用协同演化并行PSO重构扩展的超二次曲面模型

针对用传统方法难以求解的扩展的超二次曲面三维模型参数拟合问题,提出了用协同演化的并行粒子群优化算法求解的新方法。通过对扩展的超二次曲面三维表示特性的研究,设计和实现了基于岛屿群体模型的并行粒子群优化算法,并用协同演化的思想,将约束非线性优化转化为极小极大问题进行求解。实验结果表明用协同演化的并行粒子群优化算法重构扩展的超二次曲面三维模型,扩大了模型表示能力,建模精确且效率高。     

基于PSO算法的变差函数球状模型参数拟合

对一阶变差函数球状模型及其二阶套合结构的参数拟合进行研究,利用粒子群优化(PSO)算法在求解非线性优化问题时收敛的快速性以及全局寻优的有效性等优势,将待拟合球状模型的参数组合为一个粒子向量,在PSO算法迭代过程中对部分粒子进行混合柯西-高斯变异,实现变差函数球状模型最优参数的自动拟合。仿真实验结果表明,该方法操作简单、可靠性高。     

基于岛屿群体模型的并行粒子群优化算法

为改善粒子群优化算法对大规模多变量求解的性能，提出了基于岛屿群体模型的并行粒子群优化算法．对粒子群优化算法机理和本质并行性进行分析，设计和实现了一种并行粒子群优化算法．实验结果表明，基于岛屿群体模型的并行粒子群优化算法不仅提高了求解效率，而且改善了早收敛现象，算法的性能比经典粒子群优化算法有了很大提高．     

混沌粒子群算法自动拟合理论变差函数

理论变差函数的参数拟合是地质统计学特有的基本内容之一。针对现有的拟合方法的不足之处,为了快速实现理论变差函数参数的自动拟合,充分利用混沌粒子群优化算法在求解非线性优化问题时的快速收敛性,混沌运动的遍历性和全局寻优的特点提出了实验变差函数的混沌粒子群自动拟合算法。选用一阶球状模型,并将其转化为极小值问题,利用混沌粒子群优化算法找到满意的适应值。实验结果表明,该方法寻优能力强,精度高,能有效实现参数的自动拟合。     

基于改进PSO算法的GMA迟滞模型参数辨识

使用改进的粒子群优化算法辨识Jiles-Atherton模型参数。针对J-A模型对超磁致伸缩致动器(giant magnetostrictive actuator,GMA)迟滞特性建模中磁化参数互相嵌套难以辨识的特点,改进磁滞模型并建立了考虑超磁致伸缩材料磁机耦合特性的动态磁滞模型;为了克服普通粒子群算法实际求模型参数时计算量大,运行时间长的缺点,提出基于粒子群算法和遗传算法的改进算法--带交叉因子的粒子群优化算法,将模型仿真所求的磁化强度和实验测得的磁化强度的差值的平方作为适应度函数,并结合最小二乘法思想对J-A模型的几个参数进行辨识;最后,在Matlab 7.0上进行仿真,给出了模型辨识后的结果。在不同预压力和驱动频率下的仿真结果与GMA已有实验数据进行对比,验证得出辨识后的模型可较好地与实验数据拟合,磁致伸缩位移误差在5%以内。     

基于粒子群算法的粗轧宽展模型参数优化

粒子群优化算法因为其简单可行以及效果显著而越来越广泛地被应用于模型优化中，采用粒子群算法对粗轧宽展控制模型进行优化，解决了传统方法难以解决的问题。结果表明，优化后的模型效果明显优于原来模型，体现了粒子群算法在优化领域的优越性。研究优化粒子群算法，使其在更多领域得到实际应用．具有广泛的意义。     

基于权重QPSO算法的PID控制器参数优化

传统的PID控制器参数优化方法容易产生振荡和较大的超调量,因此智能算法如遗传算法（SGA）和粒子群算法（PSO）被用于参数优化,弥补传统算法的不足,但是遗传算法在进化过程中收敛速度慢,粒子群算法存在易于早熟的缺点。在分析量子粒子群算法（QPSO）的基础上,在算法中引入了权重系数,提出使用改进的量子粒子群算法（WQPSO）优化PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过三个传递函数实例,分别使用Z-N、GA、PSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。     

基于超二次曲面模型的超声阵列成像算法

针对基于二维超声阵列的三维目标成像问题,提出了一种基于渡越时间法与超二次曲面模型的三维目标成像算法。利用改进的Unitary-ESPRIT算法得到特征点的方位角,利用渡越时间法(TOF)得到空间特征点的距离,将特征点的方位角与距离相结合,利用三角几何关系,将其转换为特征点的坐标。利用改进的Levenberg-Marquardt算法进行参数拟合,最终实现三维目标的成像。仿真结果表明:该算法能够实现基于超声阵列的三维目标的成像,且最终得到的拟合参数的误差基本控制在10%以内。     

一种基于类覆盖和粒子群优化的模糊神经网络系统

提出一种基于类覆盖获取有向图和粒子群优化方法的模糊神经网络模式识别系统模型，该模型利用改进的贪心算法获得半径较均匀的超球体类覆盖，再利用超球体类覆盖实现模糊输入空间划分和模糊IF-THEN规则提取，以此实现模糊神经网络系统的结构辨识；采用改进的模糊加权型Mamdani推理法确定系统的输出，并使用基于粒子群优化的算法对系统参数进行精炼，使系统具有很好的强壮性和识别率．对11种矿泉水味觉信号的识别实验结果证明了该系统的可行性和有效性．     

基于免疫粒子群算法的参数估计方法

针对污水生化反应模型参数估计问题,提出一种基于免疫粒子群算法的估计方法。该方法采用免疫算法保持粒子群的多样性,避免粒子群算法的过早收敛而降低寻优能力。利用估计的参数值对实验数据进行拟合,仿真结果表明,拟合误差率低于标准的粒子群和遗传算法,进一步提高了污水生化反应模型参数估计精度。     

面向散乱数据点的超二次曲面建模与识别综述

在深度图像处理中,针对散乱的数据点进行三维建模与识别研究更具一般性,它是计算机视觉领域中的一个研究热点。通过阐述超二次曲面建模、分割与识别理论和方法的研究进展,以及演化计算在三维建模与识别中的应用,针对离散不规则三维数据点的特性,分析了超二次曲面参数拟合、多物体场景分割、部件识别存在的问题,提出进一步研究扩展超二次曲面的表达能力,利用的超二次曲面作为基元部件对场景进行建模与分割,并将群体并行演化以及关系匹配理论引入到超二次曲面建模与识别中,其目的在于探求一种高效实用的三维建模与识别方案。     

基于参数方程处理等式约束优化的粒子群算法

针对目前已有的粒子群优化算法求解有等式约束优化问题时对收敛速度和解的精度的影响,提出了一种新的基于参数方程的粒子群优化算法.它是粒子群在初始化和选代进化过程中使用求解参数方程的方法处理等式约束设计出的粒子群优化算法.数值实验结果表明,新算法是有效的.它不仅提高了收敛速度和解的精度,而且是一种通用的智能算法.     

拟牛顿粒子群优化算法求解调度问题

针对资源受限的项目调度问题,将粒子群优化算法与拟牛顿优化算法相结合,提出了一种混合粒子群算法。本算法利用粒子群算法求得优化解,然后利用拟牛顿方法对所得到的解进行局部优化,以尽量达到或接近全局最优点。结果表明,本算法能够有效地求解大规模项目调度问题,具有较好的应用价值。     

利用粒子群优化算法求解圆排列问题

针对已有算法搜索时间较长,且易于过早地收敛于非最优解的缺陷,利用粒子群优化算法给出了圆排列问题的求解方法.首先,在分析了圆排列问题与旅行商问题关系的基础上,将圆排列问题转化为旅行商问题,从而得到一个相应的组合优化问题.然后,利用粒子群优化算法进行了求解.接着,为了进一步提高算法的精度,文中给出了一种利用混合粒子群优化算法的方案.最后,在仿真实验中,与已有算法进行了比较,实验结果表明,文中所给方法是有效的.     

基于粒子群的三维可视化视点优化方法

通常三维可视化的最佳视点选择是通过人工试探,这样会导致反复迭代尝试的次数增加且效率低下,针对上述问题提出了一种基于粒子群的视点优化方法。该方法把视点利用多分辨率层级来表示,引入图像信息熵评价不同视点下绘制的三维图像的质量,熵值作为视点优化的依据和粒子群的适应度函数值。在三维可视化中利用粒子群算法进行视点的智能、自动的优化,从而实现最佳视点的选择。实验结果表明,该方法具有较快的收敛速度,有效地减少了评估次数,可提高三维可视化的绘制图像的质量和绘制效率。     

一种改进的基于粒子群的三维片上网络优化布局算法

提出了一种改进的基于粒子群算法的优化布局算法(Improved Particle Swarm Optimization,IPSO)来替换原有的基于模拟退火(Simulated Annealing,SA)算法的优化布局算法,使其更加适用于大型三维片上网络的仿真。通过比较这两种算法的基本思想,给出了这两种算法的实现步骤并详细介绍了IPSO算法的改进思路。最后利用一款现有的三维片上网络仿真器进行了仿真验证。结果表明,提出的IPSO算法比原来的SA算法更适用于大型三维片上网络的仿真。     

一种嵌入局部混沌搜索的混合微粒群优化算法

该文研究了基于种群演化的微粒群优化算法，针对此算法在迭代的过程中陷入局部极小点而产生群体演化停滞的现象，提出了一种嵌入局部混沌搜索的混合微粒群优化算法。此混合方法利用混沌迭代的遍历性来增强算法的局部精确搜索能力从而达到全局搜索性能和局部搜索性能的平衡，使群体快速脱离停滞状态。实验结果表明，相比于其他演化搜索算法如标准微粒群算法，标准遗传算法和改进微粒群算法，嵌入局部混沌搜索的混合微粒群算法在收敛性和鲁棒性方面得到了较大的改善，很大程度上避免了演化停滞现象的发生，是一种高效的搜索方法。     

基于多点速度向量的多目标粒子群算法改进

针对多目标粒子群算法在高维条件下易早熟、迭代步骤数较多的问题,通过引入多点速度向量,提出一种基于多点速度向量的多目标粒子群改进算法,由于改进的多目标粒子群可以看成多个对于目标函数和当前种群的多目标最优点独立的速度和位置分量的叠加,减少了在目标函数最优值搜索之间相互的影响,从而有效地提高多目标粒子群在高维条件下的收敛速度以及准确性,理论证明这这种改进的有效性。实验结果证明了理论推导的正确性。     

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。