基于Chebyshev映射的混沌粒子群融合FCM聚类算法

在PSO融合FCM实施聚类分析中,为克服PSO迭代后期易于发生早熟这一问题,选用Chebyshev映射产生混沌序列。在粒子群初始化时,使用该映射分别初始化各粒子位置和速度,同时,在粒子群算法各次迭代运行中,使用该映射计算惯性系数,并利用适应度方差判定粒子群算法是否发生早熟。若未发生早熟,则依基于混沌惯性系数粒子群搜索最优解,当发生早熟时,则按当前粒子群迄今为止搜索到的最优位置为起点进行混沌搜索,并用搜到的最优位置替换粒子群中最差粒子位置,进而将该混沌粒子群算法同FCM算法融合完成聚类分析任务。提出一种基于Chebyshev映射的混沌粒子群融合FCM均值聚类算法。实验结果显示该算法具有较好的寻优能力并提高了样本分类精度。     

一种多样性控制的粒子群优化算法

针对粒子群优化(PSO)算法的早熟收敛问题,提出一种新的基于群体多样性控制的PSO算法(DCPSO).该方法使得粒子在收缩状态下充分搜索,在发散状态下能够飞离群体的聚集位置,不断的收缩-发散过程保证了群体能在较大的空间进行搜索,减少了粒子群算法的早熟收敛现象.通过对多个标准测试函数的实验结果表明,DCPSO算法在复杂优化问题中具有较强的全局搜索能力,而且比现有的多样性指导的PSO算法(ARPSO)具有更好的性能.     

一种多样性控制的粒子群优化算法

针对粒子群优化(PSO)算法的早熟收敛问题,提出一种新的基于群体多样性控制的PSO算法(DCPSO).该方法使得粒子在收缩状态下充分搜索.在发散状态下能够飞离群体的聚集位置.不断的收缩-发散过程保证了群体能在较大的空间进行搜索,减少了粒子群算法的早熟收敛现象.通过对多个标准测试函数的实验结果表明,DCPSO算法在复杂优化问题中具有较强的全局搜索能力,而且比现有的多样性指导的PSO算法(ARPSO)具有更好的性能.

     

基于Tent映射的自适应混沌嵌入式粒子群算法

为避免粒子群算法后期出现早熟收敛,提出一种基于Tent映射的自适应混沌嵌入式粒子群算法。将混沌变量嵌入到标准粒子群算法中,且对参数进行自适应调整。算法采用Tent映射生成的混沌序列来取代基本粒子群算法中的随机数,充分利用了混沌运动的随机性、遍历性和规律性;惯性权重和学习因子采用非线性的自适应调整策略;建立平均粒距与适应度方差相结合的早熟收敛判断机制,并且以混沌搜索的方式来跳出局部最优。测试函数仿真结果表明,该算法具有良好的全局搜索能力,寻优精度较高,鲁棒性好。     

基于函数变换的改进混沌粒子群优化*

粒子群在搜索过程中容易陷入局部而无法找到全局最优值,为了解决此早熟问题,提出基于函数变换的改进混沌粒子群优化算法。此方法将Logistic映射和改进的Tent映射引入到粒子群中代替随机数;将函数变换引入到粒子的速度、位置更新过程中以凸显全局最优值与局部极优值的差异,从而使粒子跳出局部极优值点,加细搜索进而找到全局最优值点。数值实验表明,基于函数变换的改进混沌粒子群在搜索时间和效率上要优于标准粒子群和基于Logistic映射的混沌粒子群。改进的算法是可行而有效的。     

基于群体适应度方差的自适应混沌粒子群算法*

已有的混沌粒子群算法多使用Logistic混沌映射,但Logistic混沌映射产生的混沌序列不够均匀,影响了混沌粒子群算法的性能。提出在混沌粒子群算法中引入均匀性更好的An混沌映射,利用An混沌映射初始化粒子群的位置和速度,并通过适应度方差的变化来自适应控制部分粒子进行混沌更新,来改善混沌粒子群算法的性能。数值仿真的结果表明,改进算法的收敛性和全局搜索能力都有所提高,能有效避免早熟收敛。     

基于逻辑自映射的变尺度混沌粒子群优化算法*

针对基本粒子群优化算法的早熟收敛问题,提出了一种基于逻辑自映射的变尺度混沌粒子群优化算法。该算法在粒子群优化算法每次寻优结束时,采用逻辑自映射函数产生混沌序列,在已搜索到的精英粒子附近尝试搜索更优解并动态收缩搜索范围,在防止算法过早陷入局部最优的同时提高了算法搜索的精度。仿真结果表明,新算法在寻优成功率和平均最优值方面有很大提高,在求解包括欺骗性函数和高维函数在内的多种函数优化问题方面具有良好的效果。     

一种改进的求解TSP混合粒子群优化算法

为解决粒子群算法在求解组合优化问题中存在的早熟性收敛和收敛速度慢等问题,将粒子群算法与局部搜索优化算法结合,可抑制粒子群算法早熟收敛问题,提高粒子群算法的收敛速度。通过建立有效的局部搜索优化算法所需借助的参照优化边集,提高了局部搜索优化算法的求解质量和求解效率。新的混合粒子群算法高效收敛于中小规模旅行商问题的全局最优解,实验表明改进的混合粒子群算法是有效的。     

基于自适应混沌粒子群优化的防空目标分配

粒子群优化算法存在早熟收敛和搜索精度较低的问题.为此,提出一种基于自适应混沌粒子群的优化算法.采用自适应权重和遗传算法中的交叉、变异操作更新粒子群,增加种群粒子的多样性,运用早熟判断机制判断粒子的当前状态,当粒子处于早熟状态时,利用混沌搜索的方法引导群体快速跳出局部最优.仿真结果表明,该算法可以有效解决粒子群算法的早熟问题,提高搜索精度和收敛速度.     

新型分阶段粒子群优化算法

针对粒子群优化算法的“早熟”问题,提出了一种新型分阶段粒子群优化算法。该算法通过调整惯性权重和加速系数使粒子自组织地跟踪局部吸引域和全局吸引域来扩大粒子的搜索空间和提高粒子的收敛精度,同时根据粒子处于不同的阶段实施相应的变异策略来增加种群的多样性。通过经典函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟问题。     

一种自适应粒子群算法在云资源调度中的应用

通过资源调度优化提升云计算的效率并降低数据中心能耗是云计算领域的主要研究内容之一。粒子群算法常用于解决资源调度问题,然而粒子群算法在云计算资源调度应用中算法初期收敛速度快,后期收敛速度缓慢,易陷入局部寻优。本文提出了一种自适应改进的粒子群算法用于云计算资源调度问题的研究,该算法通过自适应改进粒子的个体学习因子和社会学习因子,以提高算法的全局探索能力,使得粒子逼近更优解。实验结果表明：本文提出的自适应粒子群算法不仅具备良好的收敛性和全局寻优能力,同时能够大幅度降低云资源调度中任务队列的总完成时间。     

位置加权的改进粒子群算法

针对基本粒子群算法具有后期收敛速度慢、容易陷入局部极值等缺陷,通过考虑粒子的位置之间的加权作用,对基本粒子群算法进行了改进,提出了一种位置加权的粒子群算法以减小搜索过程中的盲目性。测试函数结果表明,算法的收敛性以及收敛速度与粒子群算法位置加权因子有很大关系,通过选择合适的加权因子能有效提高算法的计算效率,算法适用于地球物理优化领域的波动方程反问题。     

改进PSO算法的性能分析与研究*

分析了粒子群优化(PSO)算法的进化式,针对其容易发生早熟、收敛速度慢、后期搜索性能和个体寻优能力降低等缺点,结合遗传算法的思想,提出一种新的混合PSO算法——遗传PSO(GAPSO)。该算法是在PSO算法的更新过程中,对粒子速度引入遗传算法的变异操作,对粒子位置引入遗传算法交叉操作。对速度的变异降低了算法后期因种群过于密集而陷入局部最优的可能,对位置的交叉使得父代中优良个体的基因能够更好地遗传给下一代,从而得到更优、更多样化的后代,加快进化过程,提高了收敛速度和群体搜索性能。选取了其他几种典型的改进PS     

基于BP网络与改进的PSO算法的入侵检测研究

本文针对入侵检测系统中的误检率,提出了一种将BP网络和改进的PSO算法相结合的方法。该方法基于BP网络算法的局部精确搜索和改进的PSO算法的全局搜索的特性,并且用改进的PSO算法优化BP网络的权值、阈值,克服BP网络算法易陷入局部极值的弊端。在入侵检测系统中应用该网络结构,能准确地发现已知的攻击行为,并能进一步预测新的攻击行为,减少了入侵事件的漏报和误报。通过KDD99 CUP数据集进行仿真实验,与基于PSO-BP算法、传统的BP算法的入侵检测系统相比较,表明改进的PSO-BP算法的迭代次数较少、收敛速度快、检测率高,有一定的有效性。     

基于改进PSO算法的BP神经网络的应用研究

为了克服粒子群优化算法本身存在的早熟和局部收敛的固有问题,在描述了BP神经网络的基本结构的基础上,介绍了粒子群优化算法（PS0）的基本概念,并通过对二者优缺点的分析与比较,结合二者的优势,将粒子矢量位移应用到PS0算法中,并在此基础上,用改进的PS0算法对BP网络进行训练,还利用某商场的部分消费数据进行了实验。结果表明,基于改进的PS0算法的BP网络在收敛速度和精度上都比基于传统的PSO算法好。     

基于空间缩放和吸引子的粒子群优化算法

为解决粒子群优化(Particle Swarm Optimization,PSO)算法中粒子越界、算法进化后期收敛速度慢和早熟收敛的问题,通过分析PSO算法中粒子运动行为和算法稳定性,提出了一种基于空间缩放和吸引子的粒子群优化(PSO with search space zoomed factor and attrac...     

基于多目标粒子群优化的虚拟网络映射算法

在虚拟网络映射中,多数研究只考虑一个映射目标,不能体现多方的利益。为此,将多目标算法和粒子群算法结合,提出了一种基于多目标粒子群优化（PSO）的虚拟网络映射算法（VNE-MOPSO）。首先,在基本的粒子群算法中引入交叉算子,扩大了种群优化的搜索空间;其次,在多目标优化算法中引入非支配排序、拥挤距离排序,从而加快种群的收敛;最后,以同时最小化成本和节点负载均衡度为虚拟网络映射目标函数,采用多目标粒子群优化算法求解虚拟网络映射问题（VNMP）。实验结果表明,采用该算法求解虚拟网络映射问题,在网络请求接受率、平均成本、平均节点负载均衡度、基础设施提供商的收益等方面具有优势。     

基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题,提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明：与传统BP模型和标准PSO-BP模型相比,基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。     

基于趋化校正的哈里斯鹰优化算法

针对哈里斯鹰优化（HHO）算法收敛速度慢、易陷入局部最优的缺点,提出了一种改进HHO算法,即基于趋化校正（CC）的哈里斯鹰优化（CC-HHO）算法。首先,通过计算最优解下降率和变化权重来识别收敛曲线的状态;其次,将细菌觅食优化（BFO）算法的CC机制引入局部搜索阶段来提高寻优的精确性;再次,将生物在运动时的能量消耗规律融入逃逸能量因子和跳跃距离的更新过程中,从而更好地平衡算法的探索与开发;然后,对最优解和次优解的不同组合进行精英选择来拓展算法全局搜索的广泛性;最后,当搜索陷入局部最优时,通过对逃逸能量施加扰动来实现强制跳出。通过10个基准函数对改进算法的性能进行测试,结果显示CC-HHO算法对单峰函数的搜索精度比引力搜索算法（GSA）、粒子群优化（PSO）算法、鲸优化算法（WOA）以及另外4种改进的HHO算法提升超过10个数量级;对多峰函数也有超过1个数量级的优势;在保证搜索稳定性平均提升超过10%的前提下,所提算法的收敛速度明显优于上述几种优化算法,收敛趋势更加明显。实验结果表明,CC-HHO算法有效地提高了原算法的搜索效率和鲁棒性。     

基于WFPSO算法的云虚拟机放置策略

随着云计算技术的大规模应用,云应用的交互更加依赖于网络,较差网络拓扑的选择,增加了应用在网络中的通信流量,严重影响应用的运行效率和服务质量。为解决此问题,提出了一种基于粒子群优化算法的虚拟机放置策略。该策略通过建立云环境内部时延模型,利用改进的粒子群优化算法求解目标函数,来降低应用的时延,提高运行效率。并在CloudSim平台上进行仿真实验,实验结果表明,该策略的响应时间低于基本粒子群优化算法（PSO）,并且修改后的PSO算法在不影响收敛精度的前提下较大幅度地提高粒子群算法的收敛速度,提高了云环境中应用的运行效率。