改进粒子群算法在机器人位置逆解上的应用

为提高工业关节机器人位置逆解的快速性、准确性且避免多解问题,提出了一种改进的粒子群算法。此算法直接从正运动学出发搜索数值解的逆解,并在边界的产生、惯性权重的处理和超界的处理三个方面进行了很好的改进。单点仿真测试和连续轨迹仿真测试表明该改进算法可以有效避免多解问题,同时具有良好的稳定性、一定的实时性和较高的求解精度。此算法可用于实际的离线和在线求解,具有通用性和一定实用价值。     

基于量子粒子群算法的双阈值图像分割方法

为了提高图像分割效率,将量子粒子群算法QPSO应用于图像阈值分割领域,并在QPSO算法基础上提出了一种基于边界控制的量子粒子群阈值分割算法BQPSO.改进算法BQPSO引入了边界控制策略,使得飞越搜索区域的粒子不再聚集到区域的边界,而是回到搜索区域内边界附近的某一位置,保持了群体的多样性,有效地避免了算法陷入局部最优解,增强了算法的全局搜索能力.实验结果表明,与遗传算法GA、粒子群算法PSO和标准量子粒子群算法QPSO的阈值寻优结果相比较,BQPS0算法在运算效率、阈值搜索精度和稳定性以及图像分割效果等方面均具有明显的优势.     

趋优算子和Levy Flight混合的粒子群优化算法

针对Levy Flight粒子群优化算法（LFPSO）普适性不强和搜索效率不高等问题,提出了一种改进的LFPSO算法（ILFPSO）,即趋优算子与Levy Flight混合的粒子群优化算法。首先,对Levy Flight进行改进,防止产生无效解,得到改进的Levy Flight;然后,将既有一定全局搜索能力又有较强局部搜索能力的趋优算子与改进的Levy Flight有机融合,以便更好地平衡算法的全局和局部搜索能力;最后,对速度边界动态调整,有利于搜索前期找到全局最优点和搜索后期找到局部最优解。28个benchmark函数优化仿真结果表明,与4种最先进的PSO改进算法LFPSO、ELPSO、SRPSO和RLPSO相比,ILFPSO更具有竞争性的优化性能、更好的普适性和更快的运行速度。     

修正SPH方法在冲击波中的应用

SPH方法以核近似作为基础,受到核近似连续性原理的限制,在求解域中粒子必须是满足均匀分布的,这对SPH方法的应用也非常不利;同时,由于紧支域边界截断误差的存在,使得结果在边界上的误差常常比较大.对上述问题,在传统SPH方法的基础上,对核近似离散过程进行了修正,并引入黎曼解构成了修正的SPH方法,即CSPH和GSPH方.应用3种SPH方法对一维冲击管问题及一维爆轰波问题进行了对比研究.从分析结果可知在CSPH方法的基础上改进的GSPH方法有效地改善了传统SPH方法在非连续冲击波问题中的计算精度、相容性等问题,大大提高了传统SPH方法捕获间断信息的精度.     

粒子群优化算法中的分步式策略

为了解决粒子群优化算法(PSO)在处理高维多极值问题时容易陷入局部最优而早熟的问题,提出了分步式学习策略和分步式评价策略。前者让粒子每次升级只向某一个榜样学习,使粒子能在更有潜力的区域搜索;并简化了其升级规则,使粒子的搜索行为更易被控制。后者对粒子的位置矢量逐维进行评价,使粒子向目标最优位置“稳步前进”;并通过对维之间的关系的检测,解决了维不可分解的问题。实验证明,新算法具有很好的收敛速度和抗早熟能力。     

水文模型参数优选的改进粒子群优化算法

针对标准粒子群算法的早熟收敛问题,提出了一个提高算法性能的改进途径,即引入动态改变惯性权重策略和混沌思想,在两个方面同时改进以提高粒子群算法的收敛速度和克服局部极值的能力.对两个函数进行寻优测试表明,改进后的粒子群算法收敛速度、精度以及全局搜索能力均优于标准粒子群算法.最后将提出的改进粒子群算法应用于新安江模型进行参数优选,应用结果表明,该算法具有较强的可行性与实用性.     

基于改进粒子群算法的体绘制传递函数设计

为降低体绘制过程中人机交互的复杂性,提出一种体绘制传递函数的自动设计方法.该方法把对传递函数的抽象评价转变为对绘制图像的显式评价,然后将传递函数的设计转变为一个多参数优化问题,并使用改进的粒子群算法进行自动寻优.图像的评价使用图像信息熵、差分熵、边界熵和主观评价的融合方法.针对粒子群算法易于陷入局部最优的缺点,结合遗传算法的思想对粒子群算法进行改进.该方法在体绘制应用中,具有更好的全局搜索能力和更高的收敛速度.实验结果表明,在一般体绘制应用中,本文的方法可以在1.0～2.0min内完成传递函数设计,实现用户满意的体绘制效果.     

改进粒子群优化算法及其在4G网络-基站选址中的应用

针对粒子群优化算法搜索精度不高、整体上容易陷入局部最小的不足,提出了一种改进的粒子群优化算法.该算法一方面在速度更新式中用粒子群中粒子个体极值的加权值替代粒子的个体极值,另外通过使用两种非线性递减函数对惯性权重进行调整,这种改进有效地提高了粒子群优化算法的收敛速度和全局寻优能力.然后,通过对4个基准函数的仿真,验证了本文改进算法的全局收敛寻优能力.最后,将本文改进算法应用于珠三角地区某市4G网络基站选址优化中.仿真和应用的结果表明,改进后的粒子群优化算法具有更高的收敛速度和全局寻优能力.     

粒子群优化Canny算子在高精度接触角测量中的应用研究

目前高精度接触角测量过程中对边界提取的效果越发严格.针对接触角测量中边界提取对图像边界细微之处提取不清晰,存在断点的问题,文中提出一种以Canny算子边缘检测为基础,结合粒子群算法的边缘检测技术.利用粒子群算法的叠代计算的优化特点,通过计算机叠代搜寻用于Canny算子中的最佳双阈值.通过融合后的边缘检测方法用于高精度接触角测量中,准确提取液滴边界从而提高测量精度.理论研究和实验结果表明,PSO优化Canny算子能够准确的检测液滴图像的边界轮廓,同时具有一定的抑制噪声作用.     

基于自适应权重粒子群的电容层析成像边界灰度补偿算法

电容层析成像图像重建是一个典型的病态问题,它的解是不稳定的.为了对这个不适定问题进行求解,在分析电容层析成像基本原理的基础上,提出了一种自适应权重粒子群的电容层析成像边界灰度补偿算法.该算法通过引入粒子群的平均绝对速度与理想速度,自适应调整粒子群优化算法中的参数,对成像后图像边界周围的灰度进行补偿.数值实验结果表明,同线性反投影和共轭梯度算法相比,进行边界灰度补偿后的图像兼备成像质量高、边界均匀稳定等优点,为ECT图像重建算法的研究提供了一个新思路.     

非完整运动规划的粒子群优化算法

讨论了粒子群优化和非完整运动规划问题。首先对粒子群优化算法的性能进行了分析，发现当搜索空间的维数较高时，粒子群将收敛到子空间的一个局部最优点，而该点并不是整个搜索空间的局部最优点。通过引入变异算子，则可以改进粒子群优化算法的性能。在此基础上，提出了一种求解非完整运动规划问题的带变异算子的粒子群优化算法。仿真结果表明，对于30维的球形函数，无变异操作的粒子群优化算法不能得到问题的最优解，而最优解可以非常容易地由带变异操作的粒子群优化算法得到。对独轮移动机器人非完整运动规划问题进行了仿真。结果表明，粒子群优化算法比牛顿法更有效。     

具有随机停滞行为的粒子群优化算法

为了提高算法的优化性能,通过借鉴模拟退火算法(SA)和遗传算法(GA)的思想,在基本粒子群优化(PSO)算法的基础之上,引入了一个称为接受概率的关键参数,改写了原算法中粒子飞翔的速度公式,使粒子以一定的概率随机在解空间的某一方向上产生停滞行为,提出了一种新颖的粒子群优化方法——随机停滞粒子群优化(SSPSO)。数值计算结果表明,合理地选取接受概率的大小,该算法能在保持原算法稳定性的同时,明显提高算法的优化效率。最后,通过与传统的搜索算法、SA和GA的类比,对SSPSO的性能进行了深入分析。     

一种具有随机变异性质的粒子群协同优化算法

给出了一种具有随机变异特性的改进型粒子群协同优化算法,该算法克服了传统粒子群算法易陷入局部最优解且后续迭代过程速度慢的缺点.在迭代过程中,粒子的变异概率取决于粒子的适应度值以及当前所有粒子的聚集度.通过变异,粒子可有效地探索新的空间领域,从而可以有效地避免陷入局部最优解.Benchmark函数实验结果表明,优化后的粒子群算法比传统粒子群算法具有较快的收敛速度和较高的全局收敛能力.     

基于粒子群算法的ANFIS模型参数优化

粒子群优化算法是一类全局随机进化算法,算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。根据粒子群算法对整个参数空间进行高效并行搜索的特点,提出了最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统网络结构参数进行优化设计。混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明本算法的有效性。     

基于改进粒子群算法的配电网网架优化研究

配电网网架优化是一个多目标综合优化问题,粒子群算法因其易实现、收敛速度快等特点逐渐成为电力系统优化领域研究热点之一. 针对粒子群算法易陷于局部最优问题,提出一种基于聚类策略的改进粒子群算法,动态地将粒子聚类为三种级别的粒子并对应采用不同的学习模型更新速度,增强了粒子群体多样性和全局搜索能力. 通过算例仿真验证了算法在配电网网架优化问题上的可行性.     

粒子群算法及特性的研究

研究了粒子群优化算法,探讨了算法的在线与离线性能指标,在此基础上,将粒子群算法与罚函数相结合,提出一种求解有约束问题的优化算法,用MATLAB实现了对典型多峰函数优化计算,仿真结果表明验证了它的收敛性、有效性,对典型的优化问题能以较大概率收敛到全局最优.     

基于差分进化的量子粒子群优化算法的研究

为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE -QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE -QPSO、QPSO和 粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.     

An extended particle swarm optimization algorithm based on coarse-grained and fine-grained criteria and its application

In order to study the problem that particle swarm optimization （PSO） algorithm can easily trap into local mechanism when analyzing the high dimensional complex optimization problems, the optimization calculation using the information in the iterative process of more particles was analyzed and the optimal system of particle swarm algorithm was improved. The extended particle swarm optimization algorithm （EPSO） was proposed. The coarse-grained and fine-grained criteria that can control the selection were given to ensure the convergence of the algorithm. The two criteria considered the parameter selection mechanism under the situation of random probability. By adopting MATLAB7.1, the extended particle swarm optimization algorithm was demonstrated in the resource leveling of power project scheduling. EPSO was compared with genetic algorithm （GA） and common PSO, the result indicates that the variance of the objective function of resource leveling is decreased by 7.9%, 18.2%, respectively, certifying the effectiveness and stronger global convergence ability of the EPSO.     

基于粒子群优化算法的矢量量化图像压缩方法

提出一种基于粒子群优化算法的图像矢量量化码书设计算法．该算法引入粒子群的全局搜索策略，结合矢量量化码书设计方法，增加了算法解的随机性和多样性．实验结果显示，本算法与传统LBG码书设计算法相比，具有更强的鲁棒性，可有效解决LBG算法对初始码书的依赖性，能获得性能较好的码书．     

基于改进粒子群算法的组合测试数据生成

针对传统粒子群优化算法生成测试数据容易产生早熟收敛而陷入局部最优的问题,提出一种基于改进粒子群算法的组合测试数据生成算法。该算法在粒子群算法的基础上引入一种惯性权重自适应调整策略,根据粒子的适应度不同采用不同的惯性权重,从而有效的平衡算法的全局和局部搜索能力,增加种群的多样性并提高算法的搜索效率。仿真实验表明该算法与传统粒子群算法相比,所需迭代次数减少,生成组合测试数据速度快。