中心粒子群优化算法

在线性递减权重粒子群优化算法(LDWPSO)中提到了中心粒子这一概念,进而提出了中心粒子群优化算法(中心PSO)。在线性递减权重粒子群优化算法中,中心粒子不像其它一般的粒子,中心粒子没有明确的速度,并且被始终置于粒子群的中心。此外,在神经网络训练算法中比较中心粒子群优化算法和线性递减权重粒子群优化算法,结果表明:中心粒子群优化算法的性能优于线性递减权重粒子群优化算法。     

基于人工智能的网络运维优化算法研究

基于人工智能的网络运维优化安全优化算法,分析了互联网数据安全优化算法,得出以下结论:在网络安全情况预测中,预测模型基于粒子群优化神经网络径向基函数(Radial Basis Function,RBF),粒子群神经网络算法在信息量较低时运行速度快,高精度有利于粒子群RBF神经网络的快速准确预测。结果表明,通过对粒子群优化前后RBF神经网络的比较,粒子群优化后预测误差的波动可以大大降低。     

基于异步粒子群优化算法的图像分割方法

在标准粒子群优化算法的每一次迭代中,粒子都是同时更新,然而在现实世界中(比如鸟群)粒子的更新并不是同时的.模拟现实的鸟群更新,找到一种异步粒子群优化算法.异步粒子群优化算法是将粒子的更新顺序进行改进,在每次迭代中将所有粒子按适应度的优劣排序,从而每个粒子在更新时都能利用到当代群体的信息,所以算法更易于收敛.提出一种基于异步粒子群优化算法的图像分割方法,用异步粒子群优化算法自适应选取图像的分割阈值.实验表明,与基本的粒子群优化算法相比,该算法比较稳定,易于收敛到最优解,分割速度较快.     

新的自适应免疫量子粒子群优化算法

为了克服粒子群优化算法早熟收敛以及粒子在进化过程中缺乏很好的方向指导的问题,算法中采用了量子技术以及免疫机制来提高粒子群的收敛速度和寻优能力,从而获得了一个新的自适应免疫量子粒子群优化算法.仿真试验表明该算法具有较好的性能.     

基于量子粒子群算法的移动节点覆盖优化

提出了基于量子粒子群的无线传感器网络覆盖优化算法.由于在量子空间中粒子满足集聚态性质完全不同,使得该算法可以在整个可行区域内搜索.全局搜索能力远远优干基本粒子群,克服了粒子群算法容易陷入局部最优的缺点.仿真结果表明,该算法比基本粒子群算法拥有更好的覆盖优化效果。     

两阶段动态多粒子群协作优化

为了解决粒子群优化（Particle Swarm Optimization,PSO）容易陷入到局部最优的问题,提出一种两阶段动态多粒子群协作优化算法.算法中包含一个主粒子群和多个从粒子群,每个从粒子群都搜索部分问题域,主粒子群协调各从粒子群向最优解收敛并获得搜索到的最优解.在第一阶段,在粒子少的问题域产生新的从粒子群,从而确保粒子比较好地覆盖问题域.在第二阶段,删除同一子区域中位置重叠的从粒子群,减少搜索时间.用五个测试函数与两层粒子群优化（Two-layer Particle Swarm Optimization,TLPSO）进行了比较,结果表明此算法能在高维多峰函数优化时获得更好的解.     

求解排列问题的分布估计离散粒子群优化算法

目前粒子群优化算法和分布估计算法较少用于解决排列编码组合优化问题,本文提出了一种新的适用于求解排列问题的分布估计离散粒子群优化算法.提出的算法结合粒子群优化算法和分布估计算法的思想,突破了标准粒子群优化算法速度-位移更新模式.新算法中每个粒子的信息一部分来自该粒子当前解排列与全局最优排列的最长公共子串,另一部分来自描述所有个体最优值分布信息的概率模型.这样粒子的当前解、所有个体最优值和全局最优值都参与了新解的生成过程,提出的算法秉承了粒子群优化算法的思想,同时具有更全面的学习能力,提高了算法的寻优能力以及避免陷入局部最优的能力.在两个经典的排列问题上的实验结果表明提出的算法具有良好的性能.     

WSNs布局的粒子进化的多粒子群优化策略

在粒子进化的多粒子群算法基础上,提出了一种无线传感网络节点布局的优化策略.该策略通过多个粒子群彼此独立地搜索解空间,提高了算法的寻优能力,有效地避免了"早熟"问题,提高了算法的稳定性.仿真实验表明,与传统的粒子群算法相比,该算法有效覆盖率由75.36%提高到80.96%,收敛速度提高了19.4%.因此粒子进化的多粒子群优化策略具有比传统的粒子群算法更好的优化效果.     

混沌粒子群优化粒子滤波算法

针对基于粒子群优化算法的粒子滤波计算复杂度大,并且容易陷入局部最优,提出了一种新的基于混沌的粒子群优化粒子滤波算法。该算法在粒子群优化的基础上,引入混沌序列,利用混沌运动的遍历性、随机性等特点改善了初始样本的质量,同时利用混沌扰动避免搜索过程陷入局部最优,使算法具有更快的收敛速度和更好的全局搜索能力。最后利用UNGM模型将该算法与标准粒子滤波和粒子群粒子滤波进行仿真对比,并利用纯角度目标跟踪模型验证了算法的有效性。实验结果表明,该算法改善了粒子群优化算法的粒子滤波易陷入局部最优的现象,提高了粒子滤波的精度和速度,具有较高的应用价值。     

采用粒子群算法的频率选择表面优化设计

 粒子群优化算法作为优秀的群体智能算法之一,已经被广泛应用于电磁优化问题中.通过与时域有限差分(FDTD)算法相结合,粒子群优化算法被运用于频率选择表面的优化设计.在此过程中,通过使用图形处理器(GPU)加速技术将FDTD算法速度提高近100倍,配合FDTD的宽频特性显著加速了优化过程.在此基础上,针对给定单元结构以及未知单元结构两种频率选择表面设计情况,分别采用带惯性权重的粒子群优化算法以及二进制离散粒子群优化算法进行优化.提出的两种优化流程在算例中得到验证与分析,证明了其可行性及高效性.     

基于停滞检测粒子群算法的阵列天线方向图综合

在线性递减权重粒子群算法的基础上提出了一种改进的粒子群优化算法.新算法采用了合适的邻域结构,通过停滞检测以及对全局最佳粒子的微扰改善了算法的优化速度和收敛特性.仿真结果表明:将此算法应用于天线方向图综合中,在多零点和低旁瓣约束情况下可以取得良好的优化效果.     

CDMA系统粒子群多用户检测算法

Kennedy和Eberhart提出的粒子群优化算法(PSO),作为一种新的并行优化算法,在解决多维和非线性的复杂问题中,性能优良且算法简单易于实现。本文对二进制粒子群优化算法进行改进,并将其应用于DS-CDMA通信系统的多用户检测中,提出了基于矢量的二进制粒子群多用户检测器(V-BPSO-MUD),同时提出了两种高效实用的多用户检测器:基于矢量的串行二进制多用户检测器(VS-BPSO-MUD)及基于矩阵的二进制多用户检测器(M-BPSO-MUD)。仿真结果表明,PSO多用户检测器充分利用了粒子群优化算法的优良特性,性能明显优于传统的CDMA检测器,接近无多址干扰情况。     

改进粒子群算法的多峰值优化研究

粒子群优化算法对于多维函数的最优解搜索存在前期易陷入局部最优,后期收敛速度缓慢的问题.将改进的k-中心点聚类分析与PSO相结合提出了一种混合粒子群算法KM-PSO,用于多峰值问题的优化.在算法中,利用k-中心点聚类分析方法将粒子群划分成若干个子群,结合PSO的隐含并行搜索的优势增强了寻优性能.不仅增加了粒子间的信息交换,抑制了早熟收敛,还提高了全局寻优速度和计算精度.仿真实验结果表明,KM-PS0性能优于基本粒子群优化算法.     

Secure steganography based on binary particle swarm optimization

The objective of steganography is to hide message securely in cover objects for secret communication. How to design a secure steganographic algorithm is still major challenge in this research field. In this letter, developing secure steganography is formulated as solving a constrained IP (Integer Programming) problem, which takes the relative entropy of cover and stego distributions as the objective function. Furthermore, a novel method is introduced based on BPSO (Binary Particle Swarm Optimization) for achieving the optimal solution of this programming problem. Experimental results show that the proposed method can achieve excellent performance on preserving neighboring co-occurrence features for JPEG steganography.     

一种基于二值粒子群优化和支持向量机的目标检测算法

针对复杂场景下目标检测和目标检测中特征选择问题,该文将二值粒子群优化算法(BPSO)用于特征选择,结合支持向量机(SVM)技术提出了一种新颖的基于BPSO-SVM特征选择的自动目标检测算法。该算法将目标检测转化为目标识别问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。基于BPSO-SVM的特征选择方法降低了特征维数,显著提高了分类器性能。实验结果表明,该文算法不仅有效提高了复杂场景下目标姿态、尺度、光照变化和局部被遮挡时的检测准确率,还大大缩短了检测时间。     

Optimized localization of target nodes using single mobile anchor node in wireless sensor network

In Wireless Sensor Networks (WSNs), main challenges which restrict the performance are data computation, lifetime, routing, task scheduling, security, organization and localization. Recently, numerous Computational Intelligence (CI) based potential solutions for above mentioned challenges have been proposed to fulfill the desired level of performance in WSNs. Use of CI gives autonomous and strong solutions to ascertain precise node location (2D/3D) with least hardware necessity (position finding device, i.e., GPS empowered gadget). Localization of target nodes in static scenario can be done more precisely. However, in case of mobility, determining accurate position of each node in network is a challenging problem. In this paper, a novel idea of localizing target nodes with moving single anchor node is proposed using CI based application of Particle Swarm Optimization (PSO) and H-Best Particle Swarm Optimization (HPSO). The moving anchor node is following the Hilbert trajectory. Proposed algorithms are actualized for range-based, distributed, non-collaborative and isotropic WSNs. Only single moving anchor node is used as a reference node to localize the target nodes in the entire network. In proposed algorithms, problem of Line of Sight (LoS) is minimized due to projection of virtual anchor nodes.     

合作式粒子群优化算法

针对粒子群优化(PSO)算法随着维数增加而导致的收敛速度慢,容易陷入局部最优的问题,提出了一种合作式粒子群(CPSO)算法。通过多粒子群不同的组态向量合作,显著改善了标准算法的早熟问题。利用标准测试函数对CPSO算法、协同进化遗传算法(CCGA)、遗传算法(GA)、PSO算法进行比较测试,结果表明,CPSO算法在多个基准优化问题方面显示了较佳性能。     

具有量子行为的粒子群优化算法惯性权重研究及应用

在研究惯性权重对基本PSO算法影响的基础上,根据惯性权重对粒子群算法影响的特点,采用4种惯性权重策略对一种新的具有量子行为的粒子群算法的速度进行调节,比较每种算法的性能,从中找到一种新的性能更好的改进算法,将其用于求解0-1背包问题。实验结果表明较好地选择惯性权重参数对算法的性能有很大提高,该改进算法在求解0-1背包问题中具有高效性,提高了最优解的精度,同时具有较快的收敛速度。     

混合粒子对优化算法在说话人识别中的应用

在粒子群优化(Particle Swarm Optimization, PSO)和混合蛙跳算法(Shuffled Frog-Leaping Algorithm, SFLA)的基础上,该文提出了一种新的混合粒子对优化(Shuffled Particle-Pair Optimizer, SPPO)算法,应用于矢量量化的说话人识别。该算法将全局信息交换和局部深度搜索相结合寻求最佳的说话人码本。群体按适应值分为3个粒子对,每个粒子对由两个粒子构成,按先后顺序执行PSO算法中的速度位置更新和LBG算法以实现局部细致搜索,间隔一定的迭代次数通过SFLA混合策略实现粒子对间的信息交换,从而使群体向全局最优解靠近。实验结果表明,本算法始终稳定地取得显著优于LBG,FCM,FRLVQ-FVQ和PSO算法的说话人识别性能,较好地解决了初始码本影响的识别性能的问题,且在计算时间和收敛速度方面有相当的优势。