云自适应粒子群优化算法在数值积分中的应用

为了提高传统自适应粒子群优化算法的鲁棒性,由X条件云发生器自适应调整粒子的惯性权重,提出云自适应粒子群优化算法。由于云滴具有随机性和稳定倾向性的特点,使得惯性权重既具有传统的趋向性,满足快速寻优能力,又具有随机性,有利于提高种群的多样性,提高了收敛速度。通过对求解任意函数数值积分的实验表明,该算法计算精度高、求解速度快,是求解数值积分的一种有效的方法。     

基于云自适应粒子群优化粒子滤波的视频目标跟踪

针对视频目标跟踪中遮挡问题处理不佳和快速运动目标易丢失的问题,提出一种云自适应PSO（CAPSO）优化粒子滤波的视频目标跟踪算法。算法利用粒子滤波预测目标区域在视频下一帧图像的位置,结合颜色直方图统计特性,引入CAPSO算法并根据粒子适应度值将粒子集分成三个子群,分别采用不同的惯性权重生成 策略,普通种群的惯性权重由X条件云发生器自适应地调整,利用云模型云滴的随机性和稳定倾向性特点,使惯性权重满足快速寻优能力又具有随机性。通过CAPSO优化,降低了粒子滤波重采样帧数,减少了算法的运算量,同时提高了搜索精度,能较好处理目标遮挡问题。并且CAPSO算法通过采用这三种不同的惯性权重生成策略,可自适应地平衡算法的全局和局部搜索能力来调节粒子的搜索范围,有效地解决了快速运动目标易丢失的问题。仿真实验结果表明,新算法对视频目标跟踪中的遮挡和快速运动目标易丢失的情况具有较好的实时性和准确性。     

一种采用云自适应粒子群算法的盲源分离

针对大多盲源分离算法全局收敛性能不理想,收敛速度慢的缺陷,借鉴自适应粒子群算法的思想,利用云模型中云滴的随机性和稳定倾向性特点,提出一种云理论的自适应粒子群(CAPSO)盲源分离算法,以分离信号的峭度为目标函数,用自适应调整策略把粒子群分为三个子群,根据云方法修改普通子群的惯性权重,使惯性权重随着适应度值自适应调整.仿真结果表明,改进算法能完成含噪信号分离,并且有效地避免了早熟收敛,较基本PSO提高了全局搜索能力和收敛速度,分离效果好.     

一种新的自适应动态文化粒子群优化算法

为了克服粒子群优化算法在解决复杂问题时易陷入局部最优的缺陷, 提出了一种新的自适应动态文化粒子群优化算法。该算法引入评价粒子群早熟收敛程度的指标来判断种群空间粒子群状态, 以确定影响函数对种群空间粒子群的作用时机, 当算法陷入局部最优时, 自适应地利用影响函数对种群空间进行变异更新, 从而有效发挥文化粒子群算法的双演化双促进机制。并且根据种群的早熟收敛程度自适应地调整粒子的惯性权重, 使种群在进化过程中始终保持惯性权重的多样性, 在算法的全局收敛性与收敛速度之间作一个很好的折中。最后对四个经典的测试函数进行仿真, 结果表明该算法具有很强的搜索能力, 收敛速度和收敛精度也有所提高。     

改进的云自适应粒子群优化算法

为了提高基本PSO算法搜索性能和个体寻优能力,加快收敛速度,提出一种新的云自适应粒子群优化算法（CPSO）。此算法利用云滴具有随机性、稳定倾向性等特点,结合不同粒子与全局最优点的距离动态变化的性质,提出云自适应调整算法用于计算惯性权重,并对新算法进行了描述。通过典型函数优化实验表明,该算法较基本PSO明显提高了全局搜索能力和收敛速度,改善了优化性能。     

基于云模型的粒子群优化算法在路径规划中的应用

利用罚函数将机器人路径规划有约束优化问题转换为无约束优化问题。利用云模型既有随机性又有稳定倾向性的特性,引入基于云模型理论的自适应参数策略,构造出一种改进的粒子群（PSO）算法,并应用于机器人路径规划问题。在不同的子群采用不同的惯性权重生成方法,有效地平衡了算法的局部和全局搜索能力,提高了种群的多样性和算法的收敛速度。仿真结果对比验证了该算法的可行性和有效性,且实现简单、收敛速度快。     

基于质心和自适应指数惯性权重改进的粒子群算法

针对标准粒子群优化算法易出现早熟收敛及寻优精度低等缺陷,提出一种基于双质心和自适应指数惯性权重的改进粒子群算法（DCAEPSO）。算法使用粒子搜到的最优解和当前解构造加权的种群质心和最优个体质心,结合使用自适应指数惯性权重调整了速度更新公式。通过几个典型测试函数仿真及Friedman和Holm检验,实验结果显示DCAEPSO比其他粒子群算法寻优能力强。     

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。     

基于云变异的云自适应粒子群算法

研究云粒子群优化算法问题,为了克服云粒子群优化算法易过早收敛的缺点和提高优化多峰函数的性能。提出了一种云变异的云自适应粒子群优化新算法,结合全局最优值和粒子适应度的比值体现出粒子优差的特点,利用正态云发生器自适应调整粒子个体惯性权重,并且对粒子位置进行了基于云模型的变异操作,合理的对粒子群各参数进行设置,典型测试函数仿真结果表明,改进优化算法能有效找出全局最优解,提高了收敛精度和收敛速度,且适宜于多峰值问题寻优,是一种可行而有效的优化方法。     

基于改进惯性权重的粒子群优化算法

惯性权重是粒子群算法中平衡全局搜索和局部搜索能力的重要参数,提出了一种基于改进惯性权重的粒子群优化算法。该算法在进化初期采用基于不同粒子不同维的动态自适应惯性权重策略,加快收敛速度,在进化后期采用线性递减权重策略,同时为防止陷入局优,适时引入混沌变异增加种群多样性。对5个典型测试函数的测试结果表明,NPSO在收敛速度、收敛精度、稳定性和全局搜索能力等方面比线性权重PSO(LDIWPSO)均有很大程度上的提高。     

基于云模型的PSO算法求解差异工件单机批调度问题

为了提高粒子群（PSO）算法的性能,提出一种基于云模型理论的改进PSO算法,并应用于差异工件单机批调度问题的求解。首先根据粒子的适应值把种群划分为三个子群,提出一种随机的位置和速度更新方法,来有效平衡算法的局部和全局搜索;然后引入基于云模型理论的自适应参数策略,不同的子群采用不同的惯性权重生成方法,提高种群的多样性和算法的收敛速度。实验比较结果验证了该算法的全局搜索性能。     

基于云模型改进的粒子群K均值聚类算法

研究粒子群K均值聚类算法问题,针对传统粒子群K均值算法容易陷入局部最优解,出现早熟收敛的缺点,提出一种基于云模型改进的粒子群K均值聚类算法．使用X条件云发生器自适应地调整粒子个体惯性权重的方法．保证惯性权重会逐渐减小而又不失随饥性。根据个体适应度的优劣将粒子群分为三个子群,在每次迭代时都保证仍有一个子群的粒子在进行全局搜索,避免算法陷入局部最优和早熟收敛。在典型数据集上的仿真结果表明,改进算法相比其他聚类算法得到较好的聚类准确率和较快的收敛速度,是一种行之有效的方法。     

融合隶属度函数的自适应惯性权重模式的粒子群优化算法

粒子群算法(Particle Swarm Optimization,PSO)的性能极大地依赖于其惯性权重参数的选择策略。当在一次迭代中更新粒子速度时,PSO忽略了粒子间的差异,在所有粒子上应用了相同的惯性权重。针对这一问题,提出一种自适应惯性权重的粒子群算法PSO-AIWA,有效合理地均衡PSO的全局搜索和局部搜索能力。根据当前粒子与全局最优粒子间的差异,算法可以通过基于粒子间距的隶属度函数动态调整粒子的惯性权重,使得每次迭代中,粒子可以根据当前状态在每个维度上的搜索空间内选择合适的惯性权重进行状态更新。在6种基准函数下进行了算法的性能测试,结果表明,与随机式惯性权重PSO算法与线性递减惯性权重PSO-LDIW算法相比,该算法可以获得更好的粒子分布和收敛性。     

结合双粒子群和K-means的混合文本聚类算法

传统K-means算法对初始聚类中心选择较敏感, 结果有可能收敛于一般次优解, 为些提出一种结合双粒子群和K-means的混合文本聚类算法。设计了自调整惯性权值策略, 根据最优适应度值的变化率动态调整惯性权值。两子群分别采用基于不同惯性权值策略的粒子群算法进化, 子代间及子代与父代信息交流, 共享最优粒子, 替换最劣粒子, 完成进化, 该算法命名为双粒子群算法。将能平衡全局与局部搜索能力的双粒子群算法与高效的K-means算法结合, 每个粒子是一组聚类中心, 类内离散度之和的倒数是适应度函数, 用K-means算法优化新生粒子, 即为结合双粒子群和K-means的混合文本聚类算法。实验结果表明, 该算法相对于K-means、PSO等文本聚类算法具有更强鲁棒性, 聚类效果也有明显的改善。     

改进的云自适应粒子群算法

为了提高粒子群算法的寻优速度和精度,提出一种改进的云自适应粒子群算法（MCAPSO）。算法中根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略和进化策略,普通子群粒子采用云自适应惯性权重,有效地调整了算法的全局与局部搜索能力。选取了五个基准函数进行测试,与其他PSO算法作了比较。仿真结果表明该方法是有效的。     

基于动态改变权重粒子群算法的球度误差评定

为了实现对球形工件球度误差的精确评定,在4 种球度误差评定数学模型 的基础上,对文献提供的两组数据采用一种动态改变权重的粒子群算法（PSO）进行计算, 这种算法在优化迭代过程中使惯性权重值随粒子的位置和目标函数的性质而更新。与基本 PSO 算法、最小二乘法、遗传算法和一种改进的PSO 算法进行了比较。实验结果显示,相 比其他方法,在最小包容区域法模型下使用动态改变权重粒子群算法得到的球度误差最小, 第1 组数据只需迭代30 代左右,约50ms 即可收敛,第2 组数据收敛也很迅速,且多次实 验显示其稳定性很高。因此,所提算法可精确快速地评价球度误差。     

多策略融合粒子群算法及其收敛性分析

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在实际运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种改进的粒子群算法。该算法采用多次随机初始化的策略初始种群位置,再对惯性权重引入随机因子,使其基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,提高算法的收敛精度,并证明其能以概率1全局收敛。为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及提出的改进算法在不同维度下进行测试比较。结果表明,该算法的寻优精度更高。     

云计算调度粒子群改进算法

云计算资源调度是云计算中一个关键且复杂的调度问题,需要考虑众多的因素.为减少任务完成时间,本文提出了一种云资源调度粒子群改进算法.首先,本文在惯性权重线性递减的基础上,加入了混沌随机数扰动,使惯性权重有概率的适度增加,以便于跳出局部搜索,进行全局搜索;其次,针对粒子群算法和蚁群算法都容易陷入局部最优的缺点,结合粒子群算法和蚁群算法的优化策略,提出了一种改进的混合优化策略.其仿真结果及实际算例测试结果表明,在相同条件下改进算法能够寻到更精确的解.     

一种基于均值的云自适应粒子群算法

本文基于云理论把粒子群分为三个种群,用云方法修改粒子群算法中惯性权重,同时修改速度更新公式中"认知部分"和"社会部分",引入"均值"的概念,提出了一种基于均值的云自适应粒子群算法。该方法的最大优点是克服了粒子群算法在迭代后期,当一些粒子的个体极值对应的适应度值与全局极值对应的适应度值相差明显时,不能收敛到最优解的缺点。数值实验结果表明,该算法经过较少的迭代次数,就能找到最优解,且平均运算时间减少,降低了算法的平均时间代价。     

云计算环境下基于可靠性感知的任务调度算法

针对云计算环境下并行任务易受资源失效的影响而无法完成,且动态提供云资源可靠性较低的问题,首先,引入失效恢复机制,由于在失效可恢复情况下资源失效规律动态变化,使用两参数Weibull分布对不同时段资源节点和通信链路失效规律的局部特征进行描述;然后,根据并行任务之间存在的各类交互关系分析,提出了一种基于变参数失效规则的资源可靠性评估模型;最后,将该模型并入粒子群算法得到基于可靠性感知的自适应惯性权重粒子群资源调度算法R PSO,从而在计算适应度时充分考虑备选资源的可靠程度。仿真实验结果表明,当选择了合适的失效恢复参数时,提出的R PSO算法能够大幅度提高云服务可靠性,且只会增加少量的额外失效恢复开销。