一种新的双予群PSO算法

提出一种新的双子群粒子群优化（PSO）算法。充分利用搜索域内的有效信息,通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围。在不增加粒子群规模的前提下,提高解高维最优化问题的精度,降低粒子群优化算法陷入局部最优点的风险。3种典型函数的仿真结果及与2种经典PSO算法的比较结果验证了该算法的有效性。     

一种基于PSO的RBF-SVM模型优化新方法

针对使用径向基核函数的支持向量机,采用粒子群优化方法实现模型优化.基于训练集中样本之间的最近平均距离和最远平均距离,给出参数σ的取值空间,从而减小了超参数搜索的范围,并采用对数刻度进一步提高粒子群优化方法的参数搜索效率.与遗传算法和网格法的对比实验表明,所提出的方法收敛速度更快,得出的超参数更优.     

基于改进PSO算法的WSN覆盖优化方法

提出基于概率测量模型的改进粒子群优化方法,以网络有效覆盖率为优化目标,通过改进粒子群算法实现无线传感器网络的覆盖控制。分析传感半径以及离散化栅格点数对覆盖性能的影响。仿真实验表明,利用改进粒子群优化方法的有效覆盖率达到88.22%,证明了该方法的有效性。     

一种基于PSO/GSVM的入侵检测模型研究

本文提出一种将粒子群优化算法(PSO)和灰色支持向量机(GSVM)结合起来的入侵检测方法。利用灰色关联分析理论处理原始数据,消除冗余属性,减少训练样本,克服支持向量机收敛速度慢的缺点。对处理后的数据集使用SVM建立分类模型,但在求解最优分类超平面时使用粒子群优化算法,以提高检测速度和检测效率。最后,利用KDDcup1999数据集进行仿真实验,结果表明该模型能有效提高分类质量。     

一种改进惯性权重的PSO算法

针对高维复杂函数优化,标准PSO算法收敛速度慢,易陷入局部最优点的缺点,提出一个惯性权重函数使算法的全局与局部搜索能力得到良好平衡,以达到快速收敛;并且该算法通过在后期进行变异操作,有效地增强了算法跳出局部最优解的能力。通过对三个典型的测试函数的优化所做的对比实验,表明改进的算法在求解质量和求解速度两方面都得到了好的结果。     

基于PSO改进决策树算法的研究

决策树方法是发现概念描述空间的一种特别有效的方法，是实例学习中具有代表性的学习方法，专门用于处理大量对象．如何快速建立简单可靠的决策树是一个重要的问题．文章引入PSO算法，并针对标准PSO算法易限于局部极小点的局限性，在保持了PSO算法结构简单可行特点的同时，利用惩罚函数方法，引入叉乘控制项，帮助算法摆脱局部极小点的束缚，提高了优化速度．将改进的PSO引入到决策树建树方法中，并与传统的决策树方法及使用遗传算法改进后的树进行比较，验证了其优越性．     

一种基于动态拓扑结构的PSO改进算法

该文提出了一种新颖的PSO改进算法-PSO-DT。该算法通过动态调整粒子群的拓扑结构,在算法前期弱化全局最优粒子的影响力,以最大化地扩展寻优范围;在算法后期则强化全局最优粒子的影响力,以加快算法收敛速度。此外,文章还在PSO-DT中引入变异算子,获得MPSO-DT,大大减少了算法时间。通过对6个基准函数的测试及与另一改进算法MPSO-TVAC的对比实验,证实了该改进方案是有效而实用的。     

基于在线拉曼光谱仪预测石脑油组成的方法研究

研究石脑油的烃组成预测问题.针对石脑油组分极其复杂和冗余特点,传统的检测方法求解方法复杂、测定时间过长等难题,为了提高准确度,提出一种基于在线拉曼光谱技术结合主成分粒子群算法的预测方法.首先获得石脑油样品的拉曼谱图,利用主成分分析对数据进行降维处理,消除数据间的冗余信息,然后采用粒子群算法对主成分分析后的数据进行预测,得到各个组成成分在石脑油中的质量分数,并将样品预测值与真实值的相关性进行分析.实验结果表明:相对于其他预测方法,该方法准确性高,现场适应性强,测定时间短,是一种高效、实时性好的石脑油组成预测方法.     

一种应用PSO优化RBF神经网络的方法

RBF神经网络算法是一种常用的数据训练方法,在该训练过程中,如何选取更合理的个体作为RBF神经网络的神经元,直接关系到该数据训练方法的性能.利用传统的RBF神经网络模型进行数据训练,由于不同的神经元之间的差异性较小,造成建立的RBF神经网络集成模型的精确度过低.为此,提出应用PSO优化RBF神经网络的方法.动态构造PSO优化RBF神经网络结构,针对不同的动态构造方法进行分类,得到网格删除法、网络构造法和综合法等不同的动态构造方法,在动态构造的基础上,建立引用PSO优化RBF神经网络模型,计算RBF神经网络中的粒子变量,获取对应的适应性值,得到RBF神经网络的输出结果,实现应用PSO优化的RBF神经网络建模.实验结果表明,利用改进算法进行RBF神经网络构建,能够降低RBF神经网络的数据训练误差,满足实际需求.     

一种基于PSO的分层策略搜索算法

针对分层策略梯度强化学习算法(HPGRL)易陷入局部最优点等问题,提出一种分层策略搜索算法(PSO-HPS).首先由设计者按照经典分层强化学习MAXQ方法的思想构建子任务分层结构,通过与环境的直接交互,PSO-HPS利用具有较强全局搜索能力的粒子群对各复合子任务中的参数化策略进行进化,以获得优化的动作策略.最后以协商僵局消解的实验验证PSO-HPS是有效的,其性能明显优于HPGRL.     

Mobile robot localization based on PSO estimator

Localization is fundamental to autonomous operation of the mobile robot. A particle filter (PF) is widely used in mobile robot localization. However, the robot localization based PF has several limitations, such as sample impoverishment and a degeneracy problem, which reduce significantly its performance. Evolutionary algorithms, and more specifically their optimization capabilities, can be used in order to overcome PF based on localization weaknesses. In this paper, mobile robot localization based on a particle swarm optimization (PSO) estimator is proposed. In the proposed method, the robot localization converts dynamic optimization to find the best robot pose estimate, recursively. Unlike the localization based on PF, the resampling step is not required in the proposed method. Moreover, it does not require noise distribution. It searches stochastically along the state space for the best robot pose estimate. The results show that the proposed method is effective in terms of accuracy, consistency, and computational cost compared with localization based on PF and EKF.     

基于前馈扰动的粒子群改进算法

使用线性系统理论分析了粒子群算法(Particle Swarm Optimization,PS0)陷入局部极值的原因。为使粒子种群跳出局部极值粒子重新获得活性,借鉴了鱼群算法中拥挤度因子的概念,提出了前馈扰动粒子群算法(Feedforward Disturbance Particle Swarm Optimization,FDPSO),在以当前最优值为圆心拥挤度因子为半径的圆域内统计粒子的数量,当粒子数量大于某一常数时候,认为种群将会陷入局部最优,因此提前给种群加入扰动。仿真实验证明了理论及所提出算法的有效性。     

改进粒子群算法的潜器导航规划

针对粒子群算法的寻优搜索能力强和已有的一些导航算法存在收敛速度慢、迭代时间长的缺点,提出一种基于粒子群算法的潜器导航算法.利用群智能理论,对基本粒子群算法进行改进:提出一个含突变因子的可变调的惯性权值策略,从而达到增强粒子群算法局部和全局寻优的调度能力.通过实验仿真验证,证明了改进粒子群算法具有更优的性能.在此基础上,将该算法应用到水下潜器的路径规划中,通过对环境的建模分析进行条件约束,最终将路径规划问题转化为路径点求解的优化问题.实验仿真结果获得了从起点到终点的无碰撞路径,收敛速度也较快,验证了该方法的有效性和可行性.     

一种基于混合量子粒子群的快速运动目标跟踪算法研究

量子粒子群算法在优化过程中需要权衡局部探索性和全局开拓性,进化后期由于全局开拓能力的丧失使得种群多样性减少,设计了一种基于欧式距离的混合量子粒子群算法,通过计算粒子的种群多样性,当种群多样性低于阈值范围时加入基于欧式距离的种群划分策略划分子种群,从而保证获得全局最优解。利用标准测试函数验证提出的混合量子群算法有效性。提出了基于混合量子粒子群的Mean Shift算法(HQPSO Mean Shift)完成目标快速跟踪,克服传统Mean Shift算法的在跟踪快速移动目标时出现"跟丢"的问题。     

一种基于PSO和GA的混合算法

结合PSO算法和GA算法的优势,提出了一种新颖的PSO-GA混合算法(PGHA)。混合算法利用了PSO算法的速率和位置的更新规则,并引入了GA算法里的选择、交叉和变异思想。通过混合算法对4个标准函数进行实验并与标准PSO算法比较,结果表明混合算法表现出更好的性能。     

基于MMTD算法的粒子群的解

粒子群算法是一种寻找最优解的算法,该算法在寻找的过程中需要粒子所得的目前解具有判断力和记忆力.然而正是由于该算法中的粒子对当前的解具有判断力,这才能够使得粒子群中的粒子能够较快地找到最优解.粒子群中的粒子在求解过程中所得的结果可分为三种：优,中,差,这三种解的属性符合中介思想.然而MMTD的算法正是中介思想的一种应用,因此本文将MMTD算法在粒子群上进行应用,该算法能够对粒子群解的属性上做出判断.     

一种基于粒子群的病毒检测方法

当今计算机技术的快速发展为病毒技术的发展提供了有利条件,使得当今的计算机病毒的智能性日益突出,所以使用单一的传统检测技术在病毒检测过程中,漏检和误捡的比例明显上升。为了应对目前病毒体现出的智能性,反病毒技术也必须采用相应的智能技术。在查阅了相关资料后,提出一种基于粒子群的病毒检测技术。先对一个未知属性的程序依照病毒的属性来判断该程序是否病毒程序。在确定该程序是病毒的前提条件下,再通过粒子群的方法来判断该病毒所属种类。     

基于动态参数优化的混沌粒子群算法

针对传统粒子群优化算法易陷入局部极值点的问题,将混沌运动的遍历性,随机性以及初值敏感性等特点融入粒子群优化过程中,并通过模拟退火的方法对参数实现局部优化,使得粒子群优化算法的参数随着优化算法的进行不断改变,以适应不断变化的优化需要.通过对经典函数的仿真实验,证明了该方法在提高收敛性的前提下,收敛精度较传统算法也有了提高,且克服了易陷入局部极值区域的问题.     

基于PSO的模糊聚类算法

提出了一种基于模糊C-均值算法和粒子群算法的混合聚类算法。该算法结合PSO的全局搜索和FCM局部搜索的特点,将PSO优化聚类结果作为后续FCM算法的初始值,有效地克服了FCM对初始值敏感、易陷入局部最优和PSO算法局部搜索较弱的问题,同时增强了跳出局部最优的能力。实验表明,新算法得到的目标函数值更小,并能减小分类错误率,聚类效果优于单一使用FCM或PSO。