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Snake的图像分割算法研究

图像分割算法是指从待割图像中提取出感兴趣的目标,以便进行图像分析与图像理解。Snake算法不同于传统的图像分割方法。文中详细介绍了Snake模型的数学机理及离散化方法,最后利用贪婪法实现了Snake算法,并应用与实际图像的分割。     

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。     

遗传算法理论及其应用研究进展

首先阐述遗传算法的原理和求解问题的一般过程;然后讨论了近年来从遗传算子、控制参数等方面对遗传算法的改进,并对遗传算法在计算机科学与人工智能、自动控制以及组合优化等领域的应用进行陈述;最后评述了遗传算法未来的研究方向和主要研究内容。     

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.     

基于禁忌搜索的混合粒子群优化算法

针对粒子群优化算法（PSO）易于陷入局部最优解并存在早熟收敛的问题,利用禁忌搜索算法较强的“爬山”能力,搜索时能够跳出局部最优解,转向解空间的其他区域的特点,提出了一种新的基于禁忌搜索（TS）的混合粒子群优化算法（TS—PSO）,并选用两个函数进行测试．结果表明,TS—PSO比其他改进粒子群算法更能提高收敛速度,获得全局最优解．     

一种新的融合粒子群算法的混合蟑螂群算法

针对连续蟑螂算法存在初始解质量不高和算法评价次数过多的问题,提出了一种融合了粒子群算法的混合蟑螂群算法并应用于函数优化问题.首先由基本粒子群算法快速收敛到解空间内一个相对优的解,然后由一种改进的蟑螂算法完成全局寻优.仿真结果显示:混合蟑螂算法具有收敛速度快、求解精度高的特点,其算法整体性能优于已存在的连续蟑螂算法.     

基于混沌粒子群的多飞艇资源配置规划方法

对地观测具有任务繁多、约束复杂、资源有限等特点,对观测资源配置进行合理规划具有重要意义。面向多飞艇多载荷对地观测任务,结合经典粒子群算法,研究了满足任务完成度、分辨率要求和负载均衡度等多目标的资源配置规划方法。在经典粒子群算法的基础上利用混沌优化技术进行改进,并设计实现了原型系统。实验验证了该资源配置规划方法的有效性。     

一种改进的粒子群算法稳定性证明及其应用

针对改进的粒子群算法缺乏理论上稳定性证明及其相应的参数选择问题．利用李雅普诺夫稳定性理论对个体决策粒子群算法给予稳定性证明,并给出相应的参数选择方式,改变传统粒子群算法只能从仿真角度说明该算法的稳定性。采用几个常用的测试函数进行仿真实验,与其他改进的粒子群算法相比,结果表明该算法具有更好的性能。