磷虾群优化的改进粒子滤波算法

标准的粒子滤波存在着权值退化问题,重采样可以解决权值退化问题,但也会带来样本贫化现象.为解决样本贫化问题,提出了一种利用磷虾群优化的改进粒子滤波算法.该算法结合粒子滤波的求解过程,以磷虾个体的诱导、觅食和随机扩散运动引导粒子向高似然区域移动.首先,将粒子滤波中粒子的状态值作为磷虾群的个体位置,从而将粒子的状态估计转化为磷虾群的寻优;其次,针对粒子滤波的特点,分析了磷虾算法中可以改进的参数,对磷虾算法中个体诱导、觅食运动的权值设计了新的动态更新策略,保证算法前期全局快速寻优后期局部精确寻优,同时为保持粒子的多样性,对磷虾个体进行遗传算法中的交叉操作,并设计了新的交叉概率更新公式;最后,在标准磷虾算法的基础上分析了改进算法的收敛性,并选用一种单静态非增长模型进行仿真试验. 仿真结果表明, 所提出的算法与标准粒子滤波以及粒子群、蝙蝠算法优化的粒子滤波相比具有更高的状态估计精度和更小的均方根误差,粒子的分布更合理.     

约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

PSO算法求解PFSP问题研究进展

粒子群优化算法作为一种基于群体的改进启发式算法,已初步成功地用于解决神经网络训练、模糊系统控制和组合优化等问题.近年来用以解决车间生产调度问题的粒子群思想和方法也层出不穷.为了促进粒子群算法的进一步发展,更好地解决流水车间调度问题以及为设计更好的算法提供参考,首先对粒子群算法进行了简单介绍,指出了解决置换流水车间调度问题的重点和难点;然后从粒子群算法涉及到的初始化种群的方法、粒子编码方法、目标函数设计和粒子速度及位置更新公式等几个主要问题的角度对近年来比较典型的用粒子群算法求解置换流水车间调度问题进行了总结,分析了各种方法的适用范围;最后探讨了粒子群算法求解置换流水车间调度问题有待进一步研究的若干方向和内容.     

基于策略模式的粒子群优化算法平台设计

为了扩大粒子群优化算法的应用范围和增强它的影响力,从软件重用的角度出发,考虑到算法流程的共性和个性,设计了一种基于策略模式的粒子群优化算法平台,此平台包含了基本的粒子群优化算法和经典的改进算法,可以解决连续优化和二进制组合优化问题.一系列的粒子群优化算法和优化问题被分别封装到相应的算法策略类和问题策略类中,这些类继承自一个具有统一接口的抽象基类.因此,该平台非常适合于粒子群优化算法的理论和应用研究,且易于维护和扩充.     

一种改进的粒子群算法

粒子群算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优.为了克服这个缺点,提出了一种新的粒子群算法,算法对粒子的速度和位置更新公式进行了改进,使粒子在其最优位置的基础上进行位置更新,增强了算法的寻优能力.通过对5个基准函数的仿真实验,表明了改进算法的有效性.     

基于Lagrange乘子法的一种新型改进粒子群优化算法

社会和生产实践中抽象出来的模型一般为非线性约束优化,而约束优化一般很难直接求解.首先,我们通过引进增广lagrange乘子法,将约束优化转化为有界约束优化,然后引入粒子群优化算法来进行求解,并且我们提出来一种嵌入了最速下降法的改进粒子群优化算法,以此来解决标准粒子群算法中收敛速度慢和精度低的问题,提高了搜索的效率,特别是局部搜索的效率.改进算法有效地结合了粒子群优化算法比较强的全局搜索能力和最速下降法的精细快速的局部搜索能力,相比于标准粒子群优化算法,克服了收敛速度慢的特点.数值实验表明,通过改进的粒子群优化算法可以找到所求优化问题的全局最优解.     

一种基于粒子群优化的粒子滤波改进算法

粒子群优化粒子滤波算法能有效改善粒子退化问题,但其适应度函数受量测噪声方差影响较大,限制了滤波精度的提高.为此,提出了一种基于粒子群优化的粒子滤波改进算法.该算法给出一种新的适应度函数,用当前状态估计值与各粒子状态的差值大小作为评价标准,使得最终优化粒子受噪声方差影响减小,在量测模型精度高的场合中提高了滤波精度.理论分析及仿真结果表明,本文所提算法的滤波性能优于标准粒子滤波与粒子群优化粒子滤波算法.     

基于改进粒子群优化算法的短期风电功率预测

针对传统支持向量机(SVM)模型在风电功率预测中存在的参数选取问题,提出一种新的预测模型,采用改进的粒子群(MPSO)优化算法寻求SVM的最优参数模型,经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法.算例结果表明,经MPSO优化的SVM模型应用于短期风电功率预测是有效的,使其预测精度有所提高.     

改进遗传算法与粒子群优化算法及其对比分析

进化算法作为一类新的优化搜索方法，广泛应用于各种优化问题．现对简单遗传算法进行了改进，采用实值编码，并与模拟退火算法及基于适值排序和随机选择的方法相结合，形成了改进遗传算法．同时还介绍了一种新的进化算法一粒子群优化算法．将这两种优化算法应用于函数优化，并对优化结果进行了对比分析．比较结果表明，改进遗传算法和粒子群优化算法都可以在函数优化方面表现出较好的健壮性，但在找寻最优解的效率上，粒子群优化算法较好．     

SADE-ELM电容层析成像流型辨识算法

针对电容层析成像反问题流型识别较难的问题,提出了一种新的ECT流型辨识算法——差分演化优化极端学习机算法,进而提出了基于自适应差分演化优化极端学习机(Sa DEEML)的ECT辨识算法.在论述极端学习机算法的基础上,结合差分演化算法对极端学习机算法进行优化,自适应差分演化算法中的关键参数,通过训练得到各类流型的分类器的参数,构造分类器进行精准与快速分类.实验结果表明:该算法能有效克服极端学习机算法的缺点并提高了局部与全局收敛能力,通过与BP、SVM算法比较,该算法具有竞争力,并为电容层析成像流型辨识的研究提供了新算法.     

基于支持向量机的增量式算法

为了扩展支持向量机在大规模数据集和成批出现数据领域的应用,提出了一种基于支持向量机的增量式学习算法.利用标准的支持向量机算法训练得到初始的目标概念,通过增量式步骤不断更新初始的目标概念.更新模型是求解一个与标准支持向量机具有类似的数学形式的凸二次规划问题.证明了在可分情况下,如果新增加的样本不是位于边界区,那么增量式过程既不会改变分类平面也不会改变分类平面的表达.与现有的增量式支持向量机算法相比,该算法无需额外计算就可实现增量式的逆过程并且训练时间与增量式步骤数成反比.实验结果表明,该算法满足稳定性、能够不断改进性能以及性能回复三个准则.     

人工冻土单轴抗压强度GA-SVM预测模型

为了预计冻结法凿井中井壁结构设计中的人工冻土单轴抗压强度,利用支持向量机在处理小样本分类学习的独到优越性及遗传算法全局并行搜索优化的特点,结合影响人工冻土单轴抗压强度因素,提出了人工冻土单轴抗压强度不同核函数的遗传支持向量机计算模型,并运用该模型预计了两淮地区第四系人工冻土单轴抗压强度。结果表明,多项式核函数的遗传支持向量机模型较高斯径向基核函数及Sigmoid核函数的遗传支持向量机模型较准确地预计人工冻土单轴抗压强度。该模型为人工冻土单轴抗压强度的预计提供了一条新途径。     

SVM核函数对分类精度影响的研究

支持向量机是一种基于统计学习理论的新型机器学习算法,它通过求解最优化问题,在高维空间中寻找最优分类超平面,从而解决复杂数据的分类、回归问题.文中介绍了支持向量机的基本算法原理及其分类方法,重点研究将核函数引入不可分的情形.本文通过改变核函数的参数,采用对比实验来比较分类精度,同时根据Mercer条件形成新的线性组合核函数,最后得出通过改变核函数参数与线性组合核函数的方法可以明显提高分类的精度.     

一种基于视觉预注意机制的选择性成像机器视觉系统

在大背景中微小目标的视觉检测中,传统的机器视觉系统按照预先设定的采样频率与固定的分辨率采集和处理图像,存在大量的冗余数据。为了有效去除冗余数据,基于人类视觉预注意机制设计了一种选择性成像机器视觉系统,将视觉处理过程划分为并行的预注意初级处理阶段与串行的高级处理阶段;同时模仿人类视觉注意机制,提出了一种基于视觉熵的视觉预注意算法;系统并行地获取并判断图像是否可疑,然后仅将少量可疑图像传送至主机串行的进行精细目标识别。试验结果表明,本系统显著地减少了图像处理的数据量,可疑图像识别算法快速有效,提高了系统检测效率和精度。为大背景中微小目标的机器视觉检测提供了一条新途径。     

基于机器学习的用户窃电行为预测

新型智能电表普及后,为了准确检测出电网中的窃电用户,可以结合机器学习的方法.为此,选择了支持向量机、随机森林和迭代决策树3种机器学习中较常用的大数据算法进行分析,通过不断调整试验数据集的大小,对3种算法的效率和准确率进行测试.对比分析结果发现,随机森林算法运行的时间和数据量的大小基本呈线性关系,效率较高,且准确率稳定在86%以上,表现较好.     

最小二乘支持向量机的半监督学习算法

将最小二乘支持向量机引入到半监督学习中,提出了一种最小二乘支持向量机的半监督学习算法.采用最小二乘支持向最机训练混合样本集,利用最小二乘支持向量机训练速度快、效率高等优点有效地克服了目前一些半监督支持向量机学习算法时间代价大、效率低的缺陷.在训练过程中采用区域标注法,减少达到收敛所需要的迭代次数,并给出了SLS-SVM算法具体的数学描述.在人造数据集及实际数据集上的实验表明,最小二乘支持向量机的半监督学习算法可以有效的减少训练时问,提高训练的速度,从而具有更好的推广能力.     

基于支持向量机和误差修正算法的风电短期功率预测

基于风电功率预测单一算法带来的预测精度较低问题,提出一种新型的基于粒子群优化支持向量机结合误差修正算法的短期风电功率预测组合算法。该方法首先对原始数据进行分析和清洗;然后通过粒子群算法对支持向量机参数进行寻优,对风电功率进行一次预测,通过经验模态算法对一次预测进行滤波,达到降噪效果,同时得到一次预测误差;最后,利用误差修正算法对一次预测误差进行修正,得到最终的预测值。仿真和测试结果表明,相较于传统的单一算法,该组合算法能更好地提高预测精度。     

On-line least squares support vector machine algorithm in gas prediction

Traditional coal mine safety prediction methods are off-line and do not have dynamic prediction functions. The Support Vector Machine (SVM) is a new machine learning algorithm that has excellent properties. The least squares support vector machine (LS-SVM) algorithm is an improved algorithm of SVM. But the common LS-SVM algorithm, used directly in safety predictions, has some problems. We have first studied gas prediction problems and the basic theory of LS-SVM. Given these problems, we have investigated the affect of the time factor about safety prediction and present an on-line prediction algorithm, based on LS-SVM. Finally, given our observed data, we used the on-line algorithm to predict gas emissions and used other related algorithm to com- pare its performance. The simulation results have verified the validity of the new algorithm.     

一种增量式Bayes文本分类算法

文本自动分类是数据挖掘和机器学习中非常重要的研究领域 .针对难以获得大量有类标签的训练集问题 ,提出了基于小规模标注语料的增量式Bayes文本分类算法 .该算法分两种情况处理 :第一种情况是新增样本有类标签 ,可直接重新计算样本属于某类别的条件概率 .第二种情况是新增样本无类标签 ,则利用现有分类器为其训练类标签 ,然后利用新样本来修正分类器 .实验结果表明 ,该算法是可行有效的 ,比Na veBayes文本分类算法有更高的精度 .增量式Bayes分类算法的提出为分类器的更新提供了一条新途径