基于拥挤距离的动态粒子群多目标优化算法

提出了一种改进的基于拥挤距离的动态粒子群多目标优化算法。为提高粒子的全局搜索能力,提出了新的动态变化惯性权重和加速因子的方法。引进了拥挤距离排序方法维护外部精英集和更新全局最优值。为保持非劣解的多样性,采用了小概率变异机制,并根据种群的大小选择不同的变异概率。最后,把算法应用到5个典型的多目标测试函数并与其他算法进行比较。实验结果表明,该算法所得的Pareto解集有很好的收敛性和多样性。     

基于改进粒子群优化算法的IIR数字滤波器设计

针对粒子群优化(PSO)算法存在早熟收敛问题,提出了一种改进算法——带有柯西扰动的重分布粒子群优化(RPSO)算法,并应用于IIR数字滤波器的优化设计。RPSO在检测到粒子群早熟收敛时,自动触发粒子重分布机制,帮助粒子逃离局部收敛区域,同时在迭代过程中对种群的全局最优位置施加柯西扰动以保持种群的多样性。仿真实验结果表明,在对IIR数字滤波器设计时,RPSO算法的性能优于粒子群、量子粒子群以及基于混沌变异的粒子群优化等算法。     

改进多目标粒子群算法及其在电弧炉供电优化中的应用

针对炼钢过程的供电优化问题,提出了一种改进的多目标粒子群算法（CRMOPSO）．文中利用约束条件满意度函数并加权求和的策略将约束条件转化为一个待优化目标;同时为了克服基本多目标粒子群算法在求解复杂优化问题时,搜索速度较慢,精度较低的缺点,引入变区域加速算子以提高算法收敛速度和精度;针对算法易于早熟收敛的问题,引入混沌算子以提高算法局部搜索能力;进化过程中采用受约束的竞争选择机制（RCS）小生境技术保证种群多样性．建立了新的供电多目标优化模型并将CRMOPSO算法用于该模型优化电弧炉供电过程,达到了减少电量消耗,缩短冶炼时间,延长炉衬使用寿命的目的,表明了该算法的有效性．     

基于伪幂函数的离散粒子群算法及其应用

针对概率贪婪离散粒子群算法不能兼顾收敛速度与收敛率的缺点,提出一种基于伪幂函数的离散粒子群算法.该方法对贪婪度函数进行伪幂化处理,提高了较远离散位置的选择概率,降低了较近离散位置的选择概率,能有效避免早熟收敛,提高收敛率.对该算法的性能进行了分析.无线传感网络路由优化结果表明,该算法可以获得较好的优化结果.     

基于参考点和投票规则的多目标粒子群优化群体决策

针对巨量可选方案的群体决策问题,提出了一个新的基于参考点和投票规则的多目标粒子群优化算法。该算法把个体与参考点的支配关系或者距离作为一个重要因素,在选择引导者的锦标赛方法,局部最优更新规则,以及外部种群档案剪枝规则中都嵌入了基于支配关系或距离因素的投票规则,以找到群体决策解,并且提高搜索效率。仿真结果表明该算法有效。     

基于DWSPSO的软件测试数据自动生成

针对软件结构测试数据的自动生成提出了一种动态改变惯性权重的简化粒子群算法(DWSPSO)。该算法舍弃了粒子速度这个参数,并通过粒子群中所有粒子适应度的整体变化跟踪粒子群的状态。在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性全局搜索与局部搜索能力。实验结果表明,该算法在测试数据的自动生成上,优于基本的粒子群算法以及惯性权值线性递减粒子群算法(LDWPSO)。     

基于线性规划和遗传–粒子群算法的烧结配料多目标综合优化方法

针对钢铁企业二次配料工艺,本文采用将硫含量折算为可比成本,兼顾节能减排目标和配料成本,建立了二次配料多目标优化模型;提出了一种基于线性规划和遗传–粒子群算法（GA–PSO）的钢铁烧结配料优化方法.首先采用线性规划算法进行求解,若线性规划方法无法求得最优解,则采用GA–PSO算法进行搜索.该方法应用于某钢铁企业360m2生产线的＂配料优化与决策支持系统＂中,实际运行结果表明,该算法在保证烧结矿质量的前提下,能够有效地减少二氧化硫排放,降低配料成本.     

基于自适应噪声抵消的CZ单晶炉炉膛温度信号处理

为滤除CZ单晶炉炉膛温度信号在单晶生长过程中存在的低频干扰,提出一种基于噪声抵消技术的滤波方法.首先利用傅立叶级数构造出低频干扰的逼近信号,然后根据炉温信号的缓变特征建立能够获取低频干扰逼近信号的抵消器误差函数,最后利用一种改进的粒子群优化算法优化误差函数获得低频干扰的逼近信号,并用该逼近信号抵消低频干扰.实验结果表明,所提出的自适应噪声抵消滤波算法能够有效滤除CZ单晶炉炉膛温度信号中的低频干扰,并优于常用的滤波方法.     

基于最小二乘支持向量机的机器视觉识别方法

为了解决传统的机器视觉识别技术识别精度低的难题,提出基于粒子群优化最小二乘支持向量机的机器视觉识别方法.首先,对机器视觉采集的图像进行特征提取;然后,利用特征数据建立基于粒子群优化最小二乘支持向量机的识别模型;最后,以红枣缺陷识别作为应用案例以证明该方法的有效性及优越性.分别采用人工神经网络、支持向量机与该方法进行对比...     

基于量子遗传算法的无线传感器网络路由研究

对于无线传感器网络(WSNs)中的两大关键性问题路由搜寻和能量优化,引入量子遗传算法进行路径的搜寻,并改进算法编解码思路,降低由于网络规模扩大而导致编码长度急速增加,即减少算法的计算复杂度,从而解决传统编码方式下的量子遗传算法难以适用于大规模的WSNs的缺点。通过实验表明:该方法能够得到更加优越和稳定的路径搜索结果,与粒子群优化算法进行1000次重复路径搜寻试验比较,其平均最优解提高了18.9%,稳定性提升了38.9%。