基于水平集的PSO算法的改进

粒子群优化算法PSO(Particle Swarm Optimization)目前仍存在着早熟收敛和收敛速度较慢的难题,提出一种新的PSO改进算法.该算法利用水平集对PSO的每一代粒子按照适应度进行划分,把与目标相关的所有信息结合在一起,改变了原有的PSO进化公式,提高了算法的收敛速度;其次,对于每一代的某个个体进行变异,使其变异到粒子密度低的空间中去,从而提高了粒子的多样性,减少早熟发生的机会.实验证明,这种算法是有效的.     

热工系统Hammerstein-Wiener模型辨识

热工系统中的很多生产环节是非线性时滞系统,其辨识问题一直是制约热工系统发展的关键问题.Hammerstein-Wiener模型是Hammerstein模型和Wiener模型的复合模型,可以较好地表达生产系统的动态特性和静态特性.将Hammerstein-Wiener模型辨识方法应用于热工系统的辨识中,非线性部分用多项式表示,线性部分用差分方程表示.用粒子群算法将模型的辨识问题转化为参数空间上的寻优问题,求得该模型的待定参数在参数空间上的最优解.一系列仿真的结果表明,基于粒子群算法的Hammerstein-Wiener模型在热工系统的辨识中有深远的实践意义.     

基于人工蜂群算法的群体动画研究与应用

对群体行为的仿真一直是动画研究领域的重点,传统的群体动画制作手段工作量大,制作出的效果不能满足人们的需求,同时如何表现出个体运动的独立性以及群体运动的整体性是群体行为仿真的难点所在。为解决上述问题,将人工蜂群算法应用于群体行为仿真中。首先对人工蜂群算法原理分析,然后将人工蜂群算法的智能性应用于群体动画中,即使用了人工蜂群算法的思想,又针对不同群体行为进行了修改,从而产生了一种新的快速的制作群体动画的方法。仿真结果表明,人工蜂群算法能够真实模拟群体行为,为设计提供了依据。     

基于误差修正的DV-Hop传感器节点定位算法

传统的DV-Hop传感节点定位算法,估计未知节点与各锚节点之间距离是用跳段距离代替直线距离.在实际网络定位环境中,未知节点和锚节点之间多数是折线连接.当平均每跳距离的估计值与实际值的偏差较大时,未知节点到锚节点之间估计距离与实际距离之间的误差会增大.为解决上述问题,提出一种粒子群优化算法修正DV-Hop算法定位误差的传感器节点定位方法.采用DV-Hop算法估计待测节点和锚节点之间距离,通过三边测量法确定节点的位置,并将传感器节点定位问题转换成一个多约束优化问题,最后通过粒子群优化算法对定位误差进行修正,并通过仿真对其性能进行测试.仿真结果表明,相对传统DV-Hop算法可大幅度提高传感器节点定位精度,符合无线传感器网络定位需求,具有较好的应用价值.     

基于自适应策略的改进粒子群算法

粒子群算法的参数速度权重在寻优过程中具有重要的作用。如何寻找合适的速度权重是提高算法性能的关键,为解决上述问题,提出了一种基于自适应策略的改进粒子群算法。改进粒子群算法在每次种群进行迭代时,根据每个粒子的适应度值自适应地改变每个粒子的速度权重,动态调整每个种群粒子的活性,提高了算法的全局寻优能力和收敛能力。仿真结果表明,在单目标函数中,改进算法能够更快速地找到最优位置,提高了算法的寻优能力;在多目标函数中,改进算法能够更快速地收敛到问题的Pareto最优边界,提高了算法的收敛能力。     

基于改进的粒子群优化的神经网络故障诊断方法研究

针对BP(Back Propagation)神经网络易陷入局部极值的缺点,提出了一种粒子群PSO(Particle Swarm Optimization)神经网络,同时为避免PSO算法早熟,对部分粒子采用变异操作。应用于故障诊断系统的仿真结果表明,该算法能够大大提高故障诊断的精度。     

A steganographic method based upon JPEG and particle swarm optimization algorithm

In this paper, a novel steganographic method, based on JPEG and Particle Swarm Optimization algorithm (PSO), is proposed. In order to improve the quality of stego-images, an optimal substitution matrix for transforming the secret messages is first derived by means of the PSO algorithm. The standard JPEG quantization table is also modified to contain more secret messages. The transformed messages are then hidden in the DC-to-middle frequency components of the quantized DCT coefficients of the cover-image. Finally, a JPEG file with secret messages is generated through JPEG entropy coding. We compare our algorithm with Chang et al.’s JPEG-based steganographic algorithm. The experimental results show that our proposed method has larger message capacity and better image quality than Chang et al.’s. In addition, our method also has a high security level.     

一种用于网络入侵检测的杂交聚类算法研究

针对K均值聚类算法在全局优化中的不足,提出了基于粒子群的K均值(PSO-KM)聚类算法。粒子群优化算法作为一种基于群智能方法的演化计算技术,有很好的全局搜索能力。通过理论分析及实验证明,该算法有较好的全局收敛性,能有效地克服传统的K均值算法易陷入局部极小值的缺点。对KDD-99数据集的仿真实验结果表明,该算法在入侵检测中能获得令人满意的检测率和误检率。     

基于粒子群优化算法的移动机器人全局路径规划

提出了一种基于粒子群优化算法的移动机器人全局路径规划方法.该方法首先进行环境地图建模,通过坐标变换在路径的起点与终点之间建立新地图,然后利用粒子群优化算法获得一条全局最优路径.该方法模型简单,算法复杂度低,收敛速度快,而且模型不依赖于障碍物的形状.仿真实验证实了该方法的有效性.     

含分布式发电的改进BFO算法配电网无功优化

在含分布式电源的电网无功优化研究中,为了更有效地提高配电网性能,提出了一种改进细菌觅食算法(CP-BFO).以电网网损最小、负荷节点电压和发电机的无功出力约束作为综合目标函数,采用细菌觅食算法,在聚焦操作中引入粒子群变异算子,使算法具有良好的全局搜索能力,提高了算法的寻优效率.同时利用混沌原理对改进的细菌觅食算法的参数进行自适应调节,改善了算法的收敛性能.通过节点系统的仿真表明,CP-BFO算法在提高含分布式电源的智能电网电压质量与减少功率损耗的优化过程中具有可行性和有效性.     

基于粒子群优化的深度神经网络分类算法

针对神经网络分类算法中节点函数不可导,分类精度不够高等问题,提出了一种基于粒子群优化(PSO)算法的深度神经网络分类算法.使用深度学习中的自动编码机,结合PSO算法优化权值,利用自动编码机对输入样本数据进行编解码,为提高网络分类精度,以编码机本身的误差函数和Softmax分类器的代价函数加权求和共同作为PSO算法的评价函数,使编码后的数据更加适应分类器.实验结果证明:与其他传统的神经网络相比,在邮件分类问题上,此分类算法有更高的分类精度.     

一种新的融合粒子群算法的混合蟑螂群算法

针对连续蟑螂算法存在初始解质量不高和算法评价次数过多的问题,提出了一种融合了粒子群算法的混合蟑螂群算法并应用于函数优化问题.首先由基本粒子群算法快速收敛到解空间内一个相对优的解,然后由一种改进的蟑螂算法完成全局寻优.仿真结果显示:混合蟑螂算法具有收敛速度快、求解精度高的特点,其算法整体性能优于已存在的连续蟑螂算法.     

Efficiency enhancement of a process-based rainfall–runoff model using a new modified AdaBoost.RT technique

High-efficiency rainfall–runoff forecast is extremely important for flood disaster warning. Single process-based rainfall–runoff model can hardly capture all the runoff characteristics, especially for flood periods and dry periods. In order to address the issue, an effective multi-model ensemble approach is urgently required. The Adaptive Boosting (AdaBoost) algorithm is one of the most robust ensemble learning methods. However, it has never been utilized for the efficiency improvement of process-based rainfall–runoff models.Therefore AdaBoost.RT (Adaptive Boosting for Regression problems and “T” for a threshold demarcating the correct from the incorrect) algorithm, is innovatively proposed to make an aggregation (AdaBoost-XXT) of a process-based rainfall–runoff model called XXT (a hybrid of TOPMODEL and Xinanjing model). To adapt to hydrologic situation, some modifications were made in AdaBoost.RT. Firstly, weights of wrong predicted examples were made increased rather than unchangeable so that those “hard” samples could be highlighted. Then the stationary threshold to demarcate the correct from the incorrect was replaced with dynamic mean value of absolute errors. In addition, other two minor modifications were also made. Then particle swarm optimization (PSO) was employed to determine the model parameters. Finally, the applicability of AdaBoost-XXT was tested in Linyi watershed with large-scale and semi-arid conditions and in Youshuijie catchment with small-scale area and humid climate. The results show that modified AdaBoost.RT algorithm significantly improves the performance of XXT in daily runoff prediction, especially for the large-scale watershed or low runoff periods, in terms of Nash–Sutcliffe efficiency coefficients and coefficients of determination. Furthermore, the AdaBoost-XXT has the more satisfactory generalization ability in processing input data, especially in Linyi watershed. Thus the method of using this modified AdaBoost.RT to enhance model performance is promising and easily extended to other process-based rainfall–runoff models.     

基于粒子群算法的数字滤波器优化与仿真

研究数字滤波器优化问题,针对传统算法在数字滤波器优化过程中易出现“早熟”和后期收敛速度慢等等问题,提出了一种动量交叉粒子群算法的数字滤波器优化方法.首先把求解数字滤波器参数的问题数学化为性能指标优化模型,然后采用动量交叉粒子群算法找到符合特征要求的数字滤波器参数值,并通过仿真对性能进行测试.仿真结果表明,动量交叉粒子群算法较好地解决了传统算法的易出现“早熟”和后期收敛速度慢等等难题,设计数字滤波器的频域响应十分逼近理想频域响应,提高数字滤波器的设计效率.     

一种改进的粒子群算法和相关反馈的图像检索

由于图像的低层特征与高层语义之间存在着语义鸿沟,以及用户对图像理解的主观性和易变性,使得基于内容的图像检索结果不能很好地满足用户的需求。为解决这个问题,将粒子群算法和相关反馈引入到图像检索过程中,根据用户的反馈信息,引入二自适应调整和Beta自适应变异的粒子群算法动态调整图像的特征权重,从而提高图像的检索精度,以更好地满足用户的需求。     

基于粒子群的H∞混合灵敏度在飞控系统中的应用

提出了一种基于粒子群优化算法的H∞混合灵敏度控制律设计方法。该方法采用粒子群优化算法来优化加权函数,用H∞混合灵敏度方法设计飞行控制系统鲁棒控制器,满足了系统时域和频域性能要求。以某型飞机横侧向运动为例进行仿真,结果表明,用该方法设计的飞行控制系统具有良好的鲁棒性能和稳态性能,而且具有很好的动态品质。     

自适应中心引力优化算法

针对函数全局优化问题,提出了一种自适应中心引力算法,以平衡全局探测能力和局部搜索能力。首先定义粒子的适应值函数,然后根据与平均适应值的比较,更新粒子运动时间,并引进交叉操作更新当前粒子位置,从而提高算法的收敛速度。最后选择8个典型测试函数进行测试,并与中心引力优化算法和其他粒子群优化算法进行比较。结果表明,该算法得到的结果十分精确,鲁棒性强,优于其他算法。     

多标签代价敏感分类集成学习算法

尽管多标签分类问题可以转换成一般多分类问题解决,但多标签代价敏感分类问题却很难转换成多类代价敏感分类问题.通过对多分类代价敏感学习算法扩展为多标签代价敏感学习算法时遇到的一些问题进行分析,提出了一种多标签代价敏感分类集成学习算法.算法的平均错分代价为误检标签代价和漏检标签代价之和,算法的流程类似于自适应提升（Adaptive boosting,AdaBoost）算法,其可以自动学习多个弱分类器来组合成强分类器,强分类器的平均错分代价将随着弱分类器增加而逐渐降低.详细分析了多标签代价敏感分类集成学习算法和多类代价敏感AdaBoost算法的区别,包括输出标签的依据和错分代价的含义.不同于通常的多类代价敏感分类问题,多标签代价敏感分类问题的错分代价要受到一定的限制,详细分析并给出了具体的限制条件.简化该算法得到了一种多标签AdaBoost算法和一种多类代价敏感AdaBoost算法.理论分析和实验结果均表明提出的多标签代价敏感分类集成学习算法是有效的,该算法能实现平均错分代价的最小化.特别地,对于不同类错分代价相差较大的多分类问题,该算法的效果明显好于已有的多类代价敏感AdaBoost算法.     

变异自适应混沌粒子群算法求解线性超定方程

针对粒子群算法容易陷入局部最优值和全局局部搜索平衡能力较差的问题,提出来变异自适应混沌粒子群算法.根据进化代数调节惯性权重和加速因子,新算法较好平衡了粒子群算法中的全局和局部搜索模型,利用变异因子可以使得粒子跳出局部最优值,保证种群后期仍然具有进化潜力.新算法在5个测试函数上和标准粒子群算法,自适应粒子群算法,混沌粒子群算法进行了比较,通过三种比较标准,结果说明了新算法具有较快的收敛速度,和较强的进化潜力.通过对线性超定方程组的求解,说明了新算法在数学方面具有较高的使用价值.