基于MMTD算法的粒子群的解

粒子群算法是一种寻找最优解的算法,该算法在寻找的过程中需要粒子所得的目前解具有判断力和记忆力.然而正是由于该算法中的粒子对当前的解具有判断力,这才能够使得粒子群中的粒子能够较快地找到最优解.粒子群中的粒子在求解过程中所得的结果可分为三种：优,中,差,这三种解的属性符合中介思想.然而MMTD的算法正是中介思想的一种应用,因此本文将MMTD算法在粒子群上进行应用,该算法能够对粒子群解的属性上做出判断.     

一种基于MMTD与粒子群的隐写术图像检测算法

当今的隐写术需要将隐藏的图像或文字需要嵌入载体中。由于嵌入算法的不同,因此隐藏在载体中的内容所具有的鲁棒性是不同的。嵌入载体图像的鲁棒性的差异这将导致在检测图像时产生的漏警率与虚警率不同。为了增强图像检测算法对图像的感知力,本文将种智能性算法结合在一起,提出了一种具有一定智能性隐写术图像检测算法,该算法能够提高图像检测算法智能性。     

基于 MMTD 的病毒特征检测算法*

当今的病毒是多种多样的,为了有效应对众多的病毒,计算机病毒检测安全人员必须使得病毒检测算法具有智能性。病毒特征代码算法是一种常用的病毒检测算法,但该算法缺乏一定的智能性,因此论文将一些智能性算法在其算法上进行应用。M M TD算法和模拟退火算法是两种智能性算法,这两种算法将进一步增强病毒特征代码算法的智能性,因此论文提出的算法能够进一步提高目前病毒的检测的智能性。     

非线性粒子群算法

提出了一种新型的粒子群算法一非线性粒子群算法,给出了计算公式并进行了实验模拟.非线性粒子群算法采用非线性计算公式调整粒子速度.由于非线性计算公式的多样性,因此可以构建种类繁多的具体的非线性粒子群算法.非线性粒子群算法一方面保持了标准粒子群算法的简单性,同时也具有更强的搜索能力.实际计算表明,只要能够选好非线性项中的参数,就可以提高算法的效率.     

基于粒子群算法的PID参数优化

粒子群优化PSO算法是近几年出现的一种新型演化算法,对连续函数的优化效果良好。通过采用PSO算法对PID参数进行了优化,使用实数编码方法,用局部版粒子群算法取得了良好的优化结果。说明了粒子群算法寻优简单、鲁棒性强、易于并行化,是一种效率很高的寻优方法,是PID参数优化的理想方法。     

基于量子粒子群算法的收敛性研究

对基于量子行为的粒子群算法(QPSO)的收敛性进行分析.QPSO算法不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛性.通过四个经典的基准函数对算法进行测试,将QPSO算法与PSO算法进行深入比较.通过实验结果表明.QPSO算法在收敛性能上大大优于PSO算法.     

基于MMTD网页挂马响应的研究

当今网络中通过网页来种植木马的现象已很普遍。利用网页来传播木马技术就是将木马的域名隐藏在网页里,用户在浏览网页时,隐藏在网页中的木马就会被种植到用户的系统中。因此如果被访问的网页嵌入了木马的域名,那么当网络用户发出链接请求响应时,网络的响应将变得异常。基于上述原因,本文从链接请求响应次数的角度,来判断网页中是否藏有木马域名。首先简介木马技术,网页挂马技术和中介的基本概念,然后给出检测函数y=f(x)以及MMTD在检测木马上的应用,最后给出具体检测算法。     

基于粒子群算法的混洗蛙跳算法

基于模因进化的演化算法是一种模拟自然界生物进化或社会种群活动的随机搜索方法。本文介绍一种基于新的智能搜索算法——混洗蛙跳算法的改进演化算法。对SFLA算法和PSO算法的基本原理进行阐述,为了更好地改进SFLA算法局部搜索能力差、收敛速度降低,将粒子群优化算法（PSO）与混洗蛙跳算法（SFLA）相结合,提出一种改进的混洗蛙跳算法（SFLA）,能够提高算法的局部搜索能力和稳定性。该算法比上述两种算法具有更好的性能,特别是对函数优化等问题计算效果更好。     

新型粒子群优化算法

现有粒子群优化存在局部收敛、对可调参数敏感等缺点.基于此,本文提出一种新型粒子群优化算法.首先,通过分析社会个体对其环境的认知规律,简化粒子更新公式使粒子位置的更新仅与粒子自身速度及其邻域内最优粒子位置相关.其次,基于粒子速度划分提出一种优势粒子速度小概率变异、劣势速度随机赋值方法.最后,通过优化4个典型测试函数验证了本文所提方法在优化解的质量、算法收敛速度及鲁棒性等方面的优异性能.     

基于莱维飞行的粒子群优化算法

为了有效解决粒子群优化算法易陷入局部最优的缺陷,在粒子群优化优化算法（PSO）的基础上,引入莱维飞行,提出了一种基于莱维飞行的粒子群优化算法（LPSO）。该算法在迭代过程中,对粒子位置进化效果进行判断,若粒子多次迭代后仍无法进化到更优位置,则使用莱维飞行更新粒子位置。改进后的算法增加了粒子位置变化的活力,提高了算法的有效性。仿真实验结果表明,该算法在求解全局最优时,效果优于原始粒子群优化算法,在多峰值函数优化问题中其优越性更加突出。     

基于内分泌调节机制的粒子群算法

借鉴内分泌系统的高级调节机制,提出一种基于内分泌调节机理的粒子群算法.首先设计一种结合当前粒子群的最好适应度、平均适应度和局部适应度的情感评价方法,对下一代粒子群进行情感评价,然后用神经系统和内分泌系统共同作用,对粒子群的行为进行更新,在更新过程中。引入动量项减少局部收敛的发生.文中同时分析了算法的收敛性,并对几个典型函数优化问题和机器人路径规划进行实验,验证方法的有效性.     

适应性粒子群寻优算法Ⅱ

适应性粒子群寻优算法Ⅰ(APSO-Ⅰ)是在有序的决策中始终引入随机的、不可预测的决定.为解决APSO-Ⅰ算法收敛深度不够的问题,提出适应性粒子群寻优第Ⅱ代算法(APSO-Ⅱ).APSO-ⅡⅢ算法是将有序(标准PSO粒子群寻优)和无序(自适应寻优)进行适当的分离.以发挥各自的优势.在自适应寻优阶段,通过在最优柱子邻域空间探寻更优化的解.一但新的优化解被发掘,便利用标准PSO快速寻优.典型复杂函数优化的仿真结果表明,APSO-Ⅱ在收敛速度和收敛深度上均优于DPSO(耗散型PSO),HPSO(自适应层次PSO),EPSO(自适应逃逸PSO)和APSO-I.     

基于粒子群优化的遗传粒子滤波算法

针对遗传粒子滤波算法中粒子匮乏问题,提出一种新的基于粒子群优化的遗传粒子滤波算法。利用粒子群优化算法,驱动粒子向高似然区域移动,以增加有效粒子的数目,从而抑制粒子退化和匮乏现象,同时将遗传算法中的选择、交叉、变异引入粒子滤波,以改善粒子退化及计算量大的问题。实验表明,该算法有效地改善了粒子匮乏现象,同时提高了状态预估的精度,降低了算法的计算量,提高了算法的鲁棒性。     

粒子群优化算法的改进

针对粒子群优化算法搜索精度不高、对高维函数优化性能不佳的问题,提出一种改进的粒子群优化算法。以递增方式对粒子进行释放增强可利用的种群信息,通过释放粒子引导极值变化加强算法的运算效率。实验结果表明,与其他算法相比,改进算法具有更强的寻优能力和搜索精度,且适于高维复杂函数的优化。     

基于粒子群优化算法的分形图像压缩编码

针对基本分形图像方法中编码时间过长的问题和提高IFS自适应图像压缩编码方法的适应能力,在按人类视觉对比灵敏度分类的基础上,提出了一种源于鸟群捕食系统模型的粒子群优化算法（PSO）的分形图像IFS自适应压缩编码的新算法,这种自适应编码算法利用图像的自相似性以及应用PSO在分形编码过程中局部迭代函数系统（PIFS）参数的搜索。通过Matlab6．0实验仿真实验结果表明,此方法有效减小了搜索空间,加快了编码速度。基于视觉特性的粒子群分形编码算法明显优于传统的分形块编码算法。     

基于粒子群优化算法的分形图像压缩编码

针对基本分形图像方法中编码时间过长的问题和提高IFS自适应图像压缩编码方法的适应能力,在按人类视觉对比灵敏度分类的基础上,提出了一种源于鸟群捕食系统模型的粒子群优化算法（PSO）的分形图像IFS自适应压缩编码的新算法,这种自适应编码算法利用图像的自相似性以及应用PSO在分形编码过程中局部迭代函数系统（PIFS）参数的搜索。通过Matlab6．0实验仿真实验结果表明,此方法有效减小了搜索空间,加快了编码速度。基于视觉特性的粒子群分形编码算法明显优于传统的分形块编码算法。     

改进的粒子群优化算法

针对基本粒子群优化算法(PSO)易陷入局部极值点,进化后期收敛慢,精度较差等缺点,提出了一种改进的粒子群优化算法.该算法用一种无约束条件的随机变异操作代替速度公式中的惯性部分,并且使邻居最优粒子有条件地对粒子行为产生影响,提高了粒子间的多样性差异,从而改善了算法能力.通过与其它算法的对比实验表明,该算法能够有效地进行全局和局部搜索,在收敛速度和收敛精度上都有显著提高.     

一种改进的多群协作粒子群优化算法

提出了一种改进的多群协作粒子群优化算法,该算法整个种群采用主从模式,分为一个主群和多个从群,多个从群粒子统一地进行初始化操作,从而避免了多个粒子群重复搜索现象。同时,算法采取了一种扰动策略,即当前全局最优解在扰动因子的迭代周期内保持不变时,就重置粒子的速度,迫使粒子群摆脱局部极小。该算法不仅增加了种群的多样性,扩大了搜索范围,而且还改善整个种群易陷入局部极小值的缺陷。通过9个基准函数进行测试,实验结果表明,IMCPSO与MCPSO算法相比具有明显的优越性。     

基于函数最优解问题的粒子群算法改进

通过对粒子群算法的深入研究,鉴于其具有容易陷入局部极值、迭代后期收敛速度慢、精度低等情况,众多学者对其作出改进,并都已成功应用到各种实际问题中。为了改善粒子群算法性能,能够快速准确地求解出函数的最优解,文中在基于粒子群最优算法及其改进算法研究的基础上,结合时变权重与压缩因子,对粒子群算法进行改进,并将改进算法应用于求解函数最优解问题中。实验表明,该方法具有了带时变权重或带压缩因子算法的优点,同时加快了函数的收敛速度,提高了最优解的准确度,通过参数调整,性能得到了有效改善。