基于Toy模型蛋白质折叠预测的多种群微粒群优化算法研究

基于Toy模型的蛋白质折叠结构预测问题是一个典型的NP问题.提出了多种群微粒群优化算法用于计算蛋白质能量最小值.该算法采用了一种新的算法结构,在该结构中,每一代的种群被分为精英子种群、开采子种群和勘探子种群三部分,通过改善种群的局部开采能力和全局勘探能力来提高算法的性能.分别采用Fibonacci蛋白质测试序列和真实蛋白质序列进行了折叠结构预测的仿真实验.实验结果表明该算法能够更精确地进行蛋白质折叠结构预测,为生物科学研究提供了一条有效途径.     

基于微粒群算法和脉冲耦合神经网络的图像分割算法

脉冲耦合神经网络（Pulse Coded Neural Network,PCNN）在图像处理中得到了十分广泛的应用,但是其多个参数的设置给实际应用造成很大的困难。尤其是在图像分割中,不同类型的图像要求不同的分割参数,不同的参数对图像分割的结果影响很大。而微粒群优化算法（Partide Swarm Optimization,PSO）具有对参数自动寻优的优势,为此,将PSO和PCNN相结合,以改进的最大熵函数为适应度函数,提出了一种基于PSO和PCNN算法的图像自动分割算法。实验仿真结果验证了该方法的有效性,即不仅可以正确地实现图像分割,而且参数可以自动设置,省去了人工实验的麻烦,同时分割速度也有所提高。     

基于LS-SVM的陶瓷窑炉温度预测控制

针对陶瓷窑炉大热容量、大滞后、非线性等特点,提出了一种基于最小二乘支持向量机动态矩阵控制方法;首先,采用保证种群多样性微粒群算法优化的最小二乘支持向量机离线建立被控对象模型;然后在系统运行过程中,用动态矩阵预测算法实现对被控系统的预测控制;并以陶瓷窑炉温度为控制对象,与Smith预估控制以及内模控制算法进行了比较;仿真结果证明了所提控制方法具有很好的动、静态性能和强鲁棒性。     

求解旅行商问题的微粒群算法研究

本文基于微粒群算法,以解的质量和求解效率为目标,提出了一种基于微粒群算法的TSP问题求解算法,通过实验仿真验证了所提出方法的有效性。     

多目标微粒群优化算法综述

作为一种有效的多目标优化工具,微粒群优化(PSO)算法已经得到广泛研究与认可.首先对多目标优化问题进行了形式化描述,介绍了微粒群优化算法与遗传算法的区别,并将多目标微粒群优化算法(MOPSO)分为以下几类:聚集函数法、基于目标函数排序法、子群法、基于Pareto支配算法和其他方法,分析了各类算法的主要思想、特点及其代表性算法.其次,针对非支配解的选择、外部档案集的修剪、解集多样性的保持以及微粒个体历史最优解和群体最优解的选取等热点问题进行了论述,并在此基础上对各类典型算法进行了比较.最后,根据当前MOPSO算法的研究状况,提出了该领域的发展方向.     

粗糙集及PSO优化BP网络的故障诊断研究

针对PP神经网络故障诊断存在网络结构复杂、训练时间长、精度不高的问题,将粗糙集、微粒群算法、遗传算法引入到柴油机故障诊断中,提出了基于粗糙集理论与改进PP神经网络相结合的柴油机故障诊断算法。算法采用自组织映射方法对连续属性离散化,利用粗糙集理论对特征参数进行属性约简,使用微粒群算法优化PP网络结构,从而缩短训练时间,有效提高故障诊断的准确度。最后用柴油机的实际诊断结果验证了该算法的可行性、快速性和准确性。     

模糊系统的微粒群并行聚类算法

为了解决大规模的数据聚类问题时需要的大量计算,提出了一种模糊系统的微粒群优化并行k-means聚类算法。该方法利用模糊规则,动态地调整微粒群惯性权重和加速因子,克服群体逐渐失去迁移性而停止进化的问题,保证群体多样性而避免陷入局部极小值。采用任务并行和部分异步通信模式,降低计算时间。实验结果表明,该算法在并行机群上运行时,加快了聚类算法的计算速度,提高了聚类质量。     

基于单纯形微粒群优化算法Jensen模型参数求解

提出了基于单纯形微粒群优化算法（SMPSO）直接求解作物水分生产函数Jensen模型参数的方法。通过计算分析,用传统方法计算而得Jensen模型的相对产量与实际相对产量的相关指数为0．825,而用SMPSO（PSO）计算而得的相关指数为0．932;SMPSO寻优仅需要0．3973s,而PSO需要1．0783s。     

针状纳米氢氧化镁的形貌控制

以氯化镁和氢氧化钠为反应物，添加表面活性剂十二烷基苯磺酸钠（SDBS），在水溶液中利用反向沉淀法制备针状纳米氢氧化镁粉体，其直径为9～12nm，长度为40～110nm。并应用X射线粉末衍射仪（XRD）、场发射扫描电子显微镜（FESEM）、高分辨透射电子显微镜（HRTEM）对所制备粉体的晶型结构、粒度、形貌进行表征。同时讨论了表面活性剂／分散剂对纳米氢氧化镁粉体形貌的影响。     

差分进化微粒群优化算法-DEPSO

微粒群优化算法是一种新的进化计算技术,具有良好的优化性能,但是对于高维多模态函数,因进化后期微粒多样性的降低导致算法早熟收敛.文章提出的差分进化微粒群优化算法(DEPSO),拓宽了微粒信息传递的途径,增加了微粒的多样性,保证了算法的全局收敛.实验结果表明,DEPSO比PSO有更好的性能.