一种改进的粒子群优化粒子滤波算法

粒子群优化粒子滤波方法容易陷入局部最优,针对这一问题,提出一种改进的粒子群优化粒子滤波算法,该算法对惯性权重和位置更新采用模糊控制,增强粒子全局搜索的能力,防止粒子陷入局部最优,提高估计精度。     

粒子群算法的混沌优化

粒子群算法具有较强的普适性、鲁棒性、全局搜索性等特点,在求解复杂问题时具有明显的优越性,本文对粒子群算法进行混沌优化,使其为决策者提供一种有效的优化工具。     

改进的混合粒子群优化算法

针对粒子群算法后期收敛速度较慢,易陷入局部最优的缺点,提出了改进的混合粒子群算法.通过更改现有的速度更新公式,加入扰动项,以及引入交叉和变异算子等措施,改进了粒子群算法的性能.数值试验表明,改进后的粒子群算法在全局寻优和局部寻优能力上均得到提高,是一种有效的优化算法.     

一种改进的雁群扩展粒子群算法研究

针对粒子群算法易陷入局部最优的问题,结合雁群启示粒子群算法和扩展粒子群算法提出了基于雁群启示的扩展粒子群(GeEPSO)算法。该算法在利用雁群飞行方向的多样性同时融合了所有粒子的个体极值信息,提高了种群多样性。为进一步提高改进算法的收敛速度,引入简化粒子群提出了 GeESPSO算法。基准函数的仿真表明:改进算法GeESPSO较好地平衡了收敛速度和局部最优两个矛盾,总体较优。为进一步验证算法在实际应用中的有效性,又分别用两种改进算法优化BP神经网络,并用相关气象数据对PM2.5的值进行预测。     

基于改进的粒子群优化的FastSLAM方法

提出了一种基于改进的粒子群优化(IPSO)的快速同时定位和地图创建(FastSLAM)方法--IPSO FastSLAM算法.该算法在粒子预估过程中引入观测信息,调整了粒子的提议分布,增强了位置预测的准确性.改进的粒子群优化采用两步优化策略,即首先通过种群速度自适应调整惯性权重,有效地克服了粒子退化问题,改善了算法的实...     

基于力导向量子粒子群算法的气体源点定位研究

根据有风时气体浓度衰减模型,采用量子粒子群优化(quantum particle swarm optimization,QPSO)算法实现无线传感网络中的气体源点定位,考虑到传感器节点测量气体浓度时存在门限值的实际情况,引入力导向思想,通过使传感器节点产生虚拟力来影响QPSO算法的位置更新过程,使粒子移动更有目的性,引...     

稀疏无线传感器网络移动节点定位算法

为解决稀疏无线传感器网络的现有MCB移动节点定位算法存在定位精度低和无法定位的节点的数量多的问题,对MCB算法进行了改进,进而提出了一种新的移动节点定位算法MCBP,该算法把已定位的节点作为其它未定位节点的参考点(准信标节点),利用准信标节点的位置信息参与后续定位过程,使更多的节点可以定位,并且提高了定位精度。仿真结果表明,MCBP移动节点定位算法比前人的类似算法的定位误差最大可减少22%,平均减少16%。无法定位的节点的数量最大可减少26%,平均减少12%。     

基于粒子群算法的水声通信网络能量优化方法

水声通信网络节点功耗是影响网络节点寿命的重要因素之一。针对水声通信网络的能量优化问题,基于网络节点发射功率与传输距离的非线性关系,结合改进的粒子群算法建立了一种能量优化方法。该方法改进了网络模型,在网络运行中根据存活节点数量和节点剩余能量的变化情况,自适应动态优化每个节点的信息传输路径。仿真结果表明,所提优化方法能有效降低网络节点总功耗,延缓首个节点的死亡,减缓网络中节点的死亡速率,也即减缓了网络有效覆盖面积随着网络运行而减小的速率。     

蚁群循环定位算法在WSNs节点定位中的应用

针对无线传感网络中测距和定位算法复杂、精度不高的问题,提出了一种基于蚁群算法的循环定位算法。首先,利用接收信号强度指示(RSSI)方法测量距离,并建立信号衰减模型来计算测距公式。然后,利用循环定位算法对8个锚节点进行循环定位,将定位结果的平均值作为盲节点的最佳位置。最后,将该算法与加权质心定位算法和三边测量法进行对比,实验结果表明,循环定位算法的定位精度和稳定性更佳。     

无线传感器网络中一种改进的目标定位算法

将定位区域网格化,把目标定位问题转化为稀疏搜索问题,建立基于压缩感知的定位模型。为满足压缩感知理论对测量矩阵的约束等距性要求,采用LU分解的方法对测量矩阵进行正交化预处理。同时提出一种改进的正交匹配追踪算法恢复目标位置,并利用加权质心算法进一步提高了定位精度。实验结果表明,该方案平均定位误差小于其它算法。     

基于模型参考和微粒群算法优化的传感器动态补偿方法

提出了一种基于微粒群（PSO）算法优化的传感器动态误差补偿器的设计方法。无需事先已知系统的动态特性,可根据传感器以及参考模型对输入激励响应的实测数据,通过PSO算法的优化学习得到补偿器的参数。传感器的输出经过补偿器后,能够克服由传感器动态特性引起的测量误差。最后,通过实验验证了该方法的有效性。     

粒子群优化算法及其在圆度误差评定中的应用

提出一种基于粒子群优化算法(PSO)的圆度误差评定方法。介绍了PSO算法的提出及其特点;具体阐述了PSO算法的基本原理和实现步骤;提出圆度误差评定这一非线性优化问题,给出其优化目标函数及PSO算法的适应度函数和编码方式;结合实例对算法参数进行了设置,通过实例运算对PSO进行了正确性和精确性验算。实例证明该方法能够很好地解决圆度误差评定问题,与遗传算法具有相当的计算精度,能够获得精度较高的结果。而PSO的突出优点是简单易于实现,计算速度快。     

一种基于椭球约束的加速度计粒子群优化静态修正方法

研究了微机电系统加速度计基于椭球约束的静态修正法。根据微机电系统加速度计输出数学模型,采用标准粒子群优化算法估计微机电系统加速度计的输出数学模型中的刻度因数、零偏及正交误差。实验结果表明,该方法有效剔除了采样过程中的随机误差,粒子群优化方法的引入,使得微机电系统加速度计输出能够准确地反映其真实值。     

Three Dimensional Optimum Node Localization in Dynamic Wireless Sensor Networks

Location information plays an important role in most of the applications in Wireless Sensor Network (WSN). Recently, many localization techniques have been proposed, while most of these deals with two Dimensional applications. Whereas, in Three Dimensional applications the task is complex and there are large variations in the altitude levels. In these 3D environments, the sensors are placed in mountains for tracking and deployed in air for monitoring pollution level. For such applications, 2D localization models are not reliable. Due to this, the design of 3D localization systems in WSNs faces new challenges. In this paper, in order to find unknown nodes in Three-Dimensional environment, only single anchor node is used. In the simulation-based environment, the nodes with unknown locations are moving at middle & lower layers whereas the top layer is equipped with single anchor node. A novel soft computing technique namely Adaptive Plant Propagation Algorithm (APPA) is introduced to obtain the optimized locations of these mobile nodes. These mobile target nodes are heterogeneous and deployed in an anisotropic environment having an Irregularity (Degree of Irregularity (DOI)) value set to 0.01. The simulation results present that proposed APPA algorithm outperforms as tested among other meta-heuristic optimization techniques in terms of localization error, computational time, and the located sensor nodes.     

基于随机权重粒子群和K-均值聚类的图像分割

K-均值聚类具有简单、快速的特点,因此被广泛应用于图像分割领域.但K-均值聚类容易陷入局部最优,影响图像分割效果.针对K-均值的缺点,提出一种基于随机权重粒子群优化（RWPSO）和K-均值聚类的图像分割算法RWPSOK.在算法运行初期,利用随机权重粒子群优化的全局搜索能力,避免算法陷入局部最优;在算法运行后期,利用K-均值聚类的局部搜索能力,实现算法快速收敛.实验表明：RWPSOK算法能有效地克服K-均值聚类易陷入局部最优的缺点,图像分割效果得到了明显改善;与传统粒子群与K-均值聚类混合算法（PSOK）相比,RWPSOK算法具有更好的分割效果和更高的分割效率.     

加权微粒群算法在模型配准中的应用

微粒群算法目前已经在很多领域得到了广泛的应用。根据微粒群算法收敛较快的权值范围,建立加权函数,将其运用到速度进化过程中,并在进化过程中分群优化,使得改进的微粒群算法在迭代初期具有较好的全局收敛能力,在迭代后期具有较好的局部收敛能力,从而可以实现维护全局和局部搜索能力的平衡。将该算法运用于散乱点云与三维CAD模型的配准问题中,并与基本微粒群算法进行对比,具有更好的配准结果,迭代收敛更快。     

基于混沌优化的板形信号模式识别的研究

针对传统的基于最小二乘法板形信号模式识别方法抗千扰能力差、精度低,神经网络识别方法在实际应用中效果不佳的问题,通过对板形信号和板形识别数学模型的分析,首先将板形信号模式识别过程转化为函数的优化问题。为提高板形信号识别的精度和速度,以勒让德正交多项式作为板形缺陷的基模式,用模糊识别理论与混沌优化方法对该函数进行优化求解。采用模糊理论作为初步识别,用以降低混沌优化的求解维数和缩小搜索空间,借助梯度下降法的思想对混沌优化的局部搜索能力进行改善,从而进一步提高了混沌优化对板形信号模式识别的识别速度和精度。     

粒子群优化算法综述

粒子群优化（PSO）算法是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO通过粒子追随自己找到的最好解和整个群的最好解来完成优化。该算法简单易实现,可调参数少,已得到广泛研究和应用。详细介绍了PSO的基本原理、各种改进技术及其应用等,并对其未来的研究提出了一些建议。     

基于改进粒子群算法求解单级多资源约束生产批量计划问题

本文提出了用于求解单级多资源约束的生产批量计划问题的改进二进制粒子群算法,阐明了算法的具体实现过程。通过对其它文献中的例子进行计算和结果比较,表明了该算法在寻优能力、求解速度和稳定性方面都明显优于文献中的传统遗传算法和退火惩罚混合遗传算法。