基于改进粒子群优化和极限学习机的网络安全态势预测

针对网络安全态势预测模型预测精度不高、收敛较慢等问题,提出了一种基于改进粒子群优化极限学习机（IPSO-ELM）算法的预测方法。首先,通过改进粒子群优化（PSO）算法中的惯性权重和学习因子来实现两种参数随着迭代次数增加的自适应调整,使PSO初期搜索范围大、速度高,后期收敛能力强、稳定。其次,针对PSO易陷入局部最优的问题,提出一种粒子停滞扰动策略,将陷入局部最优的粒子重新引导至全局最优飞行。改进粒子群优化（IPSO）算法既保证了全局寻优的能力,又对局部搜索能力有所增强。最后,将IPSO与极限学习机（ELM）结合来优化ELM的初始权值及阈值。与ELM相比,结合IPSO的ELM的预测精度提高了44.25%。实验结果表明,与PSO-ELM相比,IPSO-ELM的预测结果拟合度可达到0.99,收敛速度提升了47.43%。所提算法在预测精度和收敛速度等指标上明显优于对比算法。     

一种改进的小波变异粒子群优化算法

为提高粒子群优化(PSO)算法的优化性能,提出一种改进的小波变异粒子群算法(IPSOWM)。在每次迭代时以一定的概率选中粒子进行小波变异扰动,从而克服PSO算法后期易发生早熟收敛和陷入局部最优的缺点。数值仿真结果表明,IPSOWM算法的搜索精度、收敛速度及稳定性均优于PSO和PSOWM算法。     

引入萤火虫行为和Levy飞行的粒子群优化算法

粒子群优化（PSO）算法具有易陷入局部最小值和全局搜索能力差的缺陷,对PSO算法的改进大多只是在某一方面利用单一搜索策略进行改进,针对这种改进策略不能全面优化PSO算法性能的问题,提出一种引入萤火虫行为和Levy飞行的粒子群优化（FBLFPSO）算法。根据改进的自调节步长的萤火虫搜索策略改善PSO的局部搜索能力,避免PSO陷入局部最小值;后期利用Levy飞行策略增强种群多样性,提高PSO全局搜索能力,跳出局部最优解。仿真实验结果表明,与现有相关算法相比,FBLFPSO的全局搜索能力和搜索精度都有较大提高。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

一种克服局部最优的收缩因子PSO算法

收缩因子粒子群优化算法容易陷入局部最优并出现早熟收敛的现象。为此,提出一种改进的收缩因子粒子群优化算法。该算法引入速度因子和位置因子参数,若粒子向全局最优接近且速度小于设定的速度因子,则认为该粒子可能出现停滞,从而对该粒子进行初始化,以增强粒子活力。在算法陷入局部最优时,通过该方法驱散粒子以提高种群多样性,避免产生早熟收敛现象。对多峰标准测试函数进行仿真实验,结果表明,该算法能提高收敛精度,有效避免算法陷入局部最优。     

改进混沌PSO算法的电力系统最优潮流计算

电力工业的市场化改革对最优潮流（Optimal Power Flow,OPF）的计算精度和速度提出了更高的要求。在分析最优潮流理论及其算法的基础上,对比一些经典解算法,引入粒子群优化算法（PSO）来计算发电厂成本耗费问题。考虑到传统PSO算法处理OPF约束条件时,对随机粒子个体的质量和速度的选取不能保证,且收敛速度慢,并容易陷入局部最优解,提出改进的混沌粒子群算法,即利用混沌运动特性来改进粒子群算法。利用该算法与其他算法对IEEE5节点算例进行分析比较,结果表明改进的混沌微粒群优化算法可较好处理最优潮流约束条件,有效提高了PSO算法的全局收敛能力和计算精度。在处理最优潮流问题上具有一定的有效性和优越性。     

带有扰动项的改进粒子群算法

在介绍基本粒子群优化（PSO）算法及其现有一些改进的基础上,分析了PSO算法更新公式的固有缺陷。指出其三段式结构所隐含的易陷入局部最优问题,进而提出了一种带有扰动项的改进粒子群算法（PSO—DT）。它改变了现有算法的速度更新公式,加入了用于避免陷入局部最优的扰动项。分析了该改进算法的收敛性。测试表明,改进算法在优化性能上有较大提高。     

具有快速收敛和自适应逃逸功能的粒子群优化算法

为了克服标准粒子群优化算法(PSO)后期收敛速度慢、容易陷入局部最优等缺点,借鉴人工蜂群算法的思想,提出了一种提高收敛速度并且带有自适应逃逸功能的粒子群优化算法(FAPSO)。算法中每进化一次粒子搜索两次：一次全局搜索,一次局部搜索。当粒子陷入局部最优时,通过逃逸功能使粒子重新搜索。8个经典基准测试函数仿真结果表明,改进的粒子群优化算法在收敛速度和寻优精度上均有提高,相对于目前常用的改进粒子群优化算法如CLPSO等,t检验结果说明,新算法具有明显的优势。     

一种改进的新颖的粒子群优化算法

针对PSO在寻优过程容易出现“早熟”现象,提出了一种基于Sobol序列的自适应变异PSO算法（SAPSO）。该算法以积分控制粒子群算法（ICPSO）为基础,使用准随机Sobol序列初始化种群个体,并在算法过程中引入基于多样性反馈的Beta分布自适应变异来保持种群的多样性,避免陷入局部最优。仿真结果表明,SAPSO算法在求解复杂优化问题时优势明显,可以有效地避免算法陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力。     

改进的飞蛾扑火优化算法在网络入侵检测系统中的应用

针对当前网络入侵检测中的数据量较大、数据维度较高的特点,将飞蛾扑火优化（MFO）算法应用于网络入侵检测的特征选择中。鉴于MFO算法收敛过快、易陷入局部最优的问题,提出一种融合粒子群优化（PSO）的二进制飞蛾扑火优化（BPMFO）算法。该算法引入MFO螺旋飞行公式,具有较强的局部搜索能力;结合了粒子群优化（PSO）算法的速度更新方法,让种群个体随着全局最优解和历史最优解的方向移动,增强算法的全局收敛性,从而避免易陷入局部最优。仿真实验以KDD CUP 99数据集为实验基础,分别采用支持向量机（SVM）、K最近邻（KNN）算法和朴素贝叶斯（NBC）3种分类器,与二进制飞蛾扑火优化（BMFO）算法、二进制粒子群优化（BPSO）算法、二进制遗传算法（BGA）、二进制灰狼优化（BGWO）算法和二进制布谷鸟搜索（BCS）算法进行了实验对比。实验结果表明,BPMFO算法应用于网络入侵检测的特征选择时,在算法精度、运行效率、稳定性、收敛速度以及跳出局部最优的综合性能上具有明显优势。     

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。     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。     

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。     

嵌入列维变异的混合动态粒子群算法

针对标准粒子群优化算法易陷入局部最优、收敛精度不高的问题,提出一种嵌入列维变异的混合动态粒子群算法（DLPSO）。算法在进化过程中采用动态拓扑Dbest策略以降低粒子趋同性,每次迭代时根据解的好坏将粒子分为全局最优粒子、探索粒子及无目标粒子,并对探索粒子进行分簇,簇内粒子的更新受到全局最优粒子及簇内最优粒子的共同影响;为确保粒子多样性,平衡局部搜索与全局搜索,采用免疫机制与自适应列维变异相结合的方式对粒子进行变异。利用7个测试函数对算法进行性能评价,数值仿真结果表明该算法搜索精度高且稳定性好,具有良好的收敛性能。     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

基于趋化校正的哈里斯鹰优化算法

针对哈里斯鹰优化（HHO）算法收敛速度慢、易陷入局部最优的缺点,提出了一种改进HHO算法,即基于趋化校正（CC）的哈里斯鹰优化（CC-HHO）算法。首先,通过计算最优解下降率和变化权重来识别收敛曲线的状态;其次,将细菌觅食优化（BFO）算法的CC机制引入局部搜索阶段来提高寻优的精确性;再次,将生物在运动时的能量消耗规律融入逃逸能量因子和跳跃距离的更新过程中,从而更好地平衡算法的探索与开发;然后,对最优解和次优解的不同组合进行精英选择来拓展算法全局搜索的广泛性;最后,当搜索陷入局部最优时,通过对逃逸能量施加扰动来实现强制跳出。通过10个基准函数对改进算法的性能进行测试,结果显示CC-HHO算法对单峰函数的搜索精度比引力搜索算法（GSA）、粒子群优化（PSO）算法、鲸优化算法（WOA）以及另外4种改进的HHO算法提升超过10个数量级;对多峰函数也有超过1个数量级的优势;在保证搜索稳定性平均提升超过10%的前提下,所提算法的收敛速度明显优于上述几种优化算法,收敛趋势更加明显。实验结果表明,CC-HHO算法有效地提高了原算法的搜索效率和鲁棒性。     

协同混合粒子群算法求解车间作业调度问题

针对如何有效解决车间作业优化调度问题,提出一种协同粒子群和引力搜索的混合算法。新算法在粒子群算法进化停滞时引入引力搜索算法,利用引力搜索算法进化后期快速寻优的能力,及时跳出局部最优,保证全局最优。同时采用协同原理简化算法结构,提高算法收敛速度。将提出算法对车间作业调度典型测试用例进行仿真,仿真结果表明该算法较PSO和GA等算法在求解车间作业调度问题上更具优越性。     

基于人工蜂群算法的群体动画路径生成方法

大多数群体智能算法容易陷入局部最优,且收敛速度较慢。为此,将粒子群优化算法引入人工蜂群算法中,提出一种改进的路径生成算法NewABC,实现最优目标位置的选取及粒子个体的路径规划。将该方法生成的路径数据导入maya三维动画制作软件中进行仿真实验,结果表明,该方法生成的群体动画效果逼真,动画创作效率有较大的提高。