基于CUDA的并行粒子群优化算法研究及实现

应用图形处理器(GPU)来加速粒子群优化(PSO)算法并行计算时,为突出其加速性能,经常有文献以恶化CPU端PSO算法性能为代价。为了科学比较GPU-PSO算法和CPU-PSO算法的性能,提出用"有效加速比"作为算法的性能指标。文中给出的评价方法不需要CPU和GPU端粒子数相同,将GPU并行算法与最优CPU串行算法的性能作比较,以加速收敛到目标精度为准则,在统一计算设备架构(CUDA)下对多个基准测试函数进行了数值仿真实验。结果表明,在GPU上大幅增加粒子数能够加速PSO算法收敛到目标精度,与CPU-PSO相比,获得了10倍以上的"有效加速比"。     

基于P系统的粒子群优化算法

为了克服算法早熟收敛问题并提高算法精度, 引入了膜计算理论。将PSO算法与P系统相结合, 提出了一种基于P系统的粒子群优化算法 (P-PSO), 有效地平衡粒子群的全局搜索和局部寻优。采用常用的三个测试函数对新算法进行了实验, 结果表明, 提出的P-PSO算法有效地解决了算法早熟问题, 提高了算法的收敛精度。由此可见, P-PSO算法能够有效改进原有PSO算法的性能。     

基于AR规则的全路径测试数据自动生成方法

基于全路径的研究现正处于起步阶段,提出了一种全新的NRPS算法（不重复路径搜索算法）和AR规则来对程序的源文件进行静态分析,生成有向无负权图,进而得到不重复路径集;并结合粒子群优化算法最终生成最优测试用例。实验表明,该方法具有可行性。     

基于蜂群算法的移动agent迁移策略研究*

旅行agent问题是一个复杂的组合优化问题,在于解决保证agent在不同主机间移动时如何根据任务情况规划路线,实现在完成任务时间最短的路线上迁移。采用进化算法的搜索求解具有启发性强、鲁棒性强的特点,但也面临着陷于局部最优解,导致agent在迁移过程中整体任务完成效率降低等问题。提出了一种基于蜂群算法的agent迁移模型,将agent划分为侦察、引领和跟随三种角色,agent通过彼此间的信息互换,在群体迁移的过程中同时实施新路径的发现和调整。实验结果表明,该算法可以很好地实现目标寻径效率,与经典蚁群算法相比     

基于新型免疫粒子群优化的热连轧负荷分配策略*

针对带钢热连轧精轧中的负荷分配问题,提出了一种新型的优化策略。首先提出了一种新型的免疫粒子群混合优化算法,通过克隆选择算子来调节群体的浓度,实现混合算法的个体高亲和力和群体的多样性; 然后通过提出的混合算法对负荷分配进行优化,得到优化的压下量数据,通过这些数据建立了计算负荷分配输出的人工神经网络。实验表明,提出的混合算法和负荷分配优化策略给出了很好的优化效果,能有效地指导实际生产应用。     

基于混沌微粒群算法的文本分类研究*

针对中文文本分类问题,将其用于分类规则的抽取。为了避免微粒群算法在全局优化中陷入局部极值,利用混沌运动遍历性、随机性等特点,对标准微粒群算法进行了改进,提出了基于混沌微粒群算法的文本自动分类方法。仿真实验表明本算法对文档进行分类是一种比较可行的分类方法,分类精度高、速度快。     

一种信息点多样性的粒子群优化算法

针对PSO在寻优后期尤其在高维搜索空间中无法得到满意结果,提出了一种信息点多样性的改进粒子群优化算法。粒子个体最优位置及全局粒子最优位置是两个有用的精确的信息点,而PSO的信息交互方式正依赖于这两个信息点,从多样性方面考虑,将该有用的信息点增加为粒子个体最优位置附近随机的一点。实验仿真结果表明,新算法的全局搜索能力、收敛速度、精度和稳定性均有了显著提高。     

基于PSO的多机器人编队控制

提出了一种新的编队算法。该算法针对不同的编队形状,根据机器人的位置信息,构造不同的函数,利用群体智能优化算法中的微粒群算法进行函数优化,优化过程中的最优解作为机器人的运动方向。最后利用该算法实现了线形、三角形、六边形和圆形编队,仿真结果表明了该算法的有效性。     

PSO-SVM模型的构建与应用

为了使支持向量机(SVM)获得更好的分类效果,针对人为选择参数的随机性,提出了利用粒子群算法(PSO)进行参数自动选取的优化方法,构建了PSO-SVM模型.在个人信用评估中,通过对粒子适应度函数的设置来控制造成较大损失的第二类误判,应用结果表明:模型在训练和测试样本中的分类精度可以达到95%,第二类误判率分别仅为0.78%和2.02%.利用PSO对SVM中的参数进行优化,可以避免人为选择的随机性,并且在解决分类问题中表现出较好的稳健性.     

Support vector machine forecasting method improved by chaotic particle swarm optimization and its application

By adopting the chaotic searching to improve the global searching performance of the particle swarm optimization (PSO), and using the improved PSO to optimize the key parameters of the support vector machine (SVM) forecasting model, an improved SVM model named CPSO-SVM model was proposed. The new model was applied to predicting the short term load, and the improved effect of the new model was proved. The simulation results of the South China Power Market’s actual data show that the new method can effectively improve the forecast accuracy by 2.23% and 3.87%, respectively, compared with the PSO-SVM and SVM methods. Compared with that of the PSO-SVM and SVM methods, the time cost of the new model is only increased by 3.15 and 4.61 s, respectively, which indicates that the CPSO-SVM model gains significant improved effects. Foundation item: Project(70572090) supported by the National Natural Science Foundation of China