一种基于微粒群思想的蚁群参数自适应优化算法

利用微粒群优化(particle swarm optimization,PSO)思想对蚁群优化(ant colony optimization,ACO)算法的参数取值进行优化选择。通过微粒群粒子搜索,自适应选取参数值的优质组合,使ACO算法的参数取值不必依靠人工经验或反复试验。经过该算法求取的参数组合显著提高了ACO算法的优化性能,并且参数的取值具有连续性,随机性和精确性。利用这种算法获得的参数值的优质组合反馈回ACO算法中,在解决货郎问题(traveling sales-man problem,TSP)时具有优异的效果。     

支持向量机改进序列最小优化学习算法

为提高支持向量机序列最小优化学习算法的学习性能，提出了一种支持向量机改进序列最小优化学习算法，对传统SMO学习方法进行了多方面改进，从优化变量的选择和2个变量的优化方法分别提出具体可行的改进方法．改进后的SMO学习算法提高了学习速度，加快了网络收敛速度．基于改进SMO算法的仿真结果验证了改进SMO算法的有效性和优越性，并通过仿真，与原始算法进行了比较，显示了改进SMO算法的快速性．     

粒子群优化算法分析

粒子群优化算法是一种基于群体智能的随机全局优化技术，尽管其原理简单易、于实现且功能强大，但目前研究人员还没有对它的工作原理做出足够的解释．将群体优化过程看成一个动态系统的演变，采用线性离散时间系统的分析方法对算法的收敛性进行了分析，导出了简化PSO算法的收敛条件．考虑到参数是影响算法性能和效率的关键因素，利用标准测试函数对算法的参数选择进行了详细的分析，并给出一些指导性原则．     

软件确保智能测试用例生成PSO算法进展研究

测试用例生成是软件测试的重要环节,是软件确保的重要组成部分,其中启发性算法是近年来测试用例自动生成研究领域的热点。对启发性测试用例生成的新方法PSO进行了介绍和分析,详细讨论了PSO算法适应度函数、PSO算法早熟与局部最优、种群规模对PSO算法的影响以及PSO参数优化问题,并将PSO与GA算法进行了对比分析。展望了PSO测试用例生成算法的未来研究方向,指出PSO测试用例生成算法目前应重点解决测试用例规模优化、早熟抑制和参数优选等问题。     

狼群算法的改进及其在水库优化调度中的应用!

为了在水电站优化调度领域更加有效地应用狼群算法,对基本狼群算法(WPA)进行了改进研究.为了克服WPA过分强调个体的独立性、缺乏群体之间信息的共享及个体对历史经验的认知学习等缺陷,对WPA的召唤奔袭算子和围攻猎物算子进行了改进,提出了改进的狼群算法(NWPA);基于基准测试函数和水库优化调度实例对NWPA算法的综合性能展开了仿真实验并与粒子群算法(PSO)、WPA算法及动态规划(DP)进行了比较;对NWPA算法的关键参数有效取值范围进行了仿真实验分析.结果表明,NWPA算法的寻优能力和收敛速度优于PSO算法、WPA算法;给出关键参数的有效取值范围和建议取值,为NWPA算法应用于水库优化调度提供了参数取值依据.     

基于粒子群算法的火电厂机组负荷优化分配

通过研究粒子群(PSO)优化算法的基本原理,分析了该算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并将PSO优化算法应用于电厂机组负荷优化分配问题的研究。通过在3台机组系统的应用,验证表明较之遗传算法等传统优化算法,PSO优化算法在优化结果、搜索区间控制以及收敛速度等方面具有较好的特性,能更好地达到或接近全局最优解。     

PSO方法的收敛性及基于微分演化的参数确定策略

对已有关于PSO收敛性的研究结果进行了必要的修正和完善,并提出了一种不依赖个人经验的参数选择策略。针对特定问题,将PSO方法的性能表示成参数的函数,从而将参数选择问题转变成函数优化问题。同时,采用微分演化方法来确定PSO的最佳参数,收到了较好的效果。     

基于微分进化算法的SVM参数选择

支持向量机(support vector machines, SVM)的性能在很大程度上取决于参数的设置, 所以参数选择问题一直是SVM理论和应用研究中的重点问题.SVM的参数选择本质上是一个优化搜索过程, 并且这个优化问题往往是多峰的.微分进化算法(differential evolution, DE)是一种实数编码的基于种群进化的优化算法, 具有强劲的全局搜索能力, 在多峰函数的寻优问题上已表现出优异的性能.为此, 将DE算法用于SVM参数选择, 提出了基于DE算法的SVM参数选择方法(DE-SVM).在标准数据集上的几个仿真实验证明了该方法的有效性.与基于微粒群算法(partical swarm algorithm, PSO)的参数选择方法相比, DE-SVM在复杂问题或多参数的寻优问题上具有更快的寻优速度.     

基于PSO-ANFIS 改进算法的推理系统平衡性研究

针对粒子群优化(PSO)算法在自适应神经模糊推理系统(ANFIS)中的集成应用,提出对学习神经模型参数、隶属度函数参数进行改进优化的算法。该算法可增强模糊系统的近似精度和可解释性,提高系统的性能,进而发现更好的分类优化规则。算法经4个标准数据库的数据测试,结果表现出更好的性能,获得更好的分类效果,同时降低了系统时间复杂度。     

脉冲发射电路的参数优化UWB

在超宽带(UWB)通信系统中,电路参数设计是决定发射电路性能的重要因素.由于传统的电路参数优化方法计算精度较低,计算过程较为繁杂等,为此在阐述UWB脉冲发射电路和二阶高通滤波器的参数方程基础上,采用粒子群优化(PSO)算法对二阶高通滤波器参数进行优化求解.算例分析与仿真结果表明经过优化后的发射电路的输出波形符合UWB系统的技术要求.     

微粒群算法的研究现状与展望

微粒群算法(PSO)是继蚁群算法提出之后的又一种新的进化计算技术.介绍了微粒群算法的产生背景,基本算法,算法流程,算法参数及其对算法性能的影响.围绕微粒群算法的改进形式,算法的应用等方面对微粒群算法的研究现状进行全面综述,其中特别提到了算法在生产调度领域的研究现状.最后就PSO算法进一步的研究工作进行了探讨和展望.     

融合PSO算法思想的进化算法

粒子群算法(particle swarm optimization,PSO)是仿真于生物群体的社会行为的一种智能优化算法,其原始形式难以体现数学的直观性和本质性。然而,在简化算法原始模型的基础上,PSO算法的理论分析得到其数学模型,并且说明了其是一个迭代进化系统。利用PSO算法的数学模型代替标准PSO算法速度及位置的迭代公式,并选择适当的参数,从而构造了一种新的进化算法。新的进化算法形式更能直接体现PSO算法的数学思想。经仿真试验表明,新的进化算法效果不差于标准PSO算法,并且参数少且容易分析。     

基于IPSO算法的减振器优化

提出将一种改进的粒子群优化算法应用于汽车减振器的优化中。该算法在标准粒子群算法的基础上引入了一个概率参数,使得粒子群优化算法的全局优化能力和收敛速度得到显著改善,并利用该算法对汽车减振器的主要参数进行了优化。结果表明,对减振器参数优化后,明显改善了汽车减振器压缩行程和复原行程的阻尼特性,提高了汽车的平顺性。     

基于粒子群算法的永磁同步电机模糊控制研究

为提高永磁永磁同步电机伺服系统控制性能,提出了基于粒子群优化(PSO)算法的永磁同步电机模糊控制的设计方法,即应用PSO算法全局优化模糊控制器的ka、kb、ku参数和控制规则,提高模糊控制器的控制性能和效果。仿真实验结果表明,优化后的模糊控制器的动、静态性能均优于常规PID控制,具有较高的鲁棒性和控制精度。     

粒子群算法中参数的实验与分析

粒子群算法(PSO)中参数的选择是一个重要研究方向,参数的设置常依靠经验来确定,从而造成工作量大且难以得到最优的参数组合,影响了算法的使用.针对以上情况,本文使用3个测试函数对粒子群算法和收缩因子方法(CFM)中的收缩因子、速度约束和种群规模等重要参数进行了系统的实验和分析,并且提出了参数取值策略.实验证明本文提出的参数取值策略能明显地改进PSO算法性能,具有一定的实用价值.     

Stability, Convergence of Harmonious Particle Swarm Optimizer and Its Application

Particle swarm optimizer(PSO),a new evolutionary computation algorithm,exhibits good performance for optimization problems,although PSO can not guarantee convergence of a global minimum,even a local minimum.However,there are some adjustable parameters and restrictive conditions which can affect performance of the algorithm.The sufficient conditions for asymptotic stability of an acceleration factor and inertia weight are deduced in this paper.The value of the inertia weight w is enhanced to(-1,1).Furthermore a new adaptive PSO algorithm-harmonious PSO(HPSO) is proposed and proved that HPSO is a global search algorithm.Finally it is focused on a design task of a servo system controller.Considering the existence of model uncertainty and noise from sensors,HPSO are applied to optimize the parameters of fuzzy PID controller.The experiment results demonstrate the efficiency of the methods.     

基于粒子群算法的模糊滤波器优化方法

根据粒子群算法可以搜索全局最优的特点,提出一种新的基于粒子群算法优化模糊隶属函数,从而对带有脉冲噪声图像进行模糊中值滤波的方法.该方法给出一个新的模糊熵定义,采用改进粒子群优化算法寻求隶属函数的最优参数,依照最大熵准则将图像变换到模糊域,然后对需要处理的噪声图像进行滤波.实验表明,提出的方法可以很好地滤除图像中的脉冲噪声,自适应性强.     

Stability, Convergence of Harmonious Particle Swarm Optimizer and Its Application

Particle swarm optimizer (PSO), a new evolutionary computation algorithm, exhibits good performance for optimization problems, although PSO can not guarantee convergence of a global minimum, even a local minimum. However, there are some adjustable parameters and restrictive conditions which can affect performance of the algorithm. The sufficient conditions for asymptotic stability of an acceleration factor and inertia weight are deduced in this paper. The value of the inertia weight w is enhanced to (-1,1). Furthermore a new adaptive PSO algorithm-harmonious PSO (HPSO) is proposed and proved that HPSO is a global search algorithm. Finally it is focused on a design task of a servo system controller. Considering the existence of model uncertainty and noise from sensors, HPSO are applied to optimize the parameters of fuzzy PID controller. The experiment results demonstrate the efficiency of the methods.     

基于BFO-PSO的LT-MED海水淡化温度控制

提出一种基于混合粒子群算法和细菌觅食算法的温度控制器,重点研究了菌群优化粒子群（BFO-PSO）算法的性能,包括突变、交叉、步长变化、趋化步骤和细菌的生命周期等。利用MATLAB仿真平台将其与传统比例积分微分算法（PID）及粒子群算法（PSO）进行控制效果对比,发现该方法效率高。与传统PID和PSO调节的PID相比,细菌觅食优化算法的智能PID在系统响应速度和系统稳定性能上都有很大的提高。