一个较好方案。     

基于PSO?BP神经网络的短期负荷预测算法

提出一种短期负荷预测算法,用于解决对未来能耗周期能源使用的预测问题。首先介绍短期负荷特点,分析短期负荷运行规律,并采用零相滤波器对原始负荷曲线进行预处理,相除奇异点。其次,介绍BP神经网络基本结构,并针对BP神经网络容易陷入局部极小值的缺点,采用PSO算法确定网络训练初始权值。然后,设计一种基于PSO?BP神经网络的短期负荷预测算法,包括预滤波、训练样本集建立、神经网络输入/输出模式设计、神经网络结构确定等。最后,选择上海市武宁科技园区的电科商务大厦进行负荷预测,实验结果表明,与传统的BP神经网络相比,PSO?BP神经网络用于短期负荷预测算法的精度更高,预测负荷和实际负荷之间的平均绝对误差（MAE）小于1%。     

PSO及其优化算法在PID控制领域的应用研究

本文介绍了基本粒子群算法在PID控制领域的应用和实现方法,归纳了粒子群算法和遗传算法的结合在自动控制领域的研究现状和改进。最后介绍了PSO法在模糊PID控制器中的应用前景。     

中心粒子群优化算法

在线性递减权重粒子群优化算法(LDWPSO)中提到了中心粒子这一概念,进而提出了中心粒子群优化算法(中心PSO)。在线性递减权重粒子群优化算法中,中心粒子不像其它一般的粒子,中心粒子没有明确的速度,并且被始终置于粒子群的中心。此外,在神经网络训练算法中比较中心粒子群优化算法和线性递减权重粒子群优化算法,结果表明:中心粒子群优化算法的性能优于线性递减权重粒子群优化算法。     

基于粒子群优化的神经网络算法在辐射源特征聚类中的应用

战场辐射源识别已成为电子侦察和雷达威胁告警的基本要素,其关键技术之一——辐射源特征聚类算法的研究也显得日益重要。在分析常用误差反传（BP）网络算法对辐射源特征聚类的不足后,提出利用基于粒子群优化的神经网络算法对多特征参数进行聚类。通过比较该优化算法和传统BP网络算法在聚类正确率和收敛速度方面的差别,验证了基于粒子群优化的BP算法在辐射源特征聚类中相对于传统BP算法的优越性,仿真结果证明了该方法具有较好的实用价值。     

粒子群算法应用于机组组合问题的优化

粒子群算法(PSO)是新近发展起来的一种仿生算法,其以简单高效的特点获得了越来越广泛的应用。这里讨论了PSO在电力系统机组组合问题中的应用。首先介绍一种机组组合问题的数学建模方法,然后详细分析PSO算法的原理和方法,并应针对一些常用复杂函数做了测试分析。实验结果表明PSO算法在此数学模型中具有优良的性能。     

基于粒子群算法的预编码设计

针对多用户多输入多输出系统的下行链路传输,提出了一种基于粒子群算法的预编码设计方案。该方案首先通过理论分析,推导出错误符号概率的函数,该函数是将平均符号错误概率构造为预编码矩阵和各用户信道信息的函数,并以最小符号错误概率为判断准则。然后利用模拟鸟群觅食的粒子群方法对其进行优化搜索,得到最佳效果。理论分析与仿真结果表明,该方案性能比传统的预编码性能更优。     

混合粒子群和差分进化的定位算法

针对传统无线传感器网络(wireless sensor network,WSN)中节点定位精度不高的问题,提出了一种混合粒子群(particle swarm optimization,PSO)和差分进化优化(differential evolution,DE)算法。首先在PSO中引入惯性权重的自适应更新策略,以兼顾开发和勘探能力,在种群经过PSO进化后,然后根据提前设定的阈值,将其分为适应度值较大的Su种群和适应度值较小的In种群,In中的粒子使用DE算法继续优化。HPSO-DE算法结合PSO算法和DE算法的优点,达到较好的性能。然后用标准测试函数来检测该算法的性能,验证结果表明所提出的HPSO-DE在寻优速度和收敛精度较PSO和DE而言都有了较大提高。接下来将HPSO-DE方法应用到WSN网络节点定位场景上,从实验测试结果可以看出,其精度相比PSO平均提高了0.5 m左右,在定位上具有更大的优势。     

基于QPSO的模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法存在的缺点,利用量子粒子群优化(QPSO)算法的全局搜索能力,提出了一种新的聚类算法——基于量子粒子群优化的FCM聚类算法(QPSOFCM).QPSOFCM算法先对随机初始点利用QPSO进行优化,然后利用产生的中心点进行聚类,重复上述两步操作直至结果满意为止.新算法可以降低FCM算法对初始点的敏感度,一定程度上避免了FCM算法易陷入局部极优的缺陷.几组数据实验结果表明,与FCM和PSOFCM算法相比,提出的QPSOFCM算法聚类结果更可靠.     

基于改进的粒子群算法的二维阵列天线方向图综合技术

该文运用一种改进的粒子群优化算法对不等幅激励的矩形平面阵列天线的最大旁瓣电平进行了优化,采用对全局最优粒子微扰和跳变的惯性权重策略,并使用粒子群算法本身对参数组合进行了优化选择。新算法大大改善了优化速度和收敛精度。对二维阵列天线旁瓣电平优化和稀疏阵列方向图综合的良好结果也证明了该方法的有效性。     

基于自适应变异粒子群优化算法的自适应滤波器设计

本文提出了设计一种基于自适应变异粒子群优化算法的振动信号的自适应滤波模型，然后重点研究了自适应数字滤波器设计的粒子群优化算法及其实现步骤。该滤波模型在计算机仿真测试中，获得了很高的效率和良好的结果。     

基于粒子群优化的神经网络训练算法研究

本文提出了基于连接结构优化的粒子群优化算法(SPSO)用于神经网络训练,该算法在训练神经网络权值的同时优化其连接结构,删除冗余连接,使神经网络获得与模式分类问题匹配的信息处理能力.经SPSO训练的神经网络应用于Iris,Ionosphere以及Breast cancer模式分类问题,能够部分消除冗余分类参数及冗余连接结构对分类性能的影响.与BP算法及遗传算法比较,该算法在提高分类误差精度的同时可加快训练收敛的速度.仿真结果表明,SPSO是有效的神经网络训练算法.     

一种基于粒子群优化的稀疏恢复算法

稀疏恢复问题是目前国际数学与信息处理领域的一个研究热点,主要通过凸松弛法和贪婪追踪法两大类方法求解。但前者在恢复效率方面,后者在恢复能力方面都存在缺陷,而且两者都不能对高斯信号在较大的稀疏度下或在较小的观测度下获取有效的恢复。该文基于粒子群优化并结合了贪婪追踪法的思想,提出了一种新的稀疏恢复算法。数值实验表明,与其它方法相比,该文提出的算法不仅能获得更有效的恢复,而且在一般的稀疏度和观测度条件下运行速度较快。     

一种新的基于粒子群密度的聚类算法

提出了一种新的粒子群密度聚类算法和对粒子群的初始化方法。该算法具有传统粒子群算法寻找最优解的特点,同时从密度的角度考虑了数据总体的分布,增强了寻找局部最优解的能力,并通过对粒子群的初始化加快了粒子群的收敛速度,得到了更好的聚类效果。对仿真数据和IRIS真实数据的实验结果证明,该算法聚类效果优于传统粒子群聚类算法和K均值算法。