基于量子粒子群优化算法的图像分割方法

利用量子粒子群优化算法(QPSO)对二维Fisher准则图像分割评价函数进行了全局优化,提高了分割阈值的求解速度。并针对量子粒子群优化算法存在收敛性差、易早熟的问题,提出了量子粒子群优化算法和邻域搜索双重寻优的改进算法。实验结果表明,改进后的分割方法具有良好的分割效果和求解速度。寻找到的最佳阈值与二维Fisher准则函数算法完全相同,而阈值求解时间只有二维Fisher准则函数算法的1/3。     

改进协同量子粒子群优化算法在流水车间调度中的应用

作为一类典型的调度问题,流水车间调度是N-P难调度问题,因而引起了众多研究者的兴趣。本文提出了一种改进的协同量子粒子群优化算法,该方法中定义了量子角的表达式,所有的子种群采用优化协同模式以确保算法收敛,采用扰动机制避免算法陷入局部最优,运用了综合学习策略以提高种群的多样性。改进的协同量子粒子群算法应用于流水车间调度,仿真结果验证了改进算法能改善全局收敛能力。     

自适应变异的粒子群优化算法

本文提出了一种新的基于群体适应度方差自适应变异的粒子群优化算法(AMPSO).该算法在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力.对几种典型函数的测试结果表明:新算法的全局收搜索能力有了显著提高,并且能够有效避免早熟收敛问题.     

三元相关性量子行为粒子群优化算法研究

为了提高QPSO算法的收敛性能,在对随机因子进行分析的基础上提出了三元相关性QPSO(TC-QPSO, ternary correlation QPSO)算法。该算法使用正态Copula函数建立了粒子对自身经验信息、群体共享信息以及粒子当前位置与群体平均最好位置的距离信息之间的内在认知和联系,并利用Cholesky平方根公式给出了三元相关因子的生成方法。对测试函数的仿真结果证明,当三元相关因子u与r1或r2之间存在负线性相关关系时,TC-QPSO算法可以获得比标准QPSO算法更好的优化性能。     

基于单纯形法的量子粒子群优化算法

针对粒子群优化算法容易陷入局部极值点,进化后期收敛慢和优化精度较差等缺点,提出了将单纯形搜索法与量子粒子群算法混合的改进算法,更好的平衡了全局搜索和局部搜索能力.仿真结果表明,该算法效率高、优化性能好,其性能远远优于一般的粒子群算法与量子粒子群算法.     

基于速度变异粒子群算法的列车运行策略优化

为了提高列车在运行过程中的能源利用率,采用速度变异的粒子群算法,对列车运行控制策略进行优化.根据列车运行的机械能理论和能耗理论,建立了以能耗为目标,满足距离、时间和速度约束的列车运行仿真模型,在确定的工况序列条件下,求解列车最优控制策略.改进粒子群算法按照一定的概率,对最小速度进行变异,拓展了粒子有效搜索空间,从而改善优化结果.算例仿真验证了该方法的有效性和合理性.     

量子行为粒子群算法在图像恢复中的应用

遗传算法等智能搜索技术避免了图像恢复方法中存在的较多约束和计算量过大的问题,但遗传算法存在“过早收敛”现象。作为一种新的智能优化算法-量子行为粒子群优化算法,在全局收敛性和稳定性上有较好的表现。文章提出了一种基于量子行为粒子群算法的图像恢复方法,并与基于标准遗传算法的图像恢复进行了比较。仿真结果表明,该算法可使图像恢复结果和效率得以较大的改善和提高,具有推广应用价值。     

求解连续空间优化问题的量子粒子群算法

为提高粒子群算法的搜索能力和优化效率并避免早熟收敛,将量子进化算法融合到粒子群算法中,提出一种求解连续空间优化问题的量子粒子群优化算法.用量子位的概率幅对粒子位置编码,用量子旋转门实现粒子移动,完成粒子搜索;用量子非门实现变异,提高种群多样性.因每个量子位有两个概率幅,故每个粒子同时占据空间两个位置,在粒子数目相同时,能加速粒子的搜索进程.实验结果表明,本算法优于基本粒子群算法.     

新的自适应免疫量子粒子群优化算法

为了克服粒子群优化算法早熟收敛以及粒子在进化过程中缺乏很好的方向指导的问题,算法中采用了量子技术以及免疫机制来提高粒子群的收敛速度和寻优能力,从而获得了一个新的自适应免疫量子粒子群优化算法.仿真试验表明该算法具有较好的性能.     

车间调度问题的量子粒子群优化算法设计

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,将量子粒子群优化算法用于求解车间调度问题,按照量子粒子群优化算法的进化规则在调度空间内搜索最优解,并对量子粒子群算法的参数选择进行了研究。以典型的Job-Shop调度问题作为实验对象,实验结果表明QPSO算法相对PSO算法具有较好的全局搜索能力。     

基于拟熵自适应启动局部搜索策略的混合粒子群算法

在继承综合学习粒子群算法（Comprehensive Learning Particle Swarm Optimizer,CLPSO）全局探索优势的基础上,引入具有高效收敛性能的传统局部搜索（Orthodox Local Search,OLS）方法,提出了基于拟熵自适应启动局部搜索策略的混合粒子群算法（Hybrid Particle Swarm Optimization algorithm with Adaptive starting strategy of Local Search based on Quasi-Entropy,ALSQE-HPSO）.采用拟熵指标解决何时启动OLS这一关键问题.对8个标准函数的10维和20维问题的测试结果,表明了ALSQE-HPSO算法的性能优势.本文提出的算法也与包含两种基于CLPSO的改进算法和一种带OLS的粒子群算法在内的其他6种改进粒子群算法进行了对比,实验结果表明ALSQE-HPSO算法的性能优于对比算法.     

基于改进K-means聚类和量子粒子群算法的多航迹规划

针对在复杂环境下需要通过多航迹规划以实现武器协同的问题,利用排挤机制产生Kmeans聚类的初始聚类中心,并将改进K-means聚类与量子粒子群算法(QPSO)相结合应用于无人机的三维多航迹规划。改进算法解决了K-means聚类易陷入局部最优、聚类准确率低的问题。根据产生的初始聚类中心,将粒子划分成多个子种群,利用QPSO算法对每个子种群进行优化,使得每个子种群可以产生一条可行航迹。仿真分析证明了改进算法可以有效保证子种群之间的多样性,生成较为分散的多条可行航迹。     

基于近邻信息和PS O算法的集成特征选取

提出了一种新的PSO特征选取方法。以粒子对应特征组合的同类近邻样本和异类近邻样本间的距离关系作为类别可分性和粒子适应度函数。以适应度函数加权的群体历史最佳、粒子历史最佳和粒子邻域内最佳个体信息共同指导粒子运动方向,搜索类内紧密、类间分离的最佳特征组合;同时,利用加权集成方法对PSO特征选取方法进行集成,以提高特征选取方法的稳定性和鲁棒性。在5个高维数据集上的特征选取实验结果表明集成PSO特征选取方法的有效性和可行性。     

基于改进粒子群算法和特征点集的无线传感器网络覆盖问题研究

本文针对基于网格点的区域覆盖算法未考虑网络的固有特征,导致算法存在近似及复杂度偏高等问题,通过研究区域覆盖的特征,结合概率感知模型,对区域内两点的覆盖率关系进行分析,定义了特征点集的概念;对特征点集进行建模,将区域覆盖转化为基于特征点集的优化问题。利用改进粒子群算法解算此优化问题,通过惯性权重及局部增强因子扰动项,避免其陷入早熟状态;同时,针对集中式PSO算法不适用于无线传感网的问题,本文提出了一种并行分区式策略。仿真分析验证了所提算法的优越性和特征点距上界的存在性,该方法为区域覆盖问题的研究提供了新的思路。     

改进混沌搜索的AMPSO-BP激光铣削质量预测

为了更好地控制激光铣削的质量,建立了激光铣削质量和铣削层参数的神经网络模型。针对神经网络易陷入局部极小值的缺点,提出混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立了AMPSO-BP激光铣削质量预测模型。最后以某种材料的激光铣削质量预测为例,将文中所提算法与PSO-BP、BP神经网络预测结果相比,结果表明所提方法有很高预测精度且预测误差明显减小,在实际中有一定应用价值。     

基于PSO-SVM算法的雷达点迹真伪鉴别方法研究

为解决虚假目标点迹对雷达跟踪性能的影响,本文提出了一种基于PSO-SVM算法的雷达点迹真伪鉴别方法,进一步对目标点迹和杂波点迹进行真伪鉴别,有助于滤除杂波剩余点迹,提高雷达处理容量和跟踪性能。本方法利用点迹形成过程中生成的特征参数,先利用PSO算法对SVM算法参数进行优化选择,再利用参数优化后的SVM算法对雷达点迹进行真伪鉴别。最终,目标点迹鉴别准确率达到了95.18%,杂波点迹鉴别准确率达到了89.94%,整体的点迹鉴别准确率达到了92.13%。实验结果表明：该算法有较高、较稳定的点迹鉴别准确率,前期较多的杂波点迹被鉴别为目标点迹的缺陷也得到了较好的改善。     

一种基于粒子群算法的DC-NOMA系统遍历容量优化方案

为提升设备到设备（Device-to-Device,D2D）辅助的协作非正交多址接入（Non-orthogonal Multiple Access,NOMA）中继系统的性能,以最大化系统遍历容量为目标建立优化模型,利用粒子群优化（Particle Swarm Optimization,PSO）算法设计最优功率分配策略,求出每个用户的最佳功率分配因子,从而得到系统遍历容量的最优值。仿真结果表明,所提出的基于PSO的功率分配方案不仅能提高系统容量,还可以降低用户的中断概率。     

基于多策略离散粒子群算法的MPRM电路延时与面积优化

针对大规模混合极性Reed-Muller(Mixed Polarity Reed-Muller,MPRM)逻辑电路的延时与面积优化,提出一种基于多策略离散粒子群优化(Multi-Strategy Discrete Particle Swarm Optimization,MSDPSO)的极性搜索方法.在MSDPSO算法中,对粒子进行团队划分,每个团队既执行不同策略,又相互联系,并行完成探索与开发的双重任务.同时在进化过程中采用高斯调整来激活寻优能力较差的粒子.结合MSDPSO算法和列表极性转换技术,对大规模MPRM电路进行延时与面积极性搜索.最后对PLA格式的MCNC Benchmark电路进行算法性能测试,结果验证了MSDPSO算法的有效性.与离散粒子群优化(Discrete Particle Swarm Optimization,DPSO)算法的优化结果相比较,MSDPSO算法获取的电路延时平均缩短8.43%,面积平均节省38.36%.     

采用威胁启发粒子群算法的无人机航路规划

针对复杂地形和威胁环境下的无人机航路规划问题,对粒子群算法进行了改进,提出了融入威胁启发机制的改进粒子群算法.充分利用无人机在任务区域中已知的威胁信息,将其作为威胁启发项,构成粒子群速度更新公式的一部分,有效丰富粒子群算法的搜索行为,增强粒子在搜索过程中的针对性和指导性.使用最小威胁曲面方法,降低粒子编码的维数,并采用...     

自适应阈值SSDA图像匹配拼接算法的研究

传统的模板匹配算法计算量大,匹配速度慢。序贯相似性检测算法SSDA虽可以减少计算量,但其固定阈值的合适选取存在很大的困难。针对这种情况,提出了一种自适应阈值的序贯相似性检测图像匹配拼接算法。选定阈值初值后,在后续匹配计算中不断自适应更新,遵循超过当前阈值就不再匹配计算的原则,寻尽可能的减少计算量,找最佳匹配点的位置。实例表明,这种算法速度快,匹配准确,图像匹配拼接效果好。