城市小时级需水量的改进型引力搜索算法--最小二乘支持向量机模型预测

本文研究利用最小二乘支持向量机(least squares support vector machine,LS-SVM)算法建立城市小时级需水量预测模型.采取精英策略,自适应的速度更新权重系数,同时引入粒子历史最优信息对引力搜索算法(gravitational search algorithm,GSA)进行了改进.最后采用改进型引力搜索算法(ameliorated gravitational search algorithm,AGSA)优化LS-SVM水量预测模型的正规化参数和核参数来提高模型的预测精度及预测速度.理论测试与实例分析表明,基于AGSA比基于GSA,遗传算法(genetic algorithms,GA)和粒子群优化算法(particle swarm optimization,PSO)的LS-SVM水量预测模型具有更好的预测精度,从而验证了基于AGSA的LS-SVM算法适用于小时级需水量预测问题,AGSA适用于多领域的模型参数的优化过程.     

总结性自适应变异的粒子群算法

针对粒子群优化(particle swarm optimization,PSO)算法在迭代期间易陷入局部最优及寻优精度不高的缺点,提出一种总结性自适应变异的粒子群算法SCVPSO(self-conclusion and self-adaptive variation particle swarm optimizatio...     

一种粒子群优化的SVM-ELM模型

极限学习机(extreme learning machine,ELM)是一种简单易用、有效的单隐层前馈神经网络(single hidden layer feedforward neural networks,SLFNs)学习算法,近几年来已成为机器学习研究的热门领域之一。但是ELM单个隐层节点的判断能力不足,分类正确率的高低在一定程度上取决于隐层节点数。为了提高ELM单个隐层节点的判断能力,将支持向量机(support vector machine,SVM)和ELM结合,建立一种精简的SVM-ELM模型。同时,该模型为了避免人为选择参数的主观性,利用粒子群算法(particle swarm optimization,PSO)的全局搜索最优解对参数进行自动优化选取,建立了PSO-SVM-ELM模型。实验证明,该模型较SVMELM和ELM分类精度有较大的提高,具有很好的稳健性和泛化性。     

粒子群优化方法若干特性分析

粒子群优化算法(Particle swarm optimizer, PSO)是一种基于群体智能的优化方法. 本文提出了标准粒子群优化方法按迭代时间展开的一般性描述公式. 在此基础上分析了标准PSO的优化机理, 基于群体社会信息和自身历史经验的情况下,推导了粒子最大搜索空间的数学描述. 通过将粒子运动的一般性描述图解为历史状态加权和的形式, 进一步证明了PSO参数随迭代周期的积累, 在概率意义上的遗忘特性. 分析表明在经过一定周期的搜索后, 标准PSO方法同Barebones粒子群方法(Barebones particle swarm, BBPS)具有近似的搜索机制.从信息传递的角度, PSO的搜索策略是一种在概率意义上具有遗忘特性的历史信息加权求和的结果. 本文的研究结果对标准粒子群算法的一些重要性质(如:遗忘特性、标准PSO与BBPS间的相似性等)进行了合理解释.     

改进PSO的SVM回归模型及在气温预测中的应用

兰州市气温是一个非平稳序列,具有典型噪声大、不稳定的特征,气温变化越大,越不稳定.为了能够提高支持向量机在气温预测中的预测精度、强化泛化能力和降低参数选择的灵敏度.本文提出了改进的粒子群算法(improved particle swarm optimization, IPSO)优化支持向量机(support vector machine, SVM)的气温预测模型.首先在粒子群算法(particle swarm optimization, PSO)中引入了自适应惯性权重以提高PSO算法的全局寻优能力和局部开发能力,其次利用改进的IPSO算法优化SVM的惩罚因子和核函数参数,将优化后的模型(IPSO-SVM)应用于气温预测中.以兰州地面观测站点实际数据作为样本数据,运用Matlab实验工具进行训练和预测,实验结果表明,本文IPSO-SVM模型相比于BP, SVM, GRID-SVM, GWO-SVM, ABC-SVM, ACO-SVM模型具有更强的泛化能力,更好的拟合度,可以更加准确地预测气温的变化,进一步验证了该模型在气温预测方面的可行性.     

凿岩机器人钻臂定位控制交叉精英反向粒子群算法

在利用粒子群优化算法(particle swarm optimization,PSO)进行凿岩机器人钻臂定位过程中,存在收敛速度慢和易于陷入局部最优解等问题.为此,提出一种交叉精英反向粒子群优化算法(crossover elite opposition-based particle swarm optimization,CEOPSO)并给出算法的流程.建立凿岩机器人钻臂运动学模型并对其逆向运动学进行求解.将交叉算子引入EOPSO中,采用自适应惯性权重和交叉概率参数控制技术,在维护粒子个体与最优解之间信息交换的基础上,增加粒子个体之间的信息交换,提高算法的全局搜索能力和钻臂定位效率.仿真结果表明,CEOPSO的平均位置误差和平均姿态误差均小于PSO和EOPSO算法,且迭代过程平稳,可以有效提高凿岩机器人钻臂的定位控制性能.     

一种基于网格划分的自适应粒子群优化算法*

为了提升粒子群优化算法(particle swarm optimization, PSO)的性能,提出了一种基于网格划分的自适应粒子群优化(grid-based adaptive particle swarm optimization, GAPSO)算法和基于网格划分的多样性计算方法,并设计了初始种群多样性最大化(maximal diversity algorithm for the initial swarm,MDAIS)算法。GAPSO分为两个阶段：根据粒子对多样性的贡献自适应调整粒子的进化方向,使种     

改进粒子群优化算法的移动机器人路径规划

针对单一智能优化算法求解机器人路径规划时易陷入局部误区的问题,提出改进粒子群优化算法(GB_PSO)用于机器人路径规划.该算法以粒子群优化算法(particle swarm optimization,PSO)为主体,由于遗传算法(genetic algorithm,GA)和细菌觅食算法(bacterial foraging optimization algorithm,BFO)更新策略所受环境影响的不同,拟合两种环境参数;然后计算粒子与不同环境参数之间的相关性将粒子群划分为两类,分别通过GA的选择、交叉、变异算子和BFO的趋化操作并行加强局部优化;最后通过改进的粒子群更新公式对粒子进行更新,实现机器人全局和局部路径的优化.实验结果表明,改进粒子群优化算法进行路径规划提高了局部和整体的搜索能力,路径规划速度快且路径距离短,同时具备更强的鲁棒性.     

基于改进粒子群算法的PID控制参数优化

针对粒子群优化算法(particle swarm optimization algorithm,PSO)后期易陷入局部最优解这一缺陷,提出一种惯性权重余弦调整的粒子群优化算法(IWCPSO)。在迭代过程中对惯性权重引入余弦变化,改善迭代后期的不足,提高算法的精度。在matlab 2016仿真环境下,与Ziegler-Nichols(ZN)公式法和惯性权重正弦调整的粒子群优化算法(SIPSO)在PID控制参数优化方面的应用效果对比得出该算法是一种使得PID控制系统响应函数性能指标更好,整定结果更精确的算法。     

基于改进自适应PSO算法的WSN覆盖优化方法

在标准粒子群优化（particle swarm optimization, PSO）算法的基础上提出了一种带有动态惯性权重的自适应粒子群算法, 以实现移动WSN对被监测区域的覆盖。新算法引入了粒子群进化度因子和粒子群聚合度因子, 这两个因子的数值主要受粒子群的平均适应值、局部最优值和全局最优值影响。使用这两个因子调整惯性权重会使算法带有一定的自适应性, 这种自适应性使得算法在迭代过程中既不会因步长过小而局部收敛, 也不会因步长过大而跳过待求解问题的最优值。仿真结果表明, 相比标准PSO算法, 改进后的自适应PSO算法使移动WSN的覆盖率提升了5%~8%。     

基于并行粒子群算法的带时间窗车辆路径问题

提出求解带时间窗车辆路径问题的多群并行的粒子群算法。为了提高算法的收敛速度,在每个粒子群中嵌入了记忆功能。针对基本粒子群算法在求解有时间窗车辆路径问题时初始解的单一性导致局部收敛的问题,对两个种群采用了两种不同的初始化方法,并在进化过程中,两个种群相互用记忆粒子替换对方种群中的较差粒子。最后将该算法的运行结果与其他算法进行比较,表明该算法的有效性。     

改进的基于粒子群优化的支持向量机特征选择和参数联合优化算法

针对支持向量机(SVM)中特征选择和参数优化对分类精度有较大影响,提出了一种改进的基于粒子群优化(PSO)的SVM特征选择和参数联合优化算法(GPSO-SVM),使算法在提高分类精度的同时选取尽可能少的特征数目。为了解决传统粒子群算法在进行优化时易出现陷入局部最优和早熟的问题,该算法在PSO中引入遗传算法(GA)中的交叉变异算子,使粒子在每次迭代更新后进行交叉变异操作来避免这一问题。该算法通过粒子之间的不相关性指数来决定粒子之间的交叉配对,由粒子适应度值的大小决定其变异概率的大小,由此产生新的粒子进入到群体中。这样使得粒子跳出当前搜索到的局部最优位置,提高了群体的多样性,在全局范围内寻找更优值。在不同数据集上进行实验,与基于PSO和GA的特征选择和SVM参数联合优化算法相比,GPSO-SVM的分类精度平均提高了2%~3%,选择的特征数目减少了3%~15%。实验结果表明,所提算法的特征选择和参数优化效果更好。     

基于混沌云模型的粒子群优化算法

针对传统粒子群优化（PSO）算法寻优精度不高和易陷入局部收敛区域的缺点,引入混沌算法和云模型算法对PSO算法的进化机制进行优化,提出混沌云模型粒子群优化（CCMPSO）算法。在算法处于收敛状态时将粒子分为优秀粒子和普通粒子,应用云模型算法和优秀粒子对收敛区域局部求精,发掘全局最优位置;应用混沌算法和普通粒子对收敛区域以外空间进行全局寻优,探索全局最优位置。应用特征根法对CCMPSO算法的收敛性进行分析,并通过仿真实验证明,CCMPSO算法的寻优性能优于其他常用PSO算法。     

基于动态多粒子群的多目标优化算法

为了让多目标粒子群优化算法在运行过程中保持粒子的多样性,提出了一种初始化方法和动态多粒子群协作的多目标优化算法。根据粒子群在决策空间中的分布情况动态增加或者减少粒子群数量;为避免粒子收敛速度过快,改进了决定粒子飞行速度的因素,速度值依赖于粒子当前速度惯性、粒子最优值,群最优值和所有群最优值。用五个测试函数对算法进行了测试并与多目标粒子群优化进行了比较,测试结果表明提出的算法优于多目标粒子群优化算法。     

基于AHTPSO的连续属性离散化算法

针对粗糙集不能较好地处理连续型属性的问题,结合粗糙集理论和粒子群算法,提出基于自适应混合禁忌搜索粒子群的连续属性离散化算法。首先,该算法通过对参数的自适应更新操作,从而避免了粒子群出现早熟的现象;然后将粒子群当代得到的全局最优粒子送入禁忌算法中进行优化,有效地提升了算法的局部探索能力;在兼顾决策表系统一致性的同时,将划分的断点初始化为一群随机粒子,通过改进后粒子群的自我迭代得到最佳的离散化划分点。实验结果表明,与其他结合粗糙集的离散化算法相比,该算法具有更高的规则分类精度和较少的离散化断点个数,对连续属性的离散化效果较好。     

基于混合的GA-PSO神经网络算法

粒子群优化(PSO)算法是一类随机全局优化的技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出了一种基于GA和PSO混合的算法(GA-PSO)用于神经网络训练。算法在产生下一代时,结合了交叉、变异算子和粒子群算法中的速度—位移公式,充分利用了遗传算法的全局寻优和粒子群算法收敛速度快的优点。经GA-PSO训练的神经网络应用于三元奇偶问题和IRIS模式分类问题,与BP、GA和PSO算法相比,该算法在提高训练误差精度的同时加快收敛速度,并能有效避免早熟收敛。仿真结果表明,GA-PSO算法是有效的神经网络训练算法。     

改进粒子群优化算法求解TSP问题

针对粒子群优化算法易陷入局部极值的缺点,提出一种改进粒子群算法,该算法借鉴贪婪算法的思想初始化种群,利用两个种群同时寻优,并将遗传算法中交叉和变异操作引入其中,实现种群间的信息共享。用14点TSP标准数据对算法性能进行了测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。     

基于扩散机制的双种群粒子群优化算法*

为了避免标准粒子群优化算法（PSO）过早收敛的缺点,把热力学中的扩散现象引入到PSO算法的改进当中,提出了基于扩散机制的双种群粒子群优化算法(DPSO)。DPSO算法中定义了粒子的扩散能、种群的温度和粒子的扩散概率三个概念,两个群体中的粒子在进化过程中根据粒子的扩散概率被选入到各自种群的扩散池中,从而实现两个种群之间信息的交换和共享。通过解决典型的多峰、高维函数优化问题来证实DPSO算法的有效性,实验结果表明DPSO比标准PSO具有更高的性能。     

A modified particle swarm optimization for aggregate production planning

Particle swarm optimization (PSO) originated from bird flocking models. It has become a popular research field with many successful applications. In this paper, we present a scheme of an aggregate production planning (APP) from a manufacturer of gardening equipment. It is formulated as an integer linear programming model and optimized by PSO. During the course of optimizing the problem, we discovered that PSO had limited ability and unsatisfactory performance, especially a large constrained integral APP problem with plenty of equality constraints. In order to enhance its performance and alleviate the deficiencies to the problem solving, a modified PSO (MPSO) is proposed, which introduces the idea of sub-particles, a particular coding principle, and a modified operation procedure of particles to the update rules to regulate the search processes for a particle swarm. In the computational study, some instances of the APP problems are experimented and analyzed to evaluate the performance of the MPSO with standard PSO (SPSO) and genetic algorithm (GA). The experimental results demonstrate that the MPSO variant provides particular qualities in the aspects of accuracy, reliability, and convergence speed than SPSO and GA.     

嵌入层叠混沌策略的随机粒子群算法

鉴于求解复杂问题时粒子群优化算法易出现早熟收敛的问题,通过引入轨迹扰动因子,提出随机粒子群进化迭代方程.该方程在统计行为中保证粒子向特定的收敛中心逼近,但对“旧址”的依赖性呈现出随机特性,从而使粒子群的快速跳转和迁移成为可能,避免过早落入局部陷阱.同时该进化方程还利用层叠混沌策略和对称极值扰动策略进一步增强算法的局部收敛性和全局搜索性.实验表明,由上述进化方程和改进策略构成的随机混沌粒子群算法具有鲁棒性较强、收敛速度较快和精度较高等优势,性能优于其他同源粒子群算法.