多阶段多模型的改进微粒群优化算法

针对微粒群优化算法在解决复杂优化问题时易于出现早熟收敛现象,提出了一种多阶段多模型的改进微粒群优化算法。考虑寻优不同阶段的开发与探测能力需求的差异,算法将寻优过程分成3个阶段,各阶段采用不同的模型进行进化。第一阶段利用标准微粒群优化算法发现局部极值的邻域;第二阶段利用Cognition Only模型快速找到局部极值点,提高寻优效率;第三阶段,提出了一种改进的进化模型,利于粒子快速跳出局部极值点,寻找到全局最优点。4种复杂测试函数的实验结果表明：该算法比标准微粒群优化算法（PSO）和基于不同进化模型的两群优化算法（TSE-PSO）更容易找到全局最优解,相比两群微粒群优化算法,还能在一定程度上提高优化效率。     

基于HMM和微粒群优化算法的表情识别

提出基于微粒群优化算法(PSO)的隐马尔科夫模型(HMM)训练算法,分别用PSO和量子微粒群优化算法进行HMM的参数估计,以提高HMM的性能。将改进的HMM算法应用于人脸表情识别,采用离散余弦变换提取表情特征向量。实验结果表明,该算法能有效提高表情识别率,解决HMM的参数估计问题。     

微粒群优化算法

介绍了微粒群优化（PSO）算法的原理、算法流程、算法参数及其对算法性能的影响．讨论了各种改进的PSO算法．分析了多相微粒群优化算法（MPPSO）的原理、算法方程、算法参数及其对算法性能的影响．最后归纳了PSO算法的应用概况，并就PSO算法进一步的研究工作进行了探讨和展望．     

基于PSO的模糊控制器参数优化设计

本文提出了将微粒群优化(PSO)算法应用于模糊控制器的参数优化设计中,针对常用的工业对象模型进行了仿真实验,仿真结果表明基于微粒群算法优化模糊控制器参数可以获得满意的控制效果,PSO算法为模糊控制器的设计提供了一种的新的思路.     

基于改进的PSO算法的神经网络相关性剪枝优化*

针对传统的神经网络训练算法收敛速度慢、易陷入局部最优的问题,提出了一种基于改进的分期变异微粒群优化算法（SMPSO）的神经网络相关性剪枝优化方法。SMPSO在初期使适应度过低的微粒发生变异,在后期使停滞代数过高的个体极值和全局极值发生变异,后将SMPSO用于优化神经网络相关性剪枝算法。实验结果表明,该方法与采用BP算法及标准PSO算法进行相关性剪枝相比,在训练收敛速度、剪枝效率及分类正确率三方面都有较大提高。     

改进微粒群优化算法求解旅行商问题

对微粒群优化算法的速度位置算式进行了改进,提出一种改进的微粒群优化算法。该算法符合组合优化问题的特点,在求解旅行商问题上有较高的搜索效率。将改进的PSO算法分别应用于14点的TSP问题以及中国旅行商问题中,该算法在较短时间内获得了目前已知的最好解。     

基于微粒群算法的非线性系统模型参数估计

微粒群优化(PSO)算法是一种进化算法,包含的概念简单.本文不同于传统的非线性模型参数估计方法,将微粒群优化算法应用于非线性系统模型(NSM)的参数估计,并通过重油热解三集总模型参数估计进行PSO算法效果测试.实验结果表明:微粒群算法为非线性系统模型参数估计提供了一种新方法.     

利用改进微粒群算法优化PID参数

提出一种利用改进微粒群算法优化PID参数的方法。微粒群算法(PSO)是一种随机全局优化技术，算法通过微粒间的相互作用发现复杂搜索空间中的最优区域，算法简单、容易实现且功能强大。将PSO算法加以改进并应用在PID控制器的参数优化，经仿真证明了PSO算法的有效性，其性能优于遗传算法和传统的经验公式。     

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.     

增强型微粒群优化算法及其在软测量中的应用

对微粒群优化算法(PSO)进行分析,提出一种增强型微粒群优化算法(EPSO),用EPSO和PSO对几种常用函数的优化问题进行测试比较,结果表明EPSO比PSO更容易找到全局最优解,优化效率和优化性能明显提高,将EPSO用于催化裂化装置主分馏塔粗汽油干点软测量,建立了基于EPSO算法的粗汽油干点神经网络软测量模型,研究结果表明,基于EPSONN的软测量模型比基于BPNN的软测量模型具有更高的精度和更好的性能。     

基于粒子群的最大相关最小冗余混合式特征选择方法

在分析粒子群优化(PSO)算法和简化PSO算法的基础上,提出一种基于PSO的最大相关最小冗余的Filter-Wrapper混合式特征选择方法.Filter模型是基于互信息和特征的相关冗余综合测度,Wrapper模型是基于改进的简化粒子群算法.在PSO搜索过程中,引入相关冗余度量标准来选择特征子集,将Filter融合在Wrapper中,利用Filter的高效率和Wrapper的高精度提高搜索的速度和性能.最后以支持向量机(SVM)为分类器,在公共数据集UCI上进行实验,实验结果表明了所提出算法的可行性和有效性.     

基于强化学习的适应性微粒群算法

惯性权重足微粒群算法(PSO)的重要参数,它可以甲衡算法的全局和局部搜索能力的关系,改善算法的性能.对此,提出一种基于强化学习的适应性微粒群算法(RPSO).首先将不同惯性权重调整策略视为粒子的行动集合;然后通过计算Q函数值.考察粒子多步进化的效果;进而选择粒_了最优进化策略,动态调整惯性权重,以增强算法寻找全局最优的...     

基于改进粒子群优化的模糊熵煤尘图像分割

针对基本粒子群算法易陷入局部最优和过早收敛的缺陷,提出权重因子自适应的粒子群算法,并对部分粒子进行Morlet变异操作,由此得到改进粒子群优化算法.将该算法和模糊熵相结合并用于图像分割,利用改进粒子群优化算法来搜索使模糊熵最大的参数值,得到模糊参数的最优组合,进而确定图像的分割阈值.通过与其他两种粒子群算法的分割结果进行比较,该算法取得了令人满意的分割结果,且算法运算时间较小,满足煤尘浓度实时精确测量的要求.     

摄像机镜头畸变的鲁棒校正方法

针对计算机视觉中的镜头畸变问题,设计一种鲁棒的校正方法.该方法基于空间直线的成像特性来定义畸变测度,通过非线性优化完成畸变校正.采用微粒群全局优化算法,将传统优化方法、标准微粒群算法和基于不同策略的微粒群算法的性能进行对比.实验结果表明,带变异算子基于对位学习的微粒群算法具有较强的鲁棒性,在低噪声下,微粒群算法的校正性能优于传统算法.最后通过不同畸变程度的校正实例验证了所提出方法的有效性.     

加速收敛的粒子群优化算法

在基本粒子群优化算法的理论分析的基础上,提出一种加速收敛的粒子群优化算法,并从理论上证明了该算法的快速收敛性,同时对该算法中的参数进行了优化.为了防止其在快速收敛的同时陷入局部最优,采用依赖部分最差粒子信息的变异操作.最后通过与其他几种经典粒子群优化算法的性能比较,表明了该算法的高效和稳健,且明显优于现有的几种经典的粒子群算法.     

基于粒子群算法的多无人机任务分配方法

作为多无人机系统应用的一项关键技术,任务分配是一个多维互异离散变量的优化问题.采用混合整数线性规划方法构造优化函数,并利用群智算法中的粒子群算法来求最优解,这样可以解决多无人机的任务分配问题.针对互异性要求进行必要的算法改进.数值仿真实验表明,该粒子群算法可以迅速找到优化函数的最优解,从而高效地实现多无人机的任务分配.     

一种深度扩展记忆的仿人粒子群算法仿真分析

从仿生学和心理学角度出发,提出一种深度扩展记忆的仿人粒子群算法,以解决标准粒子群及其主流改进算法易陷入局部最优等问题.算法对粒子认知进行群体共享,并采用深度扩展记忆积累粒子认知,通过仿人遗忘函数配置不同时期认知对当前决策的影响权重.仿真分析表明,所提出算法对遗忘函数和遗忘因子高度敏感,算法寻优多维多极值函数时,在收敛精度、成功率和优化成本等方面较标准粒子群及其改进算法有显著提升.     

水火电力系统短期优化调度的一种改进粒子群算法

针对水火联调问题,建立满足电量平衡、水量平衡、机组特性及综合利用要求的短期优化调度模型,提出了一种改进粒子群算法(MPSO).MPSO针对粒子群算法易早熟收敛的弊端,引入了变异操作,使粒子以一定的概率向其他粒子个体最好解学习;针对粒子群算法在进化后期多样性受损易陷入局部最优的缺陷,引入了迁徙操作,在种群聚集程度不能容忍时重新生成解空间内均匀分布的粒子.对某典型水火电力系统优化问题的求解结果表明,MPSO比其他方法更有效.     

基于剪枝策略的骨干粒子群算法

为了优化算法的全局探索能力和局部开发能力, 提出一种基于两方面改进的骨干粒子群算法. 提出一种进化方程, 通过即时搜索域的分析说明该方程可以改善粒子多样性. 提出粒子群“剪枝”策略: 每当粒子搜索到新的群体最优位置时, 剪去该粒子, 同时初始化一个新位置以安插该粒子. 理论分析指出, 在增强全局探索能力的同时, 合适的剪枝策略能增加局部开发能力. 实验结果表明, 所提出算法的性能较几种经典PSO 算法有显著的提升.

     

柔性制造系统的改进粒子群无死锁调度算法

基于柔性制造系统的Petri网模型,以制造期最小为优化目标,将死锁避免策略嵌入粒子群算法中,提出一种无死锁改进粒子群调度算法.该算法将粒子与工件的工序序列相对应,以位置数值的大小表示对应工件工序在执行顺序中的优先级.采用一步向前看的死锁避免策略方法对序列的可行性进行验证,提出一种跳出局部极值的策略.实例仿真结果表明了粒子群调度算法的可行性和有效性,以及改进粒子群调度算法的优越性.