一种Q学习的量子粒子群优化方法

分析了量子行为粒子群优化算法,着重研究了算法中的收缩扩张参数及其控制方法,针对不同的参数控制策略对算法性能的影响特点,提出将Q学习方法用于算法的参数控制策略,在算法搜索过程中能够自适应调整选择参数,提高算法的整体优化性能;并将改进后的Q学习量子粒子群算法与固定参数选择策略,线性下降参数控制策略和非线性下降参数控制策略方法通过CEC2005 benchmark测试函数进行了比较,对结果进行了分析。     

核聚类人工免疫网络的参数研究

核聚类人工免疫网络是一种新型的聚类分析方法,其基本算法形式也是启发式随机搜索算法,所以算法中的参数对于方法的最后性能有着重要影响。本文通过实验探讨几个关键参数对算法性能的影响,从而说明算法中参数的选择方式。     

蚁群聚类组合方法参数M的研究

蚁群算法中参数在不同取值情况下,常常会对算法的性能和求解效率产生重大影响。该文在基于蚁群聚类组合方法的研究基础上,重点研究了蚁群聚类组合方法KMAOC算法中蚁群算法参数蚂蚁数m对KMAOC算法性能的影响,对KMAOC算法中的参数蚂蚁数m分别取值进行实验,通过几组实验验证提供了KMAOC算法中参数蚂蚁数m配置的较好建议。     

均匀设计在粒子群算法参数设定中的应用

针对依靠经验和试验来确定粒子群优化算法中的参数设定方法存在试验工作量大且难以得到最优的参数组合的问题,提出了一种改进的粒子群算法,该算法利用均匀设计的思想设定算法的最优组合参数,把参数设定问题描述为均匀试验设计中多因素多水平优化设计问题,从而能够以较少试验很快设定算法参数的取值,以使算法获得最优性能。仿真试验表明,利用均匀设计得到的参数组合可使粒子群算法获得稳健和高效的优化效果,说明了该方法的可行性和有效性,且可以推广到其他算法参数的设定。     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

基于PSO算法的测试信号模型参数提取

为了提高自动测试系统的自动化水平,提出了基于粒子群算法的测试信号模型参数提取方法.阐述了采用PSO算法提取测试信号模型参数的原理,针对参数提取过程中的早熟收敛问题,提出了一种改进算法.该算法监控粒子群多样性,采用局部初始化的方法,克服了早熟收敛的缺点,提高了参数提取的稳定性.仿真实验验证了基于PSO算法的测试信号模型参数提取方法具有较高的稳定性和精度.     

基于改进贝叶斯优化算法的CNN超参数优化方法

CNN框架中,如何对其模型的超参数进行自动化获取一直是一个重要问题。提出一种基于改进的贝叶斯优化算法的CNN超参数优化方法。该方法使用改进的汤普森采样方法作为采集函数,利用改进的马尔可夫链蒙特卡罗算法加速训练高斯代理模型。该方法可以在超参数空间不同的CNN框架下进行超参数优化。利用CIFAR-10、MRBI和SVHN测试集对算法进行性能测试,实验结果表明,改进后的CNN超参数优化算法比同类超参数优化算法具有更好的性能。     

基于KFCM-MultiSwarmPSO的SVR参数寻优策略

针对目前支持向量回归机模型（SVR）参数寻优的各类基本方法,从提高计算效率及降低早熟收敛概率角度,从粒子群算法出发,提出一种新型的基于核模糊聚类（KFCM）算法参数自学习方法：多种群粒子群算法（MultiSwarmPSO）来对支持向量回归机的参数寻优策略进行改进。在改进策略中,融入k折交叉验证（k-CV）法并提出用幂函数作为粒子群算法动态学习因子的方法来提高算法性能。针对5个不同特点的数据集,用提出的改进粒子群算法与网格算法（Grid Algorithm）、标准粒子群算法（PSO）、标准遗传算法（GA）、人工蜂群算法（ABC）4种智能参数自学习算法进行对比,实验结果表明,改进算法在参数寻优的时间效率及拟合准确度方面相对传统方法有一定的提高,可以求解出更符合需求的参数组。     

多态蚁群算法中多参数的组合匹配探讨

多态蚁群算法是一种新的模拟进化算法,对组合优化问题具有较强的求解能力。但如果算法中的参数选择不当,会直接影响到算法的全局收敛性和求解效率。以TSP问题为例,对多态蚁群算法中参数α、β、ρ、队Q的作用作了理论上的研究,分析了组合参数的选择对寻优结果的影响,提出了用单纯形算法来确定多态蚁群算法中多参数的最优组合方法,阐述了该方法的思想及求解问题的过程。最后进行了仿真实验,实验结果表明该方法是切实可行的。     

基于改进PSO算法的光伏发电系统负荷参数辨识方法

常规的光伏发电系统负荷参数辨识方法主要使用混沌海鸥组合算法优化目标辨识函数,易受静态负荷的影响,导致参数辨识收敛速度偏低。因此,需要基于改进PSO算法设计一种全新的光伏发电系统负荷参数辨识方法,即利用改进PSO算法设计负荷参数辨识策略,根据光伏阵列特征调整光伏发电系统逆变器统一控制器参数,从而实现光伏发电系统负荷参数辨识。实验结果表明,设计的光伏发电系统负荷参数改进PSO算法辨识方法到达平均最优位置花费的辨识次数较少,收敛速度较高,辨识效果较好,具有可靠性和一定的应用价值。     

覆盖表生成的粒子群算法:参数优化和自适应算法

组合测试是一种能有效检测由参数间相互作用所引发错误的软件测试方法,覆盖表的生成是该研究领域的一个重要问题.目前,很多方法已被应用于覆盖表生成,基于演化搜索的粒子群算法尽管能得到较优的解,但其性能容易受到配置参数的影响.本文首先使用试验设计的方法,对不同覆盖表生成的算法参数进行优化,系统分析了参数对算法性能的影响.同时,考虑到对不同的覆盖表,最优的算法参数往往不同,因此进一步提出了一种适用于覆盖表生成的自适应粒子群算法.实验结果表明,在一定的参数取值范围内粒子群算法都能获得较好的结果,且不存在一组对任意覆盖表都能有最优性能的算法参数.通过参数调优,能使粒子群算法获得比已有结果规模更小的覆盖表,同时,与经过参数调优后的算法相比,自适应粒子群算法在大部分情况下有更好的性能.     

求解药代动力学参数的混合人口迁移算法

针对传统方法优化药代动力学参数时精度不高的缺陷,将Hooke-Jeeves算法与人口迁移算法有机融合,使两者取长补短,既提高了算法的精度,又加快了算法的收敛速度。将混合人口迁移算法用于血管外给药二室模型参数优化的实验之中,不仅比传统的残数法效果要好,而且比Hooke-Jeeves算法或人口迁移算法更优,精度更高。多次实验表明:算法具有良好的可靠性和稳定性,是一种较好的解决药代动力学参数的方法。     

混沌时间序列的自适应变异差分进化ANFIS预测

提出了一种基于自适应变异差分进化（AMDE）算法的ANFIS模型对混沌时间序列进行预测的方法,该方法采用自适应变异差分进化算法和最小二乘法相结合的混合学习算法对ANFIS网络结构参数进行优化设计,利用差分进化算法的全局寻优能力对ANFIS网络前件参数进行优化,而网络的结论参数采用最小二乘法优化,混合学习算法提高了网络参数辨识的收敛速度和系统的全局收敛性,仿真实验结果表明了该方法的有效性。     

基于正交实验的蚁群算法在车间调度问题中的应用

提出用正交实验的方法来设置蚁群算法在求解车间调度问题的参数。蚁群算法在求解车间调度问题时的性能大部分依赖于参数的设置,各参数的值不同,则蚁群算法的收敛速度和得到的解也不同,使用正交实验的方法来测试各个参数对蚁群算法性能的影响,通过对实验结果的分析可得出参数的最佳组合方案。用经典的JSP的样例对这种组合方案进行了测试,实验结果表明用正交实验法得到的蚁群算法的参数设置方案可以加快算法的收敛速度,使算法能够得到问题的最优解或近似最优解。     

基于高阶差分和网格划分算法的DBSCAN参数自动选取算法

针对DBSCAN算法中的两个参数eps和minPts通常依靠经验选取所带来的不足,提出一种高阶差分和网格划分相结合的快速DBSCAN自动参数选取算法。首先分析数据集中数据点与参数的关系,通过引入高阶差分算法自动获取eps和minPts两个参数;然后利用网格划分对数据集建立网格索引,优化算法的运行效率,最后针对噪声点过多的数据集提出去极化操作,增强算法的鲁棒性。算法应用于Flame等九个数据集,分别与传统DBSCAN算法和AGD-DBSCAN算法选取的参数进行聚类效果和算法运行效率的对比分析。结果表明提出的基于高阶差分自动选取参数算法是一种有效的DBSCAN 参数自动选取方法,网格划分显著提升了高阶差分算法的性能,去极化操作必要且有效,具有很好的实用性。     

大间隔高斯混合模型的快速参数更新算法

针对大间隔高斯混合模型基于LBFGS参数更新算法收敛速度慢的不足,提出一种快速参数更新算法。采用构造弱意义辅助函数的方法,得到扩展Baum-Welch算法形式的快速参数更新公式。利用大词汇汉语语音库上的声调分类任务来验证训练速度与分类性能。实验结果表明快速参数更新算法只需数次迭代就能收敛至最优结果,较LBFGS优化方法在识别性能相当的情况下具有更快的训练速度。     

基于置信度融合的边缘检测性能评价基准图计算

针对边缘检测算法的性能评价，提出了一种在真实场景下基于统计、自适应强的评价基准图计算方法。定义了算法参数的相关系数，研究了算法参数相关模型。根据建立的算法参数相关系数得到单算法的预选基准图，对不同算法预选基准图进行基于置信度的图像融合得到可用于边缘检测算法性能评价的基准图。该计算基准图的方法有助于实现边缘检测算法性能评价的自动化，实验结果验证了该方法的有效性及实用性。     

基于改进萤火虫算法的T-S模型辨识

提出改进萤火虫算法的T-S模型辨识方法.针对传统T-S模型辨识方法中将前件参数和后件参数分开辨识而不能全局优化辨识的缺点,应用改进萤火虫算法对前件参数和后件参数整体编码整体辨识.改进萤火虫算法是在原始算法基础上对吸引度系数作自适应变化,目的是增强算法在迭代初期的搜索能力,防止其陷入局部极值点,并降低算法在迭代后期在最优解附近的振荡,以提高解的精度.提出的方法能较好地找到全局最优解,具有较高的辨识精度.仿真示例证明了改进方法的有效性.     

基于参数动态变化和变异的蚁群算法

针对蚁群算法存在求解速度慢、容易出现早熟和停滞现象,提出一种基于参数动态变化和变异的自适应蚁群算法(PDMACS)。将参数分为全局参数和局部参数,对参数的功能进行讨论,设计局部参数q0随蚂蚁求解质量动态变化和全局参数?随平均节点分支数自适应调整的方法提高算法全局搜索能力,并采用一种简单高效的变异算法加快收敛速度。用TSPLIB中的范例进行比较实验,结果表明,与传统算法相比,该算法的求解质量、稳定性以及收敛速度都有所提高。     

NURBS曲线C~1连续参数优化算法

曲线的参数特性直接决定基于自由曲线的路径规划、运动控制等算法的质量.为了生成满足C1连续的近似弧长参数化,提出一种基于分段三次重新参数化的参数优化算法.首先利用Simpson方法离散积分能量,然后使用极值求解法求得初始解,最后通过LM(Levenberg-Marquardt)优化算法计算出曲线的最优参数表示.与C1连续的分段有理重新参数化方法相比,该算法能够在分段数量很少的情况下达到局部最优.最后通过实例说明了文中算法的有效性.