混合型粒子群优化算法研究

为了改进粒子群算法的性能,提出了融合其他算法优点的混合型粒子群算法。对三种主流的混合粒子群优化算法(基因粒子群、免疫粒子群、混沌粒子群)分别从混合目的、混合方式、实现步骤、算法优化性能等多个方面进行了研究,给出了这三种混合粒子群算法的优缺点及适用范围。     

新的进化计算算法——粒子群优化算法

Particle Swarm Optimization (PSO),rooting from simulation of swarm of bird, is a new branch of Evolution Algorithms based on Swarm Intelligence.Concept of PSO,which can be described with only several lines of codes,is more easily understood and realized than some other optimization algorithms.PSO has been successfully applied to much engineering.Firstly,this paper depicts natural explanation about PSO,secondly,introduces its basic theory and several development versions of PSO,and presents some applications of PSO.At last,a brief conclusion and further research direction are given.     

粒子群优化算法

系统地介绍了粒子群优化算法，归纳了其发展过程中的各种改进如惯性权重、收敛因子、跟踪并优化动态目标等模型。阐述了算法在目标函数优化、神经网络训练、模糊控制系统等基本领域的应用并给出其在工程领域的应用进展，最后，对粒子群优化算法的研究和应用进行了总结和展望，指出其在计算机辅助工艺规划领域的应用前景。     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

粒子群优化算法研究

粒子群优化（PSO）算法是一种新颖的演化算法,它属于一类随机全局优化技术,通过粒子间的相互作用在复杂搜索空间中发现最优区域。本文介绍了PSO算法的基本原理、应用领域,并用matlab实现了该算法。     

粒子群优化算法简介

介绍了基本PSO算法以及两种典型的改进算法:1)全局邻域模式和局部邻域模式对粒子群优化算法的影响,全局邻域模式粒子群优化算法收敛快,但容易陷入局部极小值;局部邻域模式粒子群优化算法由于粒子倾向于在不同的局部区域搜索因而收敛速度慢,但能在较大程度上避开局部极小值;2)混沌粒子群优化算法,它具有混沌的随机性、遍历性、规律性等特性引导粒子及其组成的群落搜索全局最优解。     

粒子群优化算法专利技术浅析

粒子群优化算法又称微粒群算法,是-种智能优化算法,主要用于优化函数、训练神经网络,以及其他进化算法的应用领域。本文简介了粒子群优化算法的发展历史及现状、主要分类,并以国内外专利申请数据为分析样本,从专利逐年变化的申请量和申请人分布等角度进行了分析和研究。     

混沌量子粒子群优化算法

针对量子粒子群优化算法在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了混沌量子粒子群优化算法.采用了基于群体适应值方差的早熟判断机制,同时提出了一种基于混沌搜索的新方法,提高了搜索效率.数值实验结果表明,混沌量子粒子群算法效率高、优化性能好,且具有很强的避免陷入局部最优的能力,其性能远远优于一般的粒子群算法和量子粒子群算法.     

粒子群优化算法研究

粒子群优化算法是一种启发式全局优化技术,是一种基于群智能的演化计算方法,其源于鸟群群体运动行为的研究。群体中的每一个微粒代表待解决问题的一个候选解,算法通过粒子间信息素的交互作用发现复杂搜索空间中的最优区域。本文介绍了粒子群优化算法的基本原理。     

基于模糊粒子群优化的计算网格工作调度算法

网格计算是利用网络把分散的计算资源组织起来解决复杂问题的计算模式,工作调度是待解决的主要问题之一。本文提出一种基于模糊粒子群优化的网格计算工作调度算法,该算法利用模糊粒子群优化动态地产生网格计算工作调度的优化方案,使现有计算资源完成所有工作的时间最小化。实验结果表明,与基于遗传算法、模拟退火、蚁群算法的工作调度方法相比,所提出的算法在时间和精度上具有一定的优势。     

随机装卸工问题的粒子群算法

在装卸工问题的基础上提出了随机装卸工问题及其求解策略。根据问题的特点设计了相应的粒子群优化算法,并通过数值算例就其求解精度和速度与标准遗传算法进行了对比分析。     

QPSO算法优化的非线性观测器设计方法研究

具有量子行为的粒子群优化算法(Quantum-behavedParticleSwarmOptimization,简称QPSO)是继粒子群优化算法(ParticleSwarmOptimization,简称PSO)后,最新提出的一种新型、高效的进化算法。论文在研究基于PSO算法的非线性观测器基础上,提出了一种基于QPSO算法的非线性观测设计方法。以vanderPol系统为例进行了仿真实验,其基本思想是将非线性连续时间系统的状态估计问题转换为非线性函数的在线优化问题,然后利用PSO或QPSO算法获得系统状态的最优估计。仿真结果显示了基于QPSO算法的非观测器比基于PSO算法的非线性观测器的性能更优越。     

基于粒子群的图像分割

图像分割是图像处理的关键问题之一,为了能够快速有效地选取最优阈值进行图像分割,引入了粒子群算法（PSO）对阈值分割进行优化,提出基于PSO的最大熵图像分割,基于PSO的最大类间方差图像分割以及基于PSO的最小误差图像分割,并进行了分析和研究,可以得出该三种方法可以准确、快速地获取最优阈值进行图像分割。     

基于混沌搜索的粒子群优化算法

粒子群优化算法(PSO)是一种有效的随机全局优化技术。文章把混沌优化搜索技术引入到PSO算法中,提出了基于混沌搜索的粒子群优化算法。该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高的算法的收敛速度和计算精度。仿真计算表明,该算法的性能优于基本PSO算法。     

基于随机鞭策机制的散漫度粒子群算法

针对标准粒子群算法全局搜索能力差、易陷入早熟等问题,提出了基于随机鞭策机制的散漫度粒子群算法。首先,给出了粒子散漫度概念,通过动态地对各个粒子的散漫程度进行评估,判断粒子状态,并通过随机鞭策机制处理散漫粒子,避免算法陷入局部最优;其次,对积极运动的粒子利用个体历史最优位置进行处理,加快算法收敛速度;对11个标准函数进行测试,并与标准粒子群算法和其他改进算法进行对比,实验结果表明,基于散漫度的快速收敛粒子群算法寻优精度更高,收敛速度更快。     

双边叫价拍卖中基于粒子群优化的策略学习模型

研究了1:1密封双边叫价拍卖中个体的学习行为,在模型中引入了买方和卖方两个群体,并且假设所有个体都是有限理性的,他们缺乏足够的分析计算能力,从而得不到理论的线性均衡报价策略,但是个体在重复的交易过程中将通过学习来调整自己的策略。相对于以前单一的个体学习方式或是基于遗传思想的模仿学习方式,采用的粒子群优化算法结合了个体与群体两种学习途径,有着更深刻、更合理的行为解释。最后仿真结果发现买卖双方的最终报价策略基本与理论的线性均衡水平一致。     

粒子群优化算法

粒子群优化(PSO)算法是一类随机全局优化技术,PSO算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO的优势在于简单容易实现而又功能强大。PSO已成为国际演化计算界研究的热点。该文介绍了基本的PSO算法、若干类改进的PSO算法及其应用,并讨论将来可能的研究内容。     

微粒群算法求解背包问题综述

微粒群算法是一种群体智能优化算法,它具有个体数目少、计算简单、鲁棒性好等优点;其缺点是容易陷入局部极值点,进化后期收敛速度慢且精度较差.本文对微粒群算法的基本原理、参数设置及优化进行了介绍,并对0-1背包问题的模型及目前的解决方法进行了简介.     

粒子群算法研究与展望

介绍了基本粒子群算法,归纳了粒子群算法的研究现状和改进,包括:增加惯性因子的改进;基于收敛性分析的改进;导入其他演化算法思想的改进;建立非数值问题模型的改进.简要分析了PSO算法的应用.最后对PSO的研究现状做出总结和展望,提出未来的几个研究热点.     

基于微粒群优化的序贯二次规划方法

文章针对约束非线性优化问题,将微粒群优化算法(PSO)和序贯二次规划(SQP)算法结合起来,提出了一种解决此类问题的有效算法。PSO可以看作是全局搜索器,而SQP则主要执行局部搜索。对于那些具有多个局部极值点的优化问题,大大增加了获得全局极值点的几率。由于PSO具有快速全局收敛的特点,同时SQP的局部搜索能力很强,所以所提算法可以快速获得全局最优值。将基于PSO的序贯二次规划算法在两个标准优化问题上进行仿真,结果证明与标准的PSO和SQP相比,算法具有明显的优越性。