基于改进粒子群算法的独立分量分析

提出一种有效的基于改进的粒子群算法的盲源分离算法.首先引入进化速度和聚集强度来更新粒子群算法中的动态惯性权重w,然后定义基于改进PSO的独立分量分析算法的适应性函数,最后给出算法的具体步骤.实验结果表明,改进的ICA算法可以快速有效地得到BSS的最优解.     

基于改进粒子群算法排课问题研究

排课问题属于背包问题中具有重要实用价值的一类优化组合难题,描写了如何利用粒子群算法解决排课中的多种冲突.但由于粒子群算法有收敛速度慢且易收敛于局部最优的缺点,针对排课问题中最优解的分布特点,对粒子群算法进行了改进.改进后的算法与传统算法相比有着较高的收敛速度和计算精度,可以在解空间内高效地寻找到全局最优解.     

基于改进粒子群算法的大地电磁反演

粒子群算法是一种粒子群在全空间随机搜索的非线性反演方法，具有易于实现的优点，已在大地电磁（MT）反演得到了广泛应用，但其存在容易陷入局部最优解的缺点，在二维反演中应用较少且效果不好。本文提出了一种改进的优化粒子群算法，整个进化过程引入了局部进化，并且添加收缩因子和惯性权重参数，来改善该算法容易陷入局部最优解的缺点。最后将改进算法应用于二维MT反演，反演时加入核函数，结果表明改进粒子群算法在过早收敛问题上有明显改善，反演异常体位置也与实际模型吻合较好。因此，本文改进的粒子群优化算法提高了MT反演精度，为矿产资源勘探开发提供了理论基础。     

粒子群优化算法研究进展

粒子群优化(PSO)算法是一种源于人工生命和演化计算理论的新兴优化技术.其基本思想为:每个粒子被随机的初始化以表示一个可能的解,并在解空间通过更新迭代搜索最优解.PSO的优势在于算法简单,对目标函数要求少,易于实现而又功能强大.目前,已受到演化计算领域的学者们的广泛关注,并提出了许多改进的算法.本文阐述基本粒子群的原理,给出了各种改进的算法,并展望了PSO的发展方向.     

共享历史最优信息搜索的粒子群算法

传统粒子群算法运行机理是通过粒子群全局最优和自身经验最优来搜索最优位置,不断迭代进化,以此趋近最优解,但该算法共享信息的局限性使其容易陷入局部最优.针对传统粒子群算法的不足,提出了共享历史最优搜索信息的粒子群算法.该粒子群体在搜索过程中,共享算法本次运行的种群个体历史最优信息、当前全局最优信息,及前几次运行过程中的种群个体历史最佳信息.通过5个经典函数的仿真实验测试,验证了该算法具有较强的全局搜索能力和收敛性.     

基于正交试验设计的粒子群优化算法

针对粒子群优化(particle swarmopti mization,PSO)算法在进化初期收敛速度快但容易陷入局部最优、在进化后期收敛速度变慢且精度低的缺陷,为了提高粒子群算法的收敛速度和全局寻优能力,提出了基于正交试验设计的粒子群优化(orthogonal-experi mental-design-based PSO)算法.在基本粒子群算法的基础上,算法OE-PSO对当前搜索到的解进行局部寻优,利用正交试验设计对搜索空间的分布均匀性在可行解的领域选择有代表性的解进行测试.算法OE-PSO用搜索到的更好的解在下一次迭代中引导粒子进行搜索,从而获得更快的收敛速度和更精确的解,同时避免局部最优.实验结果表明,算法OE-PSO不但具有较快的收敛速度,而且能够有效提高解的精确性,增强算法的鲁棒性.     

多种进化算法混合解决约束工程优化问题研究

针对单一进化算法不适合解决所有优化问题的情况,提出了一种混合多种进化算法解决约束工程优化问题的算法.该算法混合了差分进化、粒子群优化和共生生物搜索等3种算法,首先利用差分进化算法产生和选择最优种群,然后利用粒子群优化算法寻找每一个最优解并进行更新,最后利用共生生物搜索算法对所有种群进行共生互动更新,选择出最优种群以进行...     

图像增强技术中的智能算法

提出了一种基于粒子群与模拟退火算法相结合的进化算法.该算法利用模拟退火算法全局收敛性好和粒子群算法收敛速度快等优点，通过交换这两种算法的信息得到最优解.将这种新算法应用于灰度图像的自适应增强，实例计算表明该算法稳定性好，在收敛速度和求解精度方面都优于遗传算法等一些其它进化算法.     

一种带有递减扰动项的粒子群优化算法

针对粒子群优化算法在进化后期存在收敛速度慢、容易陷入局部极值等问题,提出一种带有递减扰动项的改进粒子群优化算法.当进化中后期粒子位置更新过慢或保持相对不变时,通过在粒子速度更新公式中加入递减扰动项,有效地提高微粒进行全局和局部搜索的能力,减小粒子陷入局部最优的可能.基于随机过程理论分析证明了粒子的运动规律是一种马尔科夫...     

一种改进的粒子群优化算法及其在盲信号分离中的应用

首先对粒子群优化算法进行了改进,用粒子群中所有粒子最优位置的加权平均值替代速度更新式中的粒子最优位置,并根据粒子群中粒子的浓度自适应地调整加速系数．这种改进的粒子群优化算法利用了粒子群中所有粒子最优位置的信息,并在进化过程中自适应地调整“认知”部分和“社会”部分对粒子的影响,从而提高了算法的收敛速度和精度．然后,针对盲...     

基于粒子群和人工蜂群算法的混合优化算法

提出一种基于粒子群(PSO)和人工蜂群算法(ABC)相结合的新型混合优化算法—PSOABC。该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由人工蜂群算法进化而来,并且在人工蜂群算法中按轮盘赌的方式选择个体进化所需的随机个体。此外,算法采用一种信息分享机制,使两个种群中的个体可以实现协同进化。对4个基准函数进行仿真实验并与ABC进行比较,表明本文提出的算法能有效地改善寻优性能,增强摆脱局部极值的能力。     

蚁群算法在连续性空间优化问题中的应用

研究了一种可用于求解连续空间优化问题的蚁群算法策略.能提高最优解搜索过程的效率以及搜索状态的多样性和随机性,且不受优化目标函数是否连续、可微等因素的限制,为实际应用提供了途径.数值算例结果表明该搜索策略能较好地找到近似全局最优解.     

一种基于反馈策略的自适应选择人工蜂群算法

雇用蜂觅食策略对人工蜂群算法性能有较大影响,而单一的觅食策略难以适用于所有问题的搜索空间,并且算法运行的不同阶段所适合的搜索策略也不尽相同.因此,如何为一个给定的函数优化问题选择最佳的觅食策略尤为重要.针对这一问题,提出了一种基于反馈的觅食策略自适应人工蜂群算法SSABC,该算法能够在优化过程中为一个给定的优化问题自动选择最佳的觅食策略.实验表明,与经典ABC(artificial bee colony algorithm),PSO(particle swarm optimization),DE(differential evolution),GA(genetic algorithm)算法相比,SSABC算法的寻优能力有较大提高.     

基于蚁群优化算法求解最大团问题的研究

蚁群算法是一种通过模拟自然界中蚂蚁觅食行为而发展而来的新型启发式仿生优化算法,提出至今被研究人员广泛应用于各种组合优化问题.最大团问题是图论中著名的NPC问题,本文对于基本蚁群算法进行了分析与讨论,针对基本蚁群算法的容易陷入局部最优解、收敛速度慢等问题进行了改进,提出了一种新型蚁群优化算法.本文提出的新型蚁群优化算法增加了结点度和历史选择次数表策略影响蚂蚁选点;另外提出了构造独立的局部信息素更新机制.最后通过对比实验验证,数据结果证明新提出的优化算法相对于基本蚁群算法的优越性和可行性.     

自适应变异粒子群优化算法

提出了一种自适应变异粒子群优化算法,该算法通过遗传变异提高种群多样性的方法使算法增强持续搜索能力,解决了PSO算法的早熟收敛问题。采用标准测试函数进行仿真实验,结果表明：提出的算法具有提高局部最优值的能力,且优化精度更高。     

融合粒子群优化算法与蚁群算法的随机搜索算法

针对PSO算法与蚁群算法的优缺点,提出一种融合PSO算法与蚁群算法的混合随机搜索算法.该算法充分利用PSO算法的快速、全局收敛性和蚁群算法的信息素正反馈机制,达到优势互补,将这种优化方法拓展到求解连续空间问题,并通过实例来验证该算法对于单峰、多峰函数都能取得较好的优化效果.     

粒子群优化算法的改进及数值仿真

提出一种改进的粒子群优化算法,该算法采用使全局探索与局部开发合理平衡的方法,降低了粒子群优化易陷入早熟收敛的可能性.先用Beta分布初始化种群,再用逆不完全Γ函数更新惯性权重,然后基于差分进化的新算子实现速率更新,最后采用基于边界对称映射的方法处理粒子的越界.数值仿真结果表明,改进算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和蚁群优化算法.     

时序电路SACO和PSO混合算法的测试矢量生成

提出了一种新的测试矢量生成算法，其使用SCOAP测度对蚁群算法进行参数调整，并在粒子群算法的框架下进行测试矢量生成，再使用调整后的蚁群算法进行测试矢量优化。该算法不仅克服了粒子群算法的容易陷入局部最优等缺点，而且利用电路本身的特性来确定蚁群算法的参数。以国际标准电路为例，实验验证本文的算法，结果表明本算法应用于时序电路的测试矢量生成时，相对于粒子群算法提高了其收敛性，提高了故障覆盖率；相对于蚁群算法压缩了测试矢量集，减少了测试诊断时间。     

量子化信息素蚁群优化特征选择算法

蚁群优化算法凭借其正反馈机制和强大的搜索能力被广泛地应用于各类优化问题求解上.本文试图将蚁群优化算法应用于特征选择领域并提出了新的量子化信息素蚁群优化(quantized pheromone ant colony optimization, QPACO)特征选择算法.相比于其他基于蚁群优化算法的特征选择算法,QPACO算法中采用了量子化信息素的启发式策略,改变了传统的信息素更新策略,因此避免了在搜索特征时的局部最优问题.实验采用了KNN分类器来指导学习过程,利用源于UCI数据库的多组数据集进行了相关的测试,实验结果表明,QPACO算法在分类精度、精确率、召回率和维度缩减率等方面均具有良好的性能.     

改进的粒子群算法及在数值函数优化中应用

为提高粒子群算法的优化能力,提出了一种改进的粒子群优化算法。在该算法中,采用Beta分布初始化种群,采用逆不完全伽马函数更新惯性权重,在速度更新式中,引入了基于差分进化的新算子,对于粒子的越界处理,采用了基于边界对称映射的新方法。以50个不同类型的数值函数作为优化实例,基于威尔柯克斯符号秩检验的测试结果表明,该算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和量子行为粒子群算法。