基于遗传 PSO 的无线传感网络覆盖优化算法研究

针对基于标准粒子群算法的网络覆盖存在收敛速度慢、易早熟等问题,提出一种基于遗传 PSO 的无线传感网络覆盖优化算法.以无线传感器最大覆盖率为目标函数,通过运用加入自适应交叉变异因子的遗传算法搜索解空间,利用 PSO 粒子群强大的全局搜索能力加大搜索范围,使粒子覆盖更有效率,加强算法的寻优能力,提高节点的覆盖率,解决早熟问题.仿真实验表明,与传统遗传算法、新量子遗传算法相比,其覆盖率分别提高了2.28%和0.65%,收敛速度也有所提高,因此该方法能有效地实现无线传感网络覆盖优化.     

一种改进的粒子群和K均值混合聚类算法

该文针对K均值聚类算法存在的缺点,提出一种改进的粒子群优化(PSO)和K均值混合聚类算法。该算法在运行过程中通过引入小概率随机变异操作增强种群的多样性,提高了混合聚类算法全局搜索能力,并根据群体适应度方差来确定K均值算法操作时机,增强算法局部精确搜索能力的同时缩短了收敛时间。将此算法与K均值聚类算法、基于PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,数据实验证明,该算法有较好的全局收敛性,不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和收敛速度都有显著提高。     

自适应果蝇优化算法

为了进一步提高果蝇优化算法(FOA)的性能,提出了一种自适应果蝇优化算法(SAFOA),设计了果蝇搜索群体模型,给出了一种自适应搜索步长搜索算法。仿真结果表明,相比FOA算法和递减步长果蝇优化算法(DS-FOA),SAFOA收敛速度较快,全局搜索与局部寻优能力强,并能到达高的收敛精确度。     

基于并行小生境技术优化的智能模糊聚类图像分割算法

利用PBM模糊聚类有效性函数以图像特征空间为搜索空间,实现有效性函数的全局寻优,用并行小生境技术解决粒子群(PSO)算法的早收敛问题,优化聚类的全局收敛性能,实现有效聚类数目与聚类中心的并行寻优。通过对遥感图像分割的实验证明,与传统粒子优化群算法的分割结果相比,本文算法拥有更高的有效性且分割效果更优。     

一种自适应惯性权重的粒子群优化算法

为较好平衡粒子群算法中全局搜索能力与局部搜索能力,分析了PSO算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度的关系,并把粒子惯性权重定义为这三者的函数.通过在每次迭代后更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率.     

基于分类思想的改进粒子群优化算法

针对粒子群算法存在收敛速度慢、收敛精度低且易收敛到局部极值的问题,提出一种基于分类思想的粒子群改进算法。该算法将粒子适度值和适度值均值做差与适度值标准差进行比较,从而将粒子所在区域划分为拒绝域、亲近域、合理域。根据不同区域中粒子的特点选取不同惯性权重和学习因子,使粒子高效地选择自身经验或种群经验,合理增强或减弱粒子全局搜索能力和局部搜索能力。数值实验结果表明,与其他粒子群改进算法相比,新的分类粒子群算法有效加快了粒子的收敛速度,提高了算法的收敛精度,有效改善了算法寻优性能。     

基于SAPSO算法优化Elman神经网络的话务量预测

文章提出一种模拟退火(SA)与粒子群优化(PSO)算法相结合的算法来优化Elman神经网络权值和阈值。当PSO处于停滞状态时,利用粒子群优化算法的全局寻优性质,以及SA能跳出局部最优解的特性,在搜索到的最优位置处用模拟退火算法继续寻找最优解,并对具有动态递归性能的Elman神经网络进行学习训练,这样就能对忙时话务量进行预测。结果表明,与传统Elman神经网络和PSO-Elman神经网络相比,基于模拟退火粒子群算法训练的神经网络具有更高的预测精度和良好的自适应性。     

基于改进的粒子群算法的ASON保护容量问题求解

针对求解ASON网络保护容量的NP完全非线性组合优化问题,提出了基于改进粒子群(PSO)搜索寻优算法.与线性规划寻优方法相比,该算法在可行解搜索空间及计算量上大大降低,为算法在工程上的实现提供了可行性.同时跟其它的进化计算方法(如免疫、遗传、蚂蚁等)相比,PSO简单、容易实现、不需要调整许多参数.仿真实验结果表明该算法计算效率大大超越整数线性规划(ILP),同时也略优于遗传算法,更重要的是该算法结构简单、搜索效率高、能迅速地求出保护容量优化问题的全局近似最优解.     

基于混合粒子群优化算法的医学图像配准

提出了一种基于粒子群算法PSO和Powell的混合优化算法,将PSO算法的全局搜索能力与Powell算法的局部寻优能力有机地结合起来.即在PSO算法每步迭代后对当前的局部最优解增加一步Powell局部寻优算法,进而保证了解的精确性的同时提高了求解的速度.将其应用于配准过程中对目标函数的最优化,取得了比较好的效果.     

求解多输入多输出检测新算法——遗传粒子群优化

设计两种基于粒子群优化算法（PSO）和基于遗传算法（GA）的多输入多输出（MIMO）系统检测算法。提出一种新的融合GA和PSO进化机制的遗传粒子群进化（GPSO）算法,并将其应用于MIMO系统检测问题求解。新算法改善了初始化种群,并将每一代粒子划为精英粒子、次优粒子和糟糕粒子三部分,对这三种粒子分别采用极值扰动、PSO进化和淘汰策略以改善算法的全局和局部搜索能力,从而加快算法的寻优速率和收敛速度。仿真结果表明：与基于PSO和基于GA的检测算法相比,GPSO的检测算法能够很大程度减少种群规模和迭代次数。而与最优的最大似然译码算法相比,GPSO检测算法能够在计算复杂度和误码性能之间获得很好的折中。     

基于改进粒子群算法的室内可见光定位研究

为了提高现行室内可见光定位系统的定位精度，提出考虑噪声干扰的动态惯性权重及认知因素的改进型粒子群算法。首先，将决定定位精度的欧式距离转换为目标函数最小值优化问题；其次，利用惯性权重动态赋值，增强粒子群算法初期的全局搜索能力和后期的局部搜索能力；然后，利用正弦函数使得个体认知因素值非线性地减小，利用余弦函数使得群体认知因素值线性地增加，以进一步提升定位精度；最后，通过仿真与实验测试对所提定位算法进行验证。仿真测试结果表明，在5 m×5 m×3 m和5 m×4 m×3 m两种定位模型中，在0,0.5,1.0和1.5 m四个高度平面的空间定位平均误差分别为0.65和0.54 cm;实验结果显示，在搭建的1 m×1 m×0.8 m和1 m×0.8 m×0.8 m室内空间中的平均定位误差分别为2.67和1.81 cm。     

基于樽海鞘群算法的无源时差定位

针对无源时差(TDOA)定位的非线性方程解算问题,论文使用一种名为樽海鞘群算法(SSA)的新的群体智能优化算法。首先,该算法采用一种新的群体更新模型,充分平衡迭代过程中的探索行为与开发行为,在保证搜索的全局性与个体的多样性的同时,改善了其他智能优化算法容易陷入局部极值的问题。其次,该算法控制参数很少,运算速度明显提高。该算法的收敛速度十分稳定,定位精度更高。仿真结果表明,樽海鞘群算法在3维时差定位中能够快速、稳定地收敛至目标位置,对传统粒子群算法(PSO)、改进的线性权重粒子群算法(IPSO)与SSA的定位精度进行比较,SSA精度明显高于PSO与IPSO。     

伽利略搜救信号关键参数估计的克拉美—罗界

本文考虑信息位宽的不确定度,研究了伽利略搜救信号信息位宽、到达频率(FOA)和到达时间(TOA)估计的克拉美—罗界(CRB).首先推导了计算Fisher信息矩阵各元素的通用公式,然后推导得到了伽利略搜救信号Fisher 信息矩阵各元素的计算表达式.具体计算时,利用单位冲激函数的性质和Parseval定理,将单位冲激函数...     

Craziness based particle swarm optimization algorithm for IIR system identification problem

In this paper a variant of particle swarm optimization (PSO), called craziness based particle swarm optimization (CRPSO) technique is applied to the infinite impulse response (IIR) system identification problem. A modified version of PSO, called CRPSO adopts a number of random variables for having better and faster exploration and exploitation in multidimensional search space. Incorporation of craziness factor in the basic velocity expression of PSO not only brings diversity in particles but also ensures convergence to optimal solution. The proposed CRPSO based system identification approach has alleviated from the inherent drawbacks of premature convergence and stagnation, unlike real coded genetic algorithm (RGA), particle swarm optimization (PSO) and differential evolution (DE). The simulation results obtained for some well known benchmark examples justify the efficacy of the proposed system identification approach using CRPSO over RGA, PSO and DE in terms of convergence speed, unknown plant coefficients and mean square error (MSE) values produced for both the same order and reduced order models of adaptive IIR filters.     

改进粒子群算法的多峰值优化研究

粒子群优化算法对于多维函数的最优解搜索存在前期易陷入局部最优,后期收敛速度缓慢的问题.将改进的k-中心点聚类分析与PSO相结合提出了一种混合粒子群算法KM-PSO,用于多峰值问题的优化.在算法中,利用k-中心点聚类分析方法将粒子群划分成若干个子群,结合PSO的隐含并行搜索的优势增强了寻优性能.不仅增加了粒子间的信息交换,抑制了早熟收敛,还提高了全局寻优速度和计算精度.仿真实验结果表明,KM-PS0性能优于基本粒子群优化算法.     

改进粒子群优化在稳定平台多空间分析模型的应用

常规伺服系统根据电机轴系转动进行模型分析,以轴系所在的基座空间作为参照系。稳定平台的被控量以惯性空间作为参照系,因此不适合用常规伺服系统模型来建模。针对稳定平台的多参照系问题,文章采用以惯性空间作为电机轴系转动参照系的多空间分析模型,并将改进粒子群算法应用于该模型。粒子群算法作为一种群智能算法,广泛应用于参数优化。文中通过惯性权重改进和越界改进,利用改进后的粒子群算法进行稳定平台PID参数的优化和整定。通过仿真和硬件实验平台验证,结果表明:在稳定平台多空间分析模型基础之上,采用改进粒子群算法优化后的PID控制器可以使稳定平台有更高的稳定精度、更好的鲁棒性,有效地隔离了外部的震动和干扰。     

一种基于改进PSO的随机最大似然算法

随机最大似然算法(Stochastic Maximum Likelihood,SML)具有优越的波达方位(Direction-of-Arrival,DOA)估计性能,但SML解析过程较高的计算复杂度限制了该算法在实际系统中的应用.针对SML计算复杂度高的问题,提出一种低复杂度的粒子群优化算法(Particle Swarm Optimization,PSO),解决了传统PSO算法中粒子数多和迭代次数多的双重缺点.首先,根据天线获得的信号,将旋转不变子空间法(Estimation of Signal Parameters via Rotational Invariance Techniques,ESPRIT)求得的闭式解作为DOA的预估计值,同时计算系统此时的信噪比以及SML在此信噪比下的克拉-美罗界(Cramer-Rao bound,CRB).然后,根据DOA预估计值和当前CRB值在SML最优解的近邻范围内确定较小的初始化空间,并在该空间初始化少量粒子.最后通过设计合适的惯性因子w,使粒子以合理的速度搜索最优解.实验结果表明,改进PSO算法所需的粒子个数和迭代次数大约是传统PSO算法的1/5,降低了SML的解析复杂度,计算时间是传统PSO算法的1/10,因此在收敛速度上也有显著的优势.     

云计算中基于生物共生机制改进粒子群优化的任务调度方案

针对传统的基于智能算法的云计算任务调度方案获取最优解用时较多的问题,受生物界共生现象的启发,提出一种基于生物共生机制(SM)改进粒子群优化(PSO)的任务调度方案。首先,将PSO中的粒子分成2个种群,各自执行寻优。然后,每执行k次PSO迭代后,将两个种群中的个体进行互利共生和寄生操作。通过互利共生操作使搜索过程穿过最佳解区域,从而增强搜索能力;通过寄生操作排除较差解并引入较优解来防止过早收敛。最终获得任务调度的最优解。仿真结果表明,提出的优化算法可快速收敛,相比其他几种较新的调度方案,提出的方案能够获得最小的任务完成时间和响应时间。     

PID Controller Design for MIMO Processes Using Improved Particle Swarm Optimization

This paper aims at the PID control system design for multivariable input and multivariable output (MIMO) processes. An improved version of a particle swarm optimization (PSO) algorithm is utilized to design PID control gains in MIMO control systems. In addition to the individual best and the global best particles, the velocity updating formula of the developed algorithm includes a new factor, the best particle of each sub-population, to enhance the search capacity. Based on the improved particle swarm optimization (IPSO), a complete design strategy is proposed for MIMO PID control systems. All control gains will be evolved to the optimal values by minimizing the system performance criterion. To show the efficiency of the proposed design method, a multivariable chemical process system with two inputs and two outputs is illustrated. Some experiment results, including different algorithm parameter settings and comparisons with other methods, are given. Numerical simulations indicate that the proposed method is superior to other optimal methods.