改进的协同进化遗传算法在机器博弈中的应用

阐述了一种典型的协同进化遗传算法(SANE),在机器博弈中,用前馈神经网络(FNN)表示局面估值函数,该算法采用两个种群合作协同的方式进化该FNN.对上述算法在种群的初始化方面进行了合理改进:用粒子群算法(PSO)先对种群进行预处理.实验表明,在协同进化的过程中,经过预处理的种群会比随机生成的种群效率更高.     

基于QPSO的数据聚类*

在KMeans聚类、PSO聚类、KMeans和PSO混合聚类（KPSO）的基础上,研究了基于量子行为的微粒群优化算法（QPSO）的数据聚类方法,并提出利用KMeans聚类的结果重新初始化粒子群,结合QPSO的聚类算法,即KQPSO。介绍了如何利用上述算法找到用户指定的聚类个数的聚类中心。聚类过程都是根据数据之间的Euclidean（欧几里得）距离。KMeans算法、PSO算法和QPSO算法的不同在于聚类中心向量的“进化”上。最后使用三个数据集比较了上面提到的五种聚类方法的性能,结果显示基于QPSO     

基于PSO—SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法（PSO—SVM）的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络（BP—NN）和支持向量机方法（SVM）对该实例进行了预测,进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO—SVM为87．5％、BP—NN为50％、SVM为62．5％。可见,PSO—SVM方法的预测效果要好于BP—NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义。     

PSO算法在Smith-PID控制器参数整定与优化中的应用研究

大部分工业过程的控制对象通常具有纯滞后环节,常规的Smith-PID控制很难取得预期的效果。针对传统Smith-PID控制需要精确数学模型且不适应参数变化纯滞后系统的缺陷,在继电整定的基础上,提出了用PSO算法来整定和优化Smith-PID参数,削弱了Smith-PID控制对于对象参数精确性的要求,提高了系统的鲁棒性。仿真结果表明,所提出的Smith-PID参数整定方法有较强的鲁棒性和较好动静态性能。     

双目标动态迁移操作DE-PSO混合算法

针对非线性约束优化问题的特殊性,给出一种求解非线性约束优化问题的动态目标迁移DE-PSO混合算法.在初始化中加入迁移操作,采取动态目标的处理方法,将约束优化问题转化为无约束双目标优化问题.依据原目标函数、违反约束度函数进行选择操作,先通过改进差分进化算法对种群进化,对违反约束度在容忍度以外的个体再采用改进的粒子群优化算法进化,并用采用一组经典的测试函数进行测试.DE-PSO混合算法具有精度高、稳定性好的特点.     

基于PSO-BP模型的黄河兰州站含沙量预测

为了提高BP模型对含沙量预报的精度,采用PSO算法优化了BP神经网络的权值和阈值参数,并用黄河兰州站的含沙量资料进行了验证。结果表明:该方法能克服传统BP模型易陷入局部收敛的缺点,提出的PSO-BP模型能够提高含沙量预测的准确度。     

Cruise missile multiple routes planning based on hybrid particle swarm optimization

In order to solve cruise missile route planning problem for low-altitude penetration,a hybrid particle swarm optimization( HPSO) algorithm is proposed. Firstly,K-means clustering algorithm is applied to divide the particle swarm into multiple isolated sub-populations,then niche algorithm is adopted to make all particles independently search for optimal values in their own sub-populations. Finally simulated annealing( SA) algorithm is introduced to avoid the weakness of PSO algorithm,which can easily be trapped into the local optimum in the search process. The optimal value obtained by every sub-population search corresponds to an optimal route,multiple different optimal routes are provided for cruise missile. Simulation results show that the HPSO algorithm has a fast convergence rate,and the planned routes have flat ballisticpaths and short ranges which meet the lowaltitude penetration requirements.     

Robot stereo vision calibration method with genetic algorithm and particle swarm optimization

Accurate stereo vision calibration is a preliminary step towards highprecision visual positioning of robot. Combining with the characteristics of genetic algorithm (GA) and particle swarm optimization (PSO), a threestage calibration method based on hybrid intelligent optimization is proposed for nonlinear camera models in this paper. The motivation is to improve the accuracy of the calibration process. In this approach, the stereo vision calibration is considered as an optimization problem that can be solved by the GA and PSO. The initial linear values can be obtained in the first stage. Then in the second stage, two cameras’ parameters are optimized separately. Finally, the integrated optimized calibration of two models is obtained in the third stage. Direct linear transformation (DLT), GA and PSO are individually used in three stages. It is shown that the results of every stage can correctly find nearoptimal solution and it can be used to initialize the next stage. Simulation analysis and actual experimental results indicate that this calibration method works more accurate and robust in noisy environment compared with traditional calibration methods. The proposed method can fulfill the requirements of robot sophisticated visual operation.     

基于粒子群优化的生物网络布局

基本粒子群算法（Particle Swarm Optimization,PSO）用于生物网络布局优化存在以下不足：存在影响布局优化的边界效应（boundary effects）,并且仅适用于小规模网络.针对边界效应提出了无边界限制的PSO算法（FPSO算法）.该算法一定程度上减少了边界效应对布局的影响.针对较大规模生物网络布局,提出了具有免疫反向学习特性的PSO算法（IO_FPSO算法）.采用主观评价、目标函数评价和布局准则定量评价进行算法比较,实验结果表明FPSO算法明显优于基本PSO算法,而IO_FPSO则进一步改善了较大规模生物网络布局效果.     

基于量子粒子群算法的聚类分析方法

针对K-均值聚类方法受初始聚类中心影响,容易陷入局部最优解的问题,提出一种基于量子粒子群算法的聚类方法,该方法引入了动态调整量子门旋转角和量子变异操作,采用改进的变异算子,使粒子群体保持品种的多样性和优良性,避免陷入局部最优,同时结合粒子群优化算法,增加粒子群的全局搜索能力。仿真实验表明该方法在全局寻优能力和收敛效率上都有所提高。