一种带交叉算子的改进的粒子群优化算法

针对粒子群优化算法(PSO)固有的缺点,在研究标准的粒子群优化算法理论的基础上,提出了一种带交叉因子的改进的粒子群优化算法(MPSO),以解决算法的早熟收敛问题。该算法在搜索过程中引入了交叉因子,增加了粒子的多样性,克服了标准粒子群优化算法易陷入局部极优点的不足,并且算法有较快的收敛速度。该算法有较强的收敛性,还可以引入变异算子。将改进后的算法运用常见的几个测试函数进行了寻优仿真,仿真结果验证了带交叉因子的粒子群算法的可行性和有效性。     

基于学习理论的改进粒子群优化算法

论文针对粒子群算法容易陷入局部最优的问题,提出基于学习理论的粒子群算法(L-PSO).该算法通过为粒子群全局最优粒子设定最大周期限制,使达到最大周期的全局最优粒子可以被取代,同时利用聚类的思想对粒子群进行分组,通过随机选择两个组中心,以一定概率进行交叉变异,生成竞争粒子并替换达到最大周期的全局最优粒子,能够较好地避免算法陷入局部最优,提高算法的收敛速度.在基准测试函数集上的测试结果表明该算法有效.     

基于差分进化的量子粒子群优化算法的研究

为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE -QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE -QPSO、QPSO和 粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.     

求解自动化药房储位优化问题的GA-PSO混合粒子群算法

通过对自动化药房快速发药系统的储位优化所受约束条件和目标函数的分析,基于静态存储理论,建立了该问题的数学模型,提出了利用GA-PSO混合粒子群算法来解决此问题.该算法引入了遗传算法的搜索机制形成初始粒子群,并引入"交叉"和"变异"的概念形成离散粒子群算法.在优化的过程中,采用精英策略和进化逆转操作提高了搜索能力和寻优速度.对陷入局部最优的粒子群进行变异,使粒子群在新的引导下改变方向,继续寻找问题最优解,从而避免了粒子重复收敛于一点的现象.仿真试验结果表明,该策略是有效的,在求解速度和求解质量上得到了很大提高.     

大型风力机主轴承故障信号提取方法

针对大型风力机主轴承易发生故障且特征信号难以提取的问题和传统盲分离算法计算量大、收敛性较差的缺点,提出了基于粒子群优化的盲源分离算法.算法根据负熵最大化判据,采用粒子群优化算法对盲源分离过程进行优化,且将该算法成功应用于某风场大型风力机主轴承故障信号的提取中.分析结果表明,该算法可有效分离大型风力机主轴承与其他部件的振动信号,与其他算法相比具有分离精度高、可靠性好等优点,对风力机主轴承的故障诊断十分有效.     

磷虾群优化的改进粒子滤波算法

标准的粒子滤波存在着权值退化问题,重采样可以解决权值退化问题,但也会带来样本贫化现象.为解决样本贫化问题,提出了一种利用磷虾群优化的改进粒子滤波算法.该算法结合粒子滤波的求解过程,以磷虾个体的诱导、觅食和随机扩散运动引导粒子向高似然区域移动.首先,将粒子滤波中粒子的状态值作为磷虾群的个体位置,从而将粒子的状态估计转化为磷虾群的寻优;其次,针对粒子滤波的特点,分析了磷虾算法中可以改进的参数,对磷虾算法中个体诱导、觅食运动的权值设计了新的动态更新策略,保证算法前期全局快速寻优后期局部精确寻优,同时为保持粒子的多样性,对磷虾个体进行遗传算法中的交叉操作,并设计了新的交叉概率更新公式;最后,在标准磷虾算法的基础上分析了改进算法的收敛性,并选用一种单静态非增长模型进行仿真试验. 仿真结果表明, 所提出的算法与标准粒子滤波以及粒子群、蝙蝠算法优化的粒子滤波相比具有更高的状态估计精度和更小的均方根误差,粒子的分布更合理.     

一种用于空间调制信号检测的改进粒子群算法

为提高空间调制系统信号检测算法的性能,提出基于粒子群的智能信号检测算法及其改进算法.利用粒子智能化搜索,实现信号高效检测;设计权重系数对传统速度更新公式进行修改,避免粒子群陷入局部收敛从而进一步提高算法的检测性能.通过对改进算法的收敛性和复杂度进行理论分析,并在不同天线数目和不同调制方式下对其误码性能进行仿真,仿真结果表明:与传统的粒子群算法相比,本文提出的改进算法具有计算复杂度低、误码率低、收敛快的优点,可作为空间调制接收机的有效备选算法.     

励磁涌流的参数化时频分析

在阐述励磁涌流信号的特征和参数化时频分析方法的基础上,运用遗传算法和粒子群算法对匹配追踪算法进行优化,对励磁涌流和故障电流进行了参数化时频分析。通过比较遗传算法和粒子群算法中的迭代次数对特征值获取的影响以及遗传算法和粒子群算法产生的结果,得出结论：（1）迭代次数增加,匹配追踪算法收敛速度增快;但进一步增加迭代次数,对算法收敛速度影响不大。（2）使用局部粒子群算法对匹配追踪算法进行优化,算法收敛速度较快。通过该分析方法得出的结论,将为使用模式识别对变压器励磁涌流和故障电流进行鉴别提供了依据。     

静态障碍物下的遍历多任务目标机器人路径规划

针对粒子群-遗传算法存在计算成本过高并且单一算法不能解决有障碍物存在的地图上遍历多任务目标点的移动机器人避障行走问题,提出一种分级粒子群、遗传和A*算法相结合的遍历多任务路径规划新方法.规划时,首先使用分级粒子群-遗传算法计算出执行任务的最优顺序,然后使用A*算法按照目标执行顺序进行无碰撞路径规划.该方法将遗传算法中的交叉、变异应用到粒子群算法中,提高粒子群算法的全局寻优能力和稳定性,并对粒子群进行了等级划分,不同等级的粒子在下次迭代中采用不同的操作.仿真实验证明:该算法能够规划出更优的任务目标执行顺序,并且同等目标情况下,相比于粒子群-遗传算法,迭代次数降低约25%,规划时间降低约10%.     

基于粒子群算法的Universum SVM参数选择

分类器的模型参数对分类结果有直接影响.针对引入无关样本的Universum SVM算法中模型参数选择问题,采用粒子群优化(particle swarm optimization,PSO)算法对其进行优化.该方法概念简单、计算效率高且受问题维数变化的影响较小,可实现对多个参数同时优选.此外,在PSO中粒子适应度函数的选择是一个关键问题.考虑k遍交叉验证法的估计无偏性,利用交叉验证误差作为评价粒子优劣的适应值.通过舌象样本数据实验,对参数优选前后测试样本识别正确率进行比较,实验结果验证了该算法的有效性.     

信号配时与交通设计协同优化

提出一种信号配时与交通几何设计、相位相序设计协同优化的思想。以太原市桃园路口为例进行分析设计,建立了以停车延误、停车次数和通行能力为目标的信号配时优化模型,采用罚函数粒子群优化算法（PSO）同时优化绿灯时间和信号周期,使二者达到最佳匹配。最后通过Vissim仿真的结果对比来验证此方法的合理性及有效性。     

基于相关向量机和模糊综合评价的路况预测模型

为了缓解交通拥堵、道路服务水平低、市民出行效率低等问题,提出基于相关向量机和模糊综合评价的路况预测模型. 利用遗传算法和粒子群算法作为参数寻优算法,优化组合核相关向量机. 基于Spark并行化参数寻优算法,提高模型的训练效率. 提出基于Spark并行化的遗传算法和粒子群算法,优化组合核相关向量机（SPGAPSO-CKRVM）. 使用SPGAPSO-CKRVM对车流量和车速进行预测,利用预测结果计算3个交通路况评价参数：平均车速、路段饱和度和交通流密度. 将3个参数输入到模糊综合评价模型中,通过熵值法确定高峰时段和平常时段的各指标权重系数,将路况划分为6个等级. 使用加拿大Whitemud Drive公路的真实数据进行验证,证明了该模型与传统方法相比具有更高的预测精度和扩展性,路况预测准确率达到90.28%.     

路网交通状态平衡控制方法

为了降低路网的拥挤度,提出了路网交通状态平衡控制方法。以交叉口最大饱和度代表交叉口交通状态,以路网最大饱和度最小为目标建立了路网交通状态平衡控制双层规划模型。利用遗传算法求解该规划模型,优化算法可以同时优化信号周期和各相位绿信比。考虑到整体延误、交通状态以及各个交叉口的重要度,对平衡控制方法进行了改进。数值模拟结果表明,本文方法可以在一定程度上降低关键区域的拥挤度。     

PSO算法在交叉口OD矩阵推算中的应用

针对由交叉口已知交通量推算OD矩阵时,当已知交通量数小于OD变量数时难以得到满意解的问题,提出了采用基于群智能技术改进的粒子群优化算法(Particle Swarm Optimization,简称PSO)来进行全局优化求解.论文设计了用粒子群算法求解交叉口OD矩阵推算模型的方法,确定了目标函数和终止条件,给出了具体的计算步骤及粒子群算子的选择,通过初始化粒子的速度和位置,不断送代更新直到搜索出全局最优值.最后用Matlab语言编程进行了仿真试验.仿真结果表明,该方法具有较高的效率和准确性.     

基于改进粒子群算法作业车间调度问题的优化

针对作业车间调度问题,提出一种基于自适应权重和混沌的改进粒子群优化算法。构建以机器加工时间最短为优化目标的多约束作业车间调度模型,采用基于工序排列的编码方式得到粒子参数与工序序列的映射关系;基于自适应权重改进粒子群算法中的惯性系数和加速因子,使得算法可以根据适应度值动态调整参数因子;采用反向学习策略改善种群初始解的质量;引入莱维飞行、变邻域搜索、混沌,增强了算法的搜索能力,避免陷入局部最优解。试验结果表明:改进粒子群算法可以有效地提高粒子利用率,平衡全局搜索与局部搜索能力,改善传统粒子群算法易早熟的缺点,得到更优的解。     

磁性材料成型烧结生产调度优化方法及应用

建立以最小化提前和拖期时间、最小化炉重偏差为目标的混合整数线性规划模型, 解决磁性材料成型-烧结两阶段生产调度问题. 提出一种混合粒子群优化算法(HPSO)进行模型的求解,该算法采用基于订单的编码方式. 针对粒子群算法易陷入局部最优, 在迭代过程中引入模拟退火思想. 改进粒子群算法的全局极值和个体极值选取方式, 使算法尽快收敛到非劣最优解. 生产现场实际数据仿真结果表明: 该混合粒子群算法无论在求解精度, 还是求解速度上均优于普通粒子群算法和遗传算法.     

Fast DSSS acquisition algorithm based on the match Fourier transform

Induced by Chip Effects and Doppler Effects, the accumulating performance of the Direct Sequence Spread Spectrum signal is limited under high dynamic and low signal noise ratio scenarios in near space. To circumvent this problem, a particle swarm fast discrete match Fourier transform based Double Block Zero Padding algorithm is proposed by compensating Chip Effects and Doppler Effects simultaneously. Further, the particle swarm optimization is employed to optimize the iteration of fast discrete match Fourier transforms. Both simulation and theoretical analysis show that the proposed algorithm can not only enhance the acquisition probability and accuracy, but reduce the computational complexity as well. The computation of the proposed algorithm is 46％ that of other existing methods when the coherent time is 10ms.     

基于量子行为粒子群算法的航空瞬变电磁拟二维反演技术

传统的确定性反演算法严重依赖初始模型,易陷入局部极小值中,导致最终反演结果偏离真实模型。粒子群(PSO)算法作为一种随机性反演算法,具有较强的跳出局部极小值的能力,但是仍存在早熟收敛和收敛速度慢等问题,限制了该算法在二、三维电磁反演中的发展。针对上述问题,首先提出采用量子行为粒子群(QPSO)算法代替传统粒子群算法,将量子在势阱中运动规律引入到粒子群算法中,使得粒子可以出现在势阱内任何存在概率分布的位置上,有效地克服了由于群体的聚集性所导致的早熟收敛问题。此外,采用拟二维反演算法代替传统二维反演算法,使得反演模型参数维度下降,寻优过程中局部极小值个数将大幅度减少,显著提高粒子群算法的收敛速度,但是在粒子群中开展拟二维反演时,传统的正则化参数的寻优过程将浪费大量计算资源。结合量子行为粒子群算法中各测点的全局最优粒子在粒子群进化过程中的重要地位,采用α-Trimmed方法开展相邻点间全局最优粒子模型参数光滑约束,实现粒子群算法快速横向约束反演。最后将量子行为粒子群算法拟二维反演技术应用到含噪全航空瞬变电磁仿真数据处理中,反演结果与原始模型具有较好的一致性。