Non-inertial opposition-based particle swarm optimization with adaptive elite mutation

Non-inertia1 opposition-based partic1e swarm optimization with adaptive e1ite mutation（NOPSO）was proposed to overcome the drawbacks,such as,s1ow convergence speed,fa11ing into 1oca1 optimization,of opposition-based partic1e swarm optimization.In addition to increasing the diversity of popu1ation,two mechanisms were introduced to ba1ance the contradiction between exp1oration and exp1oitation during its iterations process.The first one was non-inertia1 ve1ocity（NIV）equation,which aimed to acce1erate the process of convergence of the a1gorithm via better access to and use of environmenta1 information.The second one was adaptive e1ite mutation strategy（AEM）,which aimed to avoid trap into 1oca1 optimum.Experimenta1 resu1ts show NOPSO a1gorithm has stronger competitive abi1ity compared with opposition-based partic1e swarm optimizations and its varieties in both ca1cu1ation accuracy and computation cost.     

基于线性递减系数粒子群优化算法的组卷实现

为了避免目前常用的组卷算法组卷时间长、程序结构复杂、收敛速度慢等缺陷,提出基于线性递减系数粒子群优化算法的组卷策略。通过调整惯性系数,使得步长较小,惯性权系数的变化幅度小,这种减小趋势较为缓慢的方法能够避免陷入局部最优。并对数学模型以及线性递减惯性权系数进行了理论设计,同时通过编程实现了该算法。测试结果表明加入线性递减系数后运算迭代次数明显减少,证明加入线性递减系数后的组卷策略收敛性好,能够高效准确地按照一定的预期条件进行组卷,符合预期要求。     

一种动态分群的自适应粒子群优化算法

粒子群优化算法是模拟鸟类觅食行为思想的随机搜索算法,主要是通过迭代寻找最优解。将粒子随机初始化改进为固定初始化,并将动态分群思想引入粒子群优化算法将整个种群划分为三个子群,根据不同群中粒子的情况自适应地选择惯性权重,以此提高粒子的搜索能力。仿真实验结果表明,该方法大大提高了搜索过程中粒子的多样性,避免粒子陷入局部最优,提高了求解的速度和精度。     

粒子群算法的可视化在MATLAB下的实现

粒子群算法是一种新型的仿生优化算法,由于收敛速度快、参数设置少、实现简单,在很多领域得到应用。以标准粒子群算法为例,首先描述了粒子群算法的工作原理,然后给出了该算法在MATLAB中实现的详细步骤,并实现了二、三维粒子的可视化。可视化实现不但能够使粒子群算法更容易理解,同时也能更深入的理解粒子群算法的运行原理,为进一步的深入研究、改进及推广应用提供了理论与实践基础。     

自适应的分数阶达尔文粒子群优化算法

针对分数阶达尔文粒子群算法收敛性能依赖于分数阶次α,易陷入局部最优的特点,提出了一种自适应的分数阶达尔文粒子群优化（AFO-DPSO）算法,利用粒子的位置和速度信息来动态调整分数阶次α,并引入自适应的加速系数控制策略和变异处理机制,以获取更优的收敛性能。对几种典型函数的测试结果表明,相比于现有的粒子群算法,所提的AFO-DPSO算法的搜索精度、收敛速度和稳定性都有了显著提高,全局寻优能力得到了进一步提高。     

ACPSO—SVR结合的非线性建模预测算法研究

提出一种基于自适应混沌粒子群优化和支持向量机结合的非线性预测建模算法（ACPSO—SVR）,引入ACPSO启发式寻优机制对SVR模型的超参数进行自动选取,在超参数取值范围变化较大的情况下,效果明显优于网格式搜索算法。选取UCI机器学习数据库中的Forestfires标准数据集进行测试,实验结果表明该方法具有较高的精度和良好的泛化能力．对于解决多变量的回归预测问题是一种有效的方法。最后给出了混合算法在碳一多相催化领域的两种典型应用．在反应动力学模型未知的情况下建立催化剂组份模型和操作条件模型,以及基于混合算法的最优催化剂设计框架。     

空间映射粒子群算法用于电磁优化计算

将粒子群算法与空间映射算法相结合,提出了一种空间映射粒子群优化算法,并用于电磁问题的优化计算.算法实现过程中,将电磁仿真计算中精确网格剖分的计算模型作为精确模型,将粗糙网格剖分计算模型作为粗糙模型,在粒子群算法中计算粒子适应度前,使用粗糙模型结合基于卡尔曼滤波的映射关系,估计出粒子是否对算法最优解更新有效,并对有效的部分粒子做适应度计算,可以很大程度上减少算法的计算耗时.通过E型贴片天线和谐振腔缝隙天线的优化仿真说明了本算法的有效性.     

一种参数自适应调整和边界约束的粒子群算法

粒子群优化算法的核心思想是每个粒子根据自己和周围粒子的"信息共享"寻优,达到全空间搜索最优解的目的。收敛速度快,全局寻优能力强。针对基本粒子群算法寻优精度较低,结果易发散的缺点,提出了一种参数自适应调整和边界条件约束的粒子群算法,惯性权重,学习因子随着迭代过程线性递加或递减,从而在算法初期个体能搜索整个空间,后期能够朝着全局最优值收敛而找到全局最优值。同时设置粒子边界条件约束,保证算法寻优解的准确性。理论分析和数值仿真结果表明了所设计方法的高效性,在保证算法效率的前提下,有效地提高了算法的寻优精度。     

带惯性权重的粒子群优化算法性能仿真

粒子群优化算法是一种随机搜索算法,并能以较大概率收敛到全局最优,微粒群算法中关键参数的选择方法对算法特性有显著影响.文中针对微粒群算法中的加速常数、惯性权重、取值范围、种群规模的设置对算法基本性能的影响进行了分析.实验结果证明:选择适合的参数设置水平,能够获得稳健和高效的优化效果.     

Research of stochastic weight strategy for extended particle swarm optimizer

To improve the performance of extended particle swarm optimizer, a novel means of stochastic weight deployment is proposed for the iterative equation of velocity updation. In this scheme, one of the weights is specified to a random number within the range of [0, 1] and the other two remain constant configurations. The simulations show that this weight strategy outperforms the previous deterministic approach with respect to success rate and convergence speed. The experiments also reveal that if the weight for global best neighbor is specified to a stochastic number, extended particle swarm optimizer achieves high and robust performance on the given multi-modal function.     

Dynamic adaptive discrete particle swarm optimization algorithm based method on low-power mapping in network-on-chip

Compared to 2D NoC, 3D NoC has better integrated density and system performance, which was a reliable method to solve the problem about low-power mapping. On the basis of the traditional particle swarm optimization algo-rithm (PSOA), a dynamic adaptive discrete particle swarm optimization algorithm (DADPSOA) was proposed . Parame-ter in this algorithm was adjusted dynamically based on the degree of early convergence and the charge of individual adap-tive value to approach the optimal solution. At the same time, the reasonable structure of the particles was made aiming at reducing the time complexity of this algorithm. Experimental results show that comparing with the random mapping, genetic algorithm (GA), PSOA and dynamic ant colony algorithm (DACA), DADPSOA can save the execution time, reduce the communication power consumption of mapping results. The power consumption of the task graph is reduced.     

Fuzzy particle swarm algorithm for function optimization

在传统粒子群算法的基础上运用模糊规则表加入了新的扰动因子,提出了一种新的算法--模糊粒子群算法。算法结合了模糊控制器中输入输出的模糊化处理和粒子群寻优的特点,为实际问题提供了新的解决手段。将模糊粒子群算法应用于函数优化的问题上,通过多组实例数据进行测试,验证表明了本算法具有良好的有效性和鲁棒性。     

一种改进的混沌粒子群优化算法

粒子群优化算法（PSO）自提出以来,已经被广泛地应用于求解各类复杂的优化问题,过去对粒子群算法的研究主要集中在融入新的优化方法或对其相关参数进行调整,但这样只会使得PSO更加复杂.针对这一问题,文中提出一种改进的混沌粒子群优化算法（ICPSO）,ICPSO从粒子群优化算法的时间与寻优实时角度出发（即在较短的时间内获得较好的解）,对粒子速度更新算子进行了简化,每隔一定代数后,在最优解邻近区域引入混沌扰动以避免种群陷入局部最优解.数值实验结果表明：提出的算法相对于文献给出的PSO改进算法,不仅能够获得较好的最优解,而且还具有较快的收敛速度和较好的稳定性.     

基于混沌优化的双种群量子粒子群算法

提出了一种基于混沌优化的双种群量子粒子群算法(BCQPSO)。算法利用混沌序列随机生成两个种群,在子种群中惯性权重分别采用不同的更新策略,并通过种群间的融合和变异进行信息交互,提高了算法的收敛速度和解空间的遍历范围。仿真实验结果表明,所提算法具有很好的搜索能力和优化效率。     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

基于小波变异本质粒子群和模糊熵的图像分割

针对本质粒子群(BBPSO)算法存在易陷入局部最优以及过早收敛的缺点,提出了一种基于小波变异(WM)BBPSO(WMBBPSO)和模糊熵的图像分割算法,利用WMBBPSO搜索使图像模糊熵最大的参数值,得到模糊参数的最优组合,进而确定图像的分割阈值。通过与其它两种BBPSO算法的分割结果比较表明,该算法取得了令人满意的分割结果,算法运算时间较小,能够满足对煤尘浓度实时精确测量的要求。     

微粒群优化算法在协同建筑设计中的应用

介绍了群体智能的特点、算法以及基于群体智能的多agent协同设计系统模型。重点介绍微粒群优化算法的原理,工作流程。最后,以一个建筑外观设计为实例,介绍了算法在协同建筑设计组装过程中的应用。     

Cognitive radio adaptation using particle swarm optimization

One of the basic capabilities of cognitive radio is to adapt the radio parameters according to the changing environment and user needs. This paper proposes a new adaptation method which uses particle swarm optimization (PSO) to optimize cognitive radio parameters given a set of objectives. The procedure of the proposed method is presented and multicarrier system is used for simulation analysis. Experimental results show that the proposed method performs far better than genetic algorithm (GA)‐based adaptation method in terms of convergence speed, converged fitness values, and stability. The proposed method can also provide the tradeoffs of the objective functions, and the resulting parameter configuration is consistent with the weights of the objective functions. Copyright © 2008 John Wiley & Sons, Ltd.     

基于VB和Access的温度采集系统的设计与实现

针对函数优化问题,提出了一种基于离差平方和法的粒子群优化算法。该算法用混沌序列初始化粒子的位置和速度,选择好于粒子群优化算法产生的粒子位置。通过离差平方和法进行聚类,利用分类方式来更新粒子的速度。最后将算法应用到3个典型的函数优化问题中,数值结果比较表明,提高了算法搜索能力,全局最优解的精度和收敛速度。     

基于粒子群算法的车间作业调度问题

通过对车间调度问题的描述,针对传统算法寻优效率低的弱点,提出了一种基于粒子群算法的车间作业调度问题的解决方案.对粒子群算法的基本原理进行了阐述,并对粒子群算法的编码、参数的选择以及解码进行了研究,以最小化最大流程时间作为评价算法的性能指标,将其用于编程求解典型调度问题.仿真结果表明,粒子群算法在求解车间作业调度的应用上是十分有效的.