RBF神经网络参数估计的两种混合优化算法

基于全局搜索的进化算法和一种局部搜索算法———结构化的非线性参数优化方法（ＳＮＰＯＭ）,提出两种混合的优化算法来估计ＲＢＦ神经网络中的参数：１）初始化一定数目的种群作为ＳＮＰＯＭ 的初始值得到其适应值,通过选择、交叉和替换策略来更新种群;２）采用进化算法运行一定的代数,从最终群体中选取一些个体进一步用ＳＮＰＯＭ来优化．这两种混合优化算法的本质是用进化算法为ＳＮＰＯＭ 搜寻最优初始值,以得到全局最优解．仿真实验结果表明,该混合算法比单独使用进化算法或ＳＮＰＯＭ 更优,且优于其他一些算法．

     

PSO算法粒子运动轨迹稳定收敛条件分析

由于随机量的作用,粒子群优化算法（ＰＳＯ）中粒子的位置迭代是一个非线性动态离散过程,单个粒子在随机量影响下的运动方程可转换为一个二阶变系数非齐次方程．为此,利用Ｌｙａｐｕｎｏｖ稳定定理对该方程的稳定性作了深入研究,分析得到了使粒子运动稳定收敛的惯性权重和随机参数取值条件．实验结果表明,按照所得到的条件选择参数取值,能使粒子运动轨迹快速稳定收敛．该结果有助于实际应用中ＰＳＯ 算法参数的选择和调整．

     

基于混沌的弹性粒子群全局优化算法

为了克服粒子群优化容易陷入局部极小的缺陷,利用粒子速度不依赖于其与最优粒子之间距离的大小,而仅依赖其方向信息的特点,采用自适应策略弹性地修正粒子速度的幅值．同时,充分利用混沌运动的遍历性、随机性及对初值的敏感性等特性,提出一种基于混沌的弹性粒子群优化（ＣＲＰＳＯ）算法,并将其成功用于典型多极点函数优化．仿真结果表明,该算法增强了摆脱局部极值点的能力,提高了收敛速度和精度．

     

一种二进制编码的量子粒子群优化算法

针对离散空间优化问题,给出二进制编码的量子粒子群优化（ＢＱＰＳＯ）算法的设计思路,重新定义粒子的位置矢量和粒子之间的距离,提出了ＢＱＰＳＯ 算法的进化方程．通过泛函分析的方法分析了ＢＱＰＳＯ 算法的收敛性,得出全局收敛的结论,并通过多个测试函数测试了ＢＱＰＳＯ 算法的性能．求解结果验证了算法的优越性．     

基于特征约束和均值漂移的机动目标粒子跟踪

粒子滤波是适用于非线性非高斯系统下目标跟踪的强有力工具．ＭｉｒｏＳｏｔ足球机器人系统可以作为研究机动目标跟踪问题的平台．对此,在分析ＭｉｒｏＳｏｔ系统目标特征的基础上,提出一种基于目标特征约束的均值漂移粒子滤波算法,利用约束和优化的思想提高粒子的质量并减少其数量．对比实验表明,该方法有效地克服了传统粒子滤波的计算量和粒子退化问题,保证了多机动目标跟踪的准确性和实时性．

     

改进的多种群协同进化微粒群优化算法

提出一种改进的基于多种群协同进化的微粒群优化算法（ＰＳＯ）．该算法首先利用免疫算法实现解空间的均匀划分,增加了算法稳定性和全局搜索能力．在运行过程中,通过种群进化信息生成解优胜区域,指导变异生成的微粒群向最优解子空间逼近,提高算法逃出局部最优的能力．将此算法与ＰＳＯ 算法和多种群协同进化微粒群算法进行比较,数据实验证明,该算法不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和稳定性均有显著提高．

     

一类新的粒子群算法

提出一种新的模糊粒子群优化算法---收敛模糊粒子群优化算法.重点研究了收敛因子的确定和模糊隶属度函数的选择对算法性能的影响.在考虑计算效率的同时,提高了算法的精度.利用4个基准函数测试了收敛模糊粒子群优化算法的性能,并与模糊粒子群优化算法$收敛粒子群优化算法以及基本粒子群优化算法进行了对比.实验结果表明#新算法具有很好的性能.

     

离散微粒群优化算法的研究进展

首先,介绍了近年来出现的５种较为典型的离散ＰＳＯ,并分析了它们与基本ＰＳＯ 之间的联系和区别;然后,归纳了提高离散ＰＳＯ 优化性能的若干途径,并总结了离散ＰＳＯ 的应用现状;最后,探讨了离散ＰＳＯ 有待进一步研究的若干方向和内容．

     

基于TS／VDS算法的涤纶短纤维生产调度优化

采用禁忌搜索（ＴＳ）／变深度搜索（ＶＤＳ）混合算法对涤纶短纤维生产调度优化问题进行优化．混合算法通过改变常规ＴＳ算法邻域,采用变深度搜索技术增强了算法寻优能力．某大型石化企业实际数据的实验结果表明,该算法在寻优能力和求解时间上比常规ＴＳ算法更加有效,能够在更短的时间内获得满意解,对于解决多产品多阶段连续生产调度问题具有实用价值．

     

一种基于种群速度的自适应粒子群算法

分析了粒子群算法的收敛性,指出早熟是由于粒子速度降低而失去继续搜索可行解的能力．进而提出一种基于种群速度动态改变惯性权重的粒子群算法,该算法以种群粒子平均速度为信息动态改变惯性权重,避免了粒子速度过早接近０．通过５个标准测试函数的仿真实验并与其他算法相比,结果表明该算法在进化中期能很好地保持种群多样性,有效地改善算法的平均最优值和成功率．

     

一种用于事件监测的传感器网络拓扑控制策略

针对事件驱动型传感器网络应用系统,基于简化的ＡＯＤＶ（ａｄｈｏｃ ｏｎｄｅｍａｎｄｄｉｓｔａｎｃｅｖｅｃｔｏｒｒｏｕｔｉｎｇ）（Ｓ-ＡＯＤＶ）算法,提出一种结合预先路由和按需路由的混合拓扑控制策略,通过随机选择一部分节点预先运行Ｓ-ＡＯＤＶ算法来减小事件发生时任务节点的初始拓扑建立时延．仿真实验表明,该策略能以较小的能耗代价换取较快的系统响应速度,满足了事件监测类应用的实时性要求．

     

自适应进化多目标粒子群优化算法

提出一种自适应进化粒子群优化算法以求解多目标优化问题．采用非支配排序策略和动态加权法选择最优粒子,引导种群飞行,提高Ｐａｒｅｔｏ解的多样性．采用动态惯性权重,提高其全局寻优能力．当种群的寻优能力减弱时,采用变异操作以引导粒子群跳出局部最优．通过ＺＤＴ１～ＺＤＴ４ 基准函数验证,该算法能够在保持优化解多样性的同时实现较好的收敛性．与其他多目标进化算法和多目标粒子群优化算法相比,该算法具有较好的性能．

     

一种动态分级的混合粒子群优化算法

针对粒子群算法早熟收敛和搜索精度不高的问题,提出一种动态分级的混合粒子群优化算法．该算法采取３种级别的并行粒子群算法,分别用于全局搜索和局部搜索及二者的结合,并根据搜索阶段动态调整各种级别中并行变量的数目．在全局搜索中,将混沌机制引入算法中以增强算法的全局搜索能力;在局部搜索中,采用单纯形法对适应度最优解进行局部寻优．仿真实验表明,该算法比其他优化算法具有更好的性能．

     

基于粒子群的CDMA功率和速率联合控制算法

提出了基于效用函数的ＣＤＭＡ 网络下行链路的功率和速率联合控制最优化算法．在这类算法中,效用函数为非凸函数,经典的最优化理论很难解决这类问题．将粒子群优化方法应用于算法的非凸性设计,并通过仿真算例证明了该算法能有效解决非凸优化问题,且可保证系统的公平性．

     

动态环境下的双子群PSO算法

通过两组搜索方向相反,相互协同的主,辅子群,构造一种新的双子群粒子群优化算法.该算法扩展了种群的搜索范围,充分利用搜索域内的有用信息,在感知到环境变化时能迅速,准确地跟踪动态变化的极值.使用(Dynamic Function 1)生成的复杂动态环境对该算法进行了验证,并与Eberhart提出的动态环境下的粒子群优化算法进行了比较分析.仿真结果表明了该算法的有效性.

     

基于并行二进制免疫量子粒子群优化的特征选择方法

为提高文本挖掘算法的运行速度,降低占用的内存空间,提出一种基于并行二进制免疫量子粒子群优化的特征选择方法．该方法采用二进制免疫量子粒子群优化搜索特征子集,利用并行算法来提高时间效率,从而较快地获得较具代表性的特征子集．实验结果表明该算法是有效的．

     

两种求解非正定核Laplac-SVR的SMO算法

提出２种用于求解非正定核Ｌａｐｌａｃｅ ＳＶＲ 的序列最小最优化（ＳＭＯ）算法．第１种算法仅针对Ｌａｐｌａｃｅ ＳＶＲ而设计;第２种算法将Ｌａｐｌａｃｅ ＳＶＲ 作为所要解决问题的一种特殊情况,使算法更具通用性．所提出的算法在保证收敛的前提下,使非正定Ｌａｐｌａｃｅ ＳＶＲ 能够达到比较理想的回归精度,具有一定的理论意义和实用价值．

     

基于随机黑洞和逐步淘汰策略的多目标粒子群优化算法

提出一种基于随机黑洞粒子群算法(RBH-PSO) 和逐步淘汰策略的多目标粒子群优化(MRBHPSO-SE) 算法. 利用RBH-PSO 全局优化能力强和收敛速度快的优点逼近Pareto 最优解; 为了避免拥挤距离排序策略的缺陷, 提出逐步淘汰策略, 并将其应用到下一代粒子的选择策略中. 同时, 动态选择领导粒子, 运用动态惯性权重系数和变异操作 来增强种群全局寻优能力, 以及避免早熟收敛. 利用具有不同特点的测试函数进行验证, 结果表明, 与同类算法相比, 该算法具有较高的精度并兼顾优化解的多样性.

     

基于Ｍｅａｎ Ｓｈｉｆｔ和自适应预测的非刚性目标跟踪算法

传统Ｍｅａｎ Ｓｈｉｆｔ跟踪算法在目标发生机动或存在遮挡的情况下跟踪效果不理想．对此,结合目标的形状特征和颜色的可区分度对传统的颜色直方图进行改进,给出了将Ｍｅａｎ Ｓｈｉｆｔ和卡尔曼滤波器或粒子滤波器相结合的目标运动自适应跟踪算法,并针对粒子滤波器计算量大的问题,给出了运用两种不同运动式粒子进行有效预测的方法．结果表明,该算法可实现快速的非刚性目标跟踪,对目标的不规则运动和严重遮挡具有很好的鲁棒性．

     

结构复杂数据的半监督聚类

基于成对限制,提出一种半监督聚类算法（ＳＣＣＤ）,它能够处理存在多种密度结构复杂的数据且识别任意形状的簇．利用成对限制反映的多密度分布信息计算基于密度的聚类算法（ＤＢＳＣＡＮ）的邻域半径参数Ｅｐｓ,并利用不同参数的ＤＢＳＣＡＮ 算法处理复杂形状且密度变化的数据集．实验结果表明,ＳＣＣＤ 算法能在噪声环境下发现任意形状且多密度的簇,性能优于已有同类算法．