基于决策思想的微粒群三维定位算法研究

为了进一步提高微粒群定位算法的收敛速度和定位精度,提出了一种采用个体决策思想的微粒群三维定位算法,首先对每个微粒进行评价并分配不同的惯性权重,然后利用个体历史位置及其适应值信息进一步优化每个微粒的个体历史最优位置,弥补了微粒群算法对个体历史经验信息利用不足的缺陷.仿真结果表明,改进算法能够以更高的精度和较少的迭代次数定位未知节点,与标准微粒群定位算法和典型的定位算法相比表现出了较好的性能.     

扩展的微粒群算法

微粒间的作用方式是影响微粒群算法的关键因素.为克服微粒群算法的早熟问题,提出一种扩展的微粒群算法(EPSO).基于拟态物理学中的引斥力思想,重新构建微粒间的作用方式.通过微粒间适应值的比较定义微粒间作用的引斥力规则,使微粒在所有微粒对其产生的引斥力的合力方向上随机地移动寻找最优解.扩展的微粒群算法与相关算法进行比较,仿真结果表明:它能够有效提高微粒群算法的全局优化性能.     

基于遗传微粒群混合算法的灰度图像增强

文中提出了一种基于遗传算法和微粒群算法的混合算法,该算法兼有遗传算法和微粒群算法的优点.混合算法以微粒群算法为主体,同时应用遗传算子操作来优化参数搜索,并引进了摒弃因子来调整微粒的随机性,最终得到最优值.本算法中交叉和变异算子采用了概率自适应策略,微粒群算法使用了动态惯性因子来控制微粒的速度更新.通过对标准试验函数的测试,与标准遗传算法及微粒群算法的结果比较,证明了该混合算法的有效性,并应用于图像增强处理,获得了较为满意的结果.     

求解随机相关机会规划的有效算法

随机相关机会规划作为一类重要的随机规划,存在于许多领域中.为了寻找更为有效的求解随机相关机会规划的算法,采用随机仿真来逼近机会函数,在微粒群算法中利用随机仿真估计适应值,提出一种将随机仿真与微粒群算法相结合的随机相关机会规划算法.通过实例仿真测试该算法的性能,并与遗传算法进行比较,结果表明本算法具有一定的优势.     

求解方程组的控制微粒群算法

研究了利用微粒群算法求解大型线性、非线性方程组的问题。并提出了将微粒群算法看作被控对象,引入控制器,利用适应值函数的信息调节惯性权重,以改变动态进化行为,提高算法性能来解决方程组的求解问题。数值实例显示了方法的优越性。     

基于微粒群优化的有向传感器网络覆盖增强算法

覆盖作为无线传感器网络监测中的基础问题反映了无线传感器网络的感知服务质量.在分析节点主感知方向可调模型的基础上,提出了一种微粒群优化的有向传感器网络覆盖增强算法.该算法针对节点主感知方向设计微粒适应值函数和种群进化策略, 以区域覆盖率为优化目标,通过微粒群优化有效调整传感器节点的主感知方向,从而达到有向传感器网络的覆盖增强.实验验证了算法的有效性.     

简化的分类微粒群算法及其在风电场建模中的应用

提出一种简化的分类微粒群算法.首先将微粒按适应值的差异划分成较好、普通和较差3类;然后对这3类微粒分别采用3种对应的没有速度项的简化模型进行动态制整,有效地增加了种群的多样性.通过对4种典型测试函数的仿真实验,并与经典PSO和2个目前较为流行的改进PSO进行比较,实验结果表明了所提出的改进算法具有更好的优化性能.将改进算法用于风电场风速概率模型优化的实验结果表明,与传统最小二乘法相比,该方法拟合的Weibull参数精度更高,更具实际参考价值.     

一种采用变异算子的自适应微粒群算法

为了提高微粒群算法优化高维目标的性能,采用了个体惯性权重自适应调整的微粒群算法,其中每个微粒拥有属于个体的惯性权重。通过对每个微粒的适应值进行评价对惯性权重动态和自适应,以加快其收敛速度并逃离局部最优。为了增强搜索性能,基于高斯变异和随机变异的变异算子被引入。该方法以及其他3种不同微粒群优化算法对4个经典函数在100、200和400维数下进行仿真的结果比较证明此算法在解决高维数目标时具有良好性能。     

一种基于奇异值分解的双语信息过滤算法

本文提出了一种基于SVD(奇异值分解)的双语信息过滤算法,将双语文档进行了统一的表示,使得适应于单语过滤的算法可以方便地用于双语过滤,同时对文档向量进行了压缩,滤去了噪声。在应用方面,将双语过滤算法用于互联网上的个性化主动信息过滤。     

基于部分微粒更新改进的具有非线性动态惯性因子的微粒群新算法

微粒群算法是基于群体智能的全局优化算法,在许多领域得到广泛的应用.该算法具有简单易于实现的优点,但是容易陷入局部极值尤其是采用动态惯性因子.采用动态惯性因子有利于提高微粒群算法的收敛速度,但降低了其全局搜索能力.针对具有惯性因子微粒群算法在进化过程中微粒群多样性减弱容易陷入局部最优值的问题,以非线性动态惯性因子的微粒群算法为基础,提出1种基于部分微粒更新的微粒群算法,以提高微粒群的多样性,进而提高了算法的全局搜索能力.新算法利用Sphere、Rastrigin、Rosenbrock、Schaffer、Freudenstein-Roth、Goldstern-Price 6个经典测试函数进行测试,并与基本微粒群算法和具有线性动态惯性因子微粒群算法比较.通过模拟优化比较,新算法寻优效率高、全局性能好、优化结果稳定,新算法能有效提高微粒群的多样性,具有较好的收敛性能和全局优化能力,尤其适合多峰函数的优化.     

基于适应值的粒子群优化改进

为了提高粒子群优化算法的收敛速度和搜索精度,提出一种基于粒子适应值来设置动态收敛因子的方法(FPSO),根据粒子当前适应值和目标值之间差值的变化设置动态收敛因子,弥补了当前仅靠经验设置收敛因子的不足,实现了适应值对收敛因子的有效扰动.同时,提出一种基于维度最大位移量的局部优化激活方法,使得新算法能快速的从局部优化中跳出.通过4个经典函数对改进的算法进行测试,结果表明了改进后算法的有效性.     

面向粒子群优化的贝叶斯网络结构学习算法

提出了一种基于离散粒子群优化的贝叶斯网络结构学习算法——PSBN（Particle Swarm for Bayesian Network）。贝叶斯网络的结构被映射为一种符号编码,通过在迭代过程中对粒子的符号编码进行调整,从而进化得到具有更高适应度值的贝叶斯网络结构。根据贝叶斯网络的结构特点,粒子位置和速度的编码方案和基本操作被设计,使得算法对贝叶斯网络的结构学习有较好的收敛性。实验结果表明,与基于遗传算法的贝叶斯网络结构学习算法相比,PSBN算法具有较好的学习效果。     

模拟生物理想自由分布模型的粒子群算法

在分析生物觅食行为中资源斑块选择理想自由分布模型的基础上,提出一种新型的粒子群算法——理想自由分布粒子群优化算法（IFDPSO）．该算法将所有粒子中3个不重叠的个体最优位置的适应度视为资源斑块的食物质量,根据理想自由分布模型随机分配相应数量的粒予到各资源斑块中．为保证群体的多样性,各资源斑块的群体最优位置保持随迭代次数增加而线性递减的距离．在间隔一定的迭代次数后,将各资源斑块的粒子重新组合．标准测试函数的仿真结果表明了IFDPSO算法的有效性．     

基于粒子群优化的Unscented粒子滤波算法

针对Unscented粒子滤波(UPF)算法中的粒子退化及重采样引起的粒子枯竭等问题,利用粒子群优化算法使粒子通过比较其当前值与最优粒子的适应度值调整自身速度,向高似然域移动,寻找最优位置,并对重采样过程进行优化,以缓解粒子的退化及枯竭问题。实验结果证明,该算法提高了UPF算法的状态估计精度。     

Charged system search for optimal design of frame structures

The charged system search (CSS) algorithm is utilized for design of frame structures. The algorithm is inspired by the laws in physics. The CSS utilizes a number of charged particles which influence each other based on their fitness values and their separation distances considering the governing law of Coulomb. A comparison between the characteristics of the CSS algorithm and other well-known meta-heuristics is performed to indicate their similarities and differences. Some benchmark frame examples are optimized with the CSS algorithm. Comparison of the results of CSS with some other meta-heuristic algorithms shows the robustness of the new algorithm.     

演化信息协助的动态协同随机漂移粒子群优化算法

为了改善随机漂移粒子群算法的群体多样性,通过演化信息的协助,提出动态协同随机漂移粒子群优化（CRDPSO）算法。利用上下文粒子的向量信息,粒子之间的动态协作增加了种群多样性,这有助于提高群体的搜索能力,并使整个群体协同搜索全局最优值。同时在演化过程中的每次迭代,利用二维空间分割树结构来存储算法中的估计解的位置和适应度值,从而实现快速适应度函数逼近。由于适应度函数逼近增强了变异策略,因此变异是自适应且无参数的。通过典型测试函数将CRDPSO算法和差分进化算法（DE）、协方差矩阵适应进化策略算法（CMA-ES）、非重复访问遗传算法（cNrGA）以及三种改进的量子行为粒子群算法（QPSO）进行比较。实验结果表明,不管是对于单峰还是多峰测试函数,CRDPSO的性能均是最优的,证明了该算法的有效性。     

演化信息协助的动态协同随机漂移粒子群优化算法

为了改善随机漂移粒子群算法的群体多样性，通过演化信息的协助，提出动态协同随机漂移粒子群优化（CRDPSO）算法。利用上下文粒子的向量信息，粒子之间的动态协作增加了种群多样性，这有助于提高群体的搜索能力，并使整个群体协同搜索全局最优值。同时在演化过程中的每次迭代，利用二维空间分割树结构来存储算法中的估计解的位置和适应度值，从而实现快速适应度函数逼近。由于适应度函数逼近增强了变异策略，因此变异是自适应且无参数的。通过典型测试函数将CRDPSO算法和差分进化算法（DE）、协方差矩阵适应进化策略算法（CMA-ES）、非重复访问遗传算法（cNrGA）以及三种改进的量子行为粒子群算法（QPSO）进行比较。实验结果表明，不管是对于单峰还是多峰测试函数，CRDPSO的性能均是最优的，证明了该算法的有效性。     

一种多目标粒子群改进算法的研究

针对多目标粒子群优化过程中的粒子飞行偏向性和多样性损失问题,提出一种基于最大最小适应函数的改进算法．该算法在最大最小适应函数的计算中引入了函数相对值算法和ε-支配的概念,并提出了变ε-支配的策略,改进了最大最小适应函数的计算方法,解决了粒子飞行过程中的偏向性和多样性损失问题,加快了算法的收敛速度．将该改进算法应用于直流变频压缩机启动时峰值电流和启动转速的优化问题,应用结果表明该算法收敛速度快且效果良好．     

基于NPSO算法求解车间作业调度问题

研究车间生产生产调试系统,使资源达到优化配置,实现了一种基于小生境的粒子群优化算法用于求解车间作业调度问题。通过在粒子群算法中引入共享函数和共享适应度函数分别用来计算粒子间的共享度和粒子的共享适应值,并用粒子的共享适应值来反映其适应能力。粒子的位置越相近,则粒子间的共享度越大,相应粒子的共享适应值则越小。通过设置小生境半径的方式,将整个粒子群分解为多个小生境子种群,并通过设置小生境中的最大粒子个数参数,严格控制各个小生境中的粒子数量,使得所有粒子尽可能地分布到整个搜索空间的不同局部峰值区域,从而有效求得问题的全局最优值。仿真结果表明了算法对经典JSP问题求解的优良性能。     

一类新的粒子群算法

提出一种新的模糊粒子群优化算法--收敛模糊粒子群优化算法.重点研究了收敛因子的确定和模糊隶属度函数的选择对算法性能的影响,在考虑计算效率的同时,提高了算法的精度.利用4个基准函数测试了收敛模糊粒子群优化算法的性能,并与模糊粒子群优化算法、收敛粒子群优化算法以及基本粒子群优化算法进行了对比.实验结果表明,新算法具有很好的性能.