基于粒子群优化算法的聚类分析

基于求解实优化问题时粒子群算法优于遗传算法这一事实,在基于遗传算法的K-均值聚类算法的基础上,给出了一种摹于粒子群优化算法的聚类方法。实验结果显示,基于粒子群优化算法的聚类方法在收敛速度方面明显优于基于遗传算法的聚类方法。     

基于粒子群优化和遗传算法的协同聚类算法

为充分发挥粒子群优化算法和遗传算法各自的优势,提出一种新的基于粒子群和遗传算法的协同进化算法,并将其应用于聚类分析。通过构建2个相互竞争的种群,采用相对适应度度量方法,在一个纯自举的过程中产生最优竞争个体。在现实世界数据集上的仿真实验表明,该算法在收敛精度方面优于基于遗传算法的聚类方法和基本粒子群优化聚类算法。     

一种自适应惯性权重的并行粒子群聚类算法

针对K-means聚类算法和基于遗传（GA）的聚类算法的一些缺点,及求解实优化问题时粒子群算法优于遗传算法这一事实,提出了一种自适应惯性权重的并行粒子群聚类算法。理论分析和实验表明,该算法在收敛速度和收敛精度方面明显优于基于遗传算法的聚类方法。     

基于PSO信息传递模式的混合算法

粒子群优化算法（Particle Swarm Optimization,PSO）是一种基于群智能（Swarm Intelligence）的随机优化计算技术。PSO和遗传算法这两种算法相比较,PSO收敛快速准确,但编码形式单一,局限于解决实优化问题,而遗传算法编码形式灵活,解决问题广泛,但执行效率低于PS00。将粒子群算法的信息传递模式与遗传算法的编码和遗传操作相结合,提出一种混合算法。并推导了两个算法之间的密切联系。并通过组合优化和函数优化的基准测试集对算法进行测试,试验结果表明,该算法在收敛精度和速度优于传统遗传算法。同时,也观察到该算法取得了与粒子群算法一致的收敛现象。     

基于混合算法的降水集成预报研究

为进一步提高降水预报的准确性,针对预报产品的多样性及其预报结果的差异性,综合粒子群算法和遗传算法的优点,将基于粒子群算法和遗传算法的混合算法应用于降水集成预报。利用天津市气象局提供的实际测量数据,通过对各模式降水预报数据的筛选处理,结合基于粒子群算法和遗传算法的混合算法集成模型,实现了多种预报模式降水数据的集成处理,并与传统方法集成及单一粒子群算法和单一遗传算法集成进行了对比研究。实验表明,混合算法的集成结果优于传统集成方法及单一粒子群算法和单一遗传算法集成,并好于任意一个模式成员。     

基于多种群进化与粒子群优化混合的频谱分配算法

为了解决认知无线网络中的频谱分配问题,提出一种基于多种群进化与粒子群优化混合的频谱分配算法。它采用图论着色模型,首先使用遗传算法将多个种群进行独立进化,以提高种群的全局搜索能力;然后选出每个种群中的最优的个体作为粒子群优化的粒子,并通过控制每个粒子的初始速度方向来加快算法的收敛速度。最后以系统总收益最大化和用户间的公平性为优化目标与遗传算法和粒子群算法进行了对比实验,仿真结果表明,该算法在收敛速度、认知用户接入公平性和系统总收益3个方面的性能均优于遗传算法和粒子群算法。     

利用改进遗传算法优化PID参数

为了改善单纯遗传算法早熟收敛与寻优能力不足的问题,将粒子群算法引入遗传算法变异操作中,提出了一种基于遗传算法与粒子群算法的组合算法。将改进的遗传算法应用于PID控制器参数优化中,通过仿真实验表明,新算法效果明显优于单纯遗传算法,能有效克服早熟收敛现象、降低随机性初始种群的影响、提高算法收敛精度,具有良好的收敛性和寻优能力。     

色彩量化的模糊粒子群优化技术

把粒子群算法应用到色彩量化中,结合已有的模糊C均值聚类量化方法,提出了一种基于粒子群优化的色彩量化算法。模糊C均值聚类量化算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解;PSO算法是一种基于群体的具有全局寻优能力的优化方法。将模糊C均值聚类量化算法和PSO算法结合起来,把模糊C均值聚类量化算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明,新算法在均方根误差和峰值信噪比评判准则下能够得到最优的量化结果。     

改进的粒子群算法在电力系统AGC中的应用

针对自动发电控制(AGC)中的负荷频率控制(LFC),对粒子群算法的计算过程进行了改进,提出了一种能有效的协调粒子群算法的优化精度和优化速度的方法,即动态改变粒子数目。该方法基于粒子群算法对于粒子数目的相对不敏感,可以在不影响精度的前提下大幅度提高优化速度,节约计算时间,适应予优化对象较复杂的情况。并针对单区域和两区域互联电力系统的不同指标要求,给出了用改进的粒子群优化算法优化PI控制器参数的方法,分别进行优化设计。仿真结果显示,其性能明显优于遗传算法优化的PI控制器。     

混沌变异粒子群优化算法及其应用研究

为克服粒子群优化算法容易陷入局部最优值的缺点,提出了基于变异思想的粒子群优化算法,为提高粒子群优化算法的计算精度,利用混沌运动随机性、遍历性的特点,提出了一种基于混沌思想的改进粒子群优化算法,进而提出了基于混沌变异的改进粒子群优化算法(CMPSO).基于几种典型benchmark函数的测试研究结果表明,该算法与基本PSO算法和遗传算法相比,较好地克服了早熟收敛,提高了算法的搜索精度.将该算法应用于水库优化调度问题中,所得结果优于标准粒子群优化算法和遗传算法,这也验证了混沌变异粒子群优化算法的有效性.     

Color image quantization using flower pollination algorithm

Flower pollination algorithm (FPA) is a swarm-based optimization technique that has attracted the attention of many researchers in several optimization fields due to its impressive characteristics. This paper proposes a new application for FPA in the field of image processing to solve the color quantization problem, which is use the mean square error is selected as the objective function of the optimization color quantization problem to be solved. By comparing with the K-means and other swarm intelligence techniques, the proposed FPA for Color Image Quantization algorithm is verified. Computational results show that the proposed method can generate a quantized image with low computational cost. Moreover, the quality of the image generated is better than that of the images obtained by six well-known color quantization methods.

     

基于改进并行粒子群算法的彩色图像匹配

本文给出了对解决图像匹配问题的一种新尝试,即基于改进并行粒子群算法的彩色图像匹配。本文提出和建立对彩色图像匹配问题的匹配策略和数学模型,应用改进并行粒子群算法(基于 .Net任务并行库(TPL)/PLINQ实现并行化)进行仿真实验并将实验结果与标准粒子群算法下的彩色图像匹配问题的实验结果进行比较,验证了算法的实用性和有效性。在大数据背景下的智能算法的应用方面迈进了一小步,同时也给本身研究不多的彩色图像匹配问题提供了一种新的且可行的解决方法。     

Image vector quantization algorithm via honey bee mating optimization

The vector quantization (VQ) was a powerful technique in the applications of digital image compression. The traditionally widely used method such as the Linde–Buzo–Gray (LBG) algorithm always generated local optimal codebook. Recently, particle swarm optimization (PSO) is adapted to obtain the near-global optimal codebook of vector quantization. An alternative method, called the quantum particle swarm optimization (QPSO) had been developed to improve the results of original PSO algorithm. In this paper, we applied a new swarm algorithm, honey bee mating optimization, to construct the codebook of vector quantization. The results were compared with the other three methods that are LBG, PSO–LBG and QPSO–LBG algorithms. Experimental results showed that the proposed HBMO–LBG algorithm is more reliable and the reconstructed images get higher quality than those generated from the other three methods.     

一种改进彩色图像分割方法

文章首先通过非线性变换把RGB彩色图像转换为HSV彩色图像,然后和构造的一个卷积模板相乘,将相乘结果用于文中提出的改进粒子群优化算法中,将图像分割出来,从而文章提出了一种新的彩色图像分割方法。经过仿真实验表明,文中提出的方法不仅图像分割效果好,而且运算时间也有明显减少,改进粒子群优化算法收敛快且稳定,从而证明了该方法是可行和有效的。     

Evolutionary fuzzy particle swarm optimization vector quantization learning scheme in image compression

This article develops an evolutional fuzzy particle swarm optimization (FPSO) learning algorithm to self extract the near optimum codebook of vector quantization (VQ) for carrying on image compression. The fuzzy particle swarm optimization vector quantization (FPSOVQ) learning schemes, combined advantages of the adaptive fuzzy inference method (FIM), the simple VQ concept and the efficient particle swarm optimization (PSO), are considered at the same time to automatically create near optimum codebook to achieve the application of image compression. The FIM is known as a soft decision to measure the relational grade for a given sequence. In our research, the FIM is applied to determine the similar grade between the codebook and the original image patterns. In spite of popular usage of Linde–Buzo–Grey (LBG) algorithm, the powerful evolutional PSO learning algorithm is taken to optimize the fuzzy inference system, which is used to extract appropriate codebooks for compressing several input testing grey-level images. The proposed FPSOVQ learning scheme compared with LBG based VQ learning method is presented to demonstrate its great result in several real image compression examples.     

基于QPSO算法的作业车间调度问题的研究

针对现行的遗传算法存在进化速度过慢和过早收敛的局限,以及粒子群优化算法搜索空间有限、容易陷入局部最优点的缺陷,提出将一种基于量子行为的粒子群优化算法应用于作业车间调度问题.将该问题中的每个调度组成一个多维向量,以此向量作为量子粒子群优化算法中的粒子进行进化,由此在解空间内搜索最优解.实例仿真结果表明,该算法收敛速度快、全局收敛性能好,可以得到比遗传算法、粒子群优化算法更佳的调度效果,证明了算法的有效性.     

改进混合粒子群算法的立体车库存取调度

为了进一步提高立体车库存取效率，提出一种改进混合粒子群算法，应用于立体车库存取策略时间模型，寻找存取车最优时间和最优排序。该算法主要在粒子群算法前期引入遗传算法，改善全局搜索能力，后期引入模拟退火算法弥补其局部搜索能力弱的特点。与目前应用于立体车库存取车调度的遗传算法相比，改进混合粒子群算法存取效率提高了24.5%~36.07%，并优于其他车库调度算法，提高了车库运营效率。