量子粒子群算法的改进实现

为了进一步提高量子粒子群算法的精度,从描述粒子状态波函数的[δ]势阱特征长度[L(t)]出发,重新修改其评价方式。通过给群体中的每个粒子引入随机权重,生成随机权重平均最优位置来重新评价[L(t)],以增强算法的随机性,帮助算法逃离局部极小值点的束缚,使算法尽快找到全局极值点。通过几个典型函数测试表明,改进算法的收敛精度优于QPSO算法,并且具有很强的避免陷入局部极值点的能力。     

基于文化框架的随机粒子群优化算法

提出了随机粒子群优化算法(rPSO),并将其与标准PSO纳入到文化算法(CA)框架中,建立了基于文化框架的随机粒子群优化算法(CA-rPSO)。该算法以rPSO作为信念空间的进化算法,以PSO作为群体空间的进化算法,形成了两者独立并行进化的"双演化双促进"机制。选取5个测试函数进行了仿真实验分析并与其他算法进行了比较,结果表明CA-rPSO的寻优性能得到显著提高,且算法简单、易于实现。     

随机交叉粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点,设计了一种随机交叉算子,提出了随机交叉粒子群优化算法。该算法在每次迭代中,对当前粒子和整个粒子群的最优粒子进行随机交叉,产生新的较优粒子并代替原来的粒子,从而加快了算法的收敛速度,增强了算法的寻优能力。仿真结果表明,该算法具有较高的优化性能。     

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。     

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。     

基于随机变异的粒子群优化算法及其应用研究

提出了一种改进粒子群优化算法,对标准粒子群优化算法中影响粒子移动方向的4个因子进行了讨论及优化设定,并设计了一种基于随机变异思想的选择操作,在粒子陷入局部极值点时,重新部署粒子,有利于粒子跳出局部极值点,快速搜寻到最优解.该算法继承了标准粒子群优化算法计算简洁的特点,对经典的测试函数计算表明,该算法的收敛精度和鲁棒性均优于标准粒子群优化算法.将该算法应用于组播路由优化问题,仿真试验表明,该算法能快速、准确地构建满足时延要求,链路代价最小的组播树.     

随机摄动粒子群优化算法

基于粒子群优化算法种群结构相对独立的特点，提出了一种改进的粒子群优化算法一随机摄动粒子群优化算法。该算法通过对每一次进化计算后记忆中的最优粒子进行随机摄动操作来提高解的精度和算法的搜索效率，同时通过对种群中的最差粒子重新进行初始化来保持种群的多样性以避免陷入局部最优解。通过典型复杂函数测试表明，随机摄动粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法。     

基于改进粒子群算法的光伏系统MPPT控制研究

光伏(PV)阵列输出的功率-电压特性曲线在部分阴影条件下具有多个峰值,传统的最大功率点跟踪算法,无法准确跟踪光伏系统的全局最大功率点而且效率低下.由于粒子群优化(PSO)算法非常适合解决多极优化问题,因此,提出了一种随机惯性权重的PSO算法来实现全局最大功率点跟踪.通过改善传统PSO算法的惯性权重系数并优化粒子的搜索顺序,可以减少迭代次数,从而在更短的时间内找到MPP(最大功率点),以确保准确的跟踪最大功率,使系统始终保持最高效率运行.最后,搭建了局部阴影条件下的光伏阵列仿真模型,对提出的算法进行了仿真验证,并与传统的扰动观察法对比分析,仿真结果表明,相较于传统的扰动观察法,利用改进的智能算法,有效地解决了光伏系统在局部阴影条件下准确的追踪系统全局最大功率点的问题,并且加快了系统控制器的响应速度、有效地抑制震荡并且提高了追踪效率.     

粒子群优化算法的分析与改进

分析了惯性权值对粒子群优化(PSO)算法优化性能的影响，进而提出选择惯性权值的新策略．在随机选取惯性权值的同时，自适应地调整随机惯性权值的数学期望，有效地调整算法的全局与局部搜索能力．测试表明基于随机惯性权(RIW)策略的PSO算法，其全局搜优的速率与精度有明显提高．     

基于改进粒子群优化的一致贴近度信息融合算法

贴近度表达了传感器的模糊测量,对信息融合的精确度有着至关重要的影响.用一致可靠测度来描述传感器的模糊测量,提出基于粒子群优化的一致贴近度融合算法,该算法建立了多目标可靠测度的数据模型,并定义多只传感器问的贴近度,利用改进的粒子群算法客观地确定模型中各种权值,根据一致可靠测度给出最终的融合算法,实例验证了算法的有效性.     

基于粒子群优化的深度神经网络分类算法

针对神经网络分类算法中节点函数不可导,分类精度不够高等问题,提出了一种基于粒子群优化(PSO)算法的深度神经网络分类算法.使用深度学习中的自动编码机,结合PSO算法优化权值,利用自动编码机对输入样本数据进行编解码,为提高网络分类精度,以编码机本身的误差函数和Softmax分类器的代价函数加权求和共同作为PSO算法的评价函数,使编码后的数据更加适应分类器.实验结果证明:与其他传统的神经网络相比,在邮件分类问题上,此分类算法有更高的分类精度.     

基于混合粒子群的RFID网络的优化部署*

在RFID网络系统中,贴有标签的物品可能随机地布置着,针对如何有效地放置阅读器,使得阅读器可以读取多个标签信息同时减小冲突的问题,建立了RFID网络系统的优化模型,提出了一种混合粒子群算法来优化部署阅读器的位置。实验结果表明,混合粒子群算法分别比传统的粒子群(PSO)和遗传算法(GA)在收敛速度和寻优能力上具有更好的性能,体现出混合粒子群算法的优越性。     

基于P系统的粒子群优化算法

为了克服算法早熟收敛问题并提高算法精度, 引入了膜计算理论。将PSO算法与P系统相结合, 提出了一种基于P系统的粒子群优化算法 (P-PSO), 有效地平衡粒子群的全局搜索和局部寻优。采用常用的三个测试函数对新算法进行了实验, 结果表明, 提出的P-PSO算法有效地解决了算法早熟问题, 提高了算法的收敛精度。由此可见, P-PSO算法能够有效改进原有PSO算法的性能。     

马尔科夫链的粒子群优化算法全局收敛性分析

本文对粒子群优化算法的全局收敛性进行了分析,给出了粒子速度和位置的一步转移概率,然后从粒子状态所构成的马尔科夫链着手,分析了此马尔科夫链的一系列性质,证明了粒子状态空间的可约性和非齐次性,并验证粒子状态空间是非常返态的,最后表明马尔科夫链不存在平稳过程的条件,继而从转移概率的角度证明了算法不是全局收敛的.     

基于扩散机制的杂交粒子群优化算法*

为了解决标准粒子群优化算法容易陷入局部极小值的问题,模拟统计物理和热力学中的扩散现象,设计了一种扩散机制,根据扩散定律和扩散系数公式,给出了粒子的扩散能、种群的温度和粒子的扩散概率三个定义和扩散池的概念;并把这种策略和多父体杂交算子结合起来,提出了基于扩散机制的杂交粒子群优化算法。该算法在具有欺骗性的多模态函数优化和非线性模型参数估计等实际问题上取得了较理想的实验结果,证实了扩散机制和多父体杂交策略可以有效地改善粒子群优化算法的性能。     

基于模拟退火算法的可逃逸粒子群算法

通过引入模拟退火算法来保证PSO的全局收敛性,在群体最优信息陷入停滞时引入位置逃逸机制保持前期搜索速度快的特性。仿真结果表明本算法不但具有好的全局收敛性,而且有好的收敛速度。     

基于PSO的确定性问题优化研究

粒子群算法原理简单，易于实现，是进化算法中优化效率很高的算法。针对确定环境下的问题优化，提出采用粒子群算法对其进行优化求解。通过对确定性环境下的Benchmark函数的算法仿真研究，表明粒子群算法在确定性问题优化中具有快速收敛性和精确性的特点。     

基于量子行为粒子群优化算法的定位技术研究

针对无线传感器网络(WSNs)节点定位问题,阐述了WSNs的分布迭代式定位方法研究。这种方法将每次迭代后定位的节点作为其余未知节点的参考节点.同时将基于测距定位问题看成一个多维优化问题,并提出利用具有快速收敛能力的量子行为粒子群优化(QPSO)算法进行求解。最后将仿真实验结果与粒子群优化(PSO)算法进行比较,表明QPSO算法在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法的有效性。     

基于改进粒子群优化算法的离散混沌系统神经滑模控制

针对离散混沌系统,提出一种基于融合Powell法的粒子群优化策略(Powell-PSO算法)的神经滑模等效控制方法。该方法通过将BP神经网络的输出作为滑模等效控制的切换部分的系数,有效地克服了传统滑模等效控制的抖振现象;利用Powell-PSO算法对神经滑模控制器的参数进行全局优化,提高了离散混沌系统的控制品质。仿真实验结果表明,所提出的方法无需了解离散混沌系统精确模型,具有响应速度快、控制精度高以及抗干扰能力强的优点。