PSO算法优化的大气质量评价的普适公式*

采用具有全局搜索功能的粒子群优化算法对计算大气污染损害率的计算公式中的参数进行优化,得到了对于多种大气污染物均适用的具有普适性的大气污染损害分指数计算公式及大气质量综合污染损害指数评价模型。实验结果表明：该大气质量综合污染损害指数评价模型用于大气质量评价是可行的,不仅公式形式简单、计算简便,而且原理直观、评价结果准确,具有较好的应用潜能。     

非线性系统模型参数估计的算法模型

针对非线性系统模型的多样性,提出了适用于多种非线性模型的基于粒子群优化算法的参数估计方法。计算结果表明,粒子群优化算法是非线性系统模型参数估计的有效工具。     

基于SVM和PSO的图像质量评价

为提高白噪声、高斯模糊、JPEG2000压缩等失真类型图像的评价准确率,提出一种基于支持向量机和粒子群优化算法的图像质量评价方法。提取样本图像数据和确定评价指标,对样本数据进行预处理。利用粒子群优化算法选择最优参数,使用最优参数对训练集数据进行训练,对预测集数据进行预测分析,并建立图像质量评价模型。实验结果表明,与线性回归模型、BP神经网络模型等传统方法相比,该方法的评价准确率较高,能够准确地反映人眼对图像的视觉感知。     

粒子群优化算法综述

概括粒子位置、速度更新公式的修正,控制参数的变换和种群多样的维持等粒子群优化算法的改进技术,介绍具有量子行为、并行处理能力及解决多目标优化问题的新型粒子群优化算法,讨论粒子群优化算法和基他优化算法混合的基本思想.     

动态评价免疫微粒群算法在Job-shop调度中的应用

传统粒子群优化算法在解决组合优化问题上具有一定的局限性,通过分析其优化机理,对迭代公式加以改进,提出了改进微粒群算法。算法中,利用遗传算法的交叉思想来完成粒子间的信息交换,以期达到粒子更新。粒子进化过程中,为保留群体中的优秀粒子,使用了加速度这一优化算子。为避免粒子陷入局部搜索,迭代过程中使用免疫算法来动态评价微粒群体。通过大量实验仿真,算法可以有效求解作业车间调度问题,验证了算法的合理性。     

新型量子粒子群算法及其性能分析研究

本文在简要介绍基本粒子群优化（PSO）算法的基础上,讨论了一种新型量子粒子群优化算法,并给出了其实现方式,并通过标准测试函数对其进行性能对比评价。仿真结果表明,这种量子粒子群优化算法能给出很好的优化结果。     

带变异算子的自适应粒子群优化算法

针对粒子群优化算法在进化过程的后期收敛速度较慢,易陷入局部最优的缺点,对基本粒子群优化算法作了如下改进：在速度更新公式中引入非线性递减的惯性权重;改进位置更新公式;对全局极值进行自适应的变异操作。提出一种新的混合变异算子的自适应粒子群优化算法。通过与其他算法的数值实验对比,表明了该算法具有较快的收敛速度和较好的收敛精度。     

基于模拟退火离散粒子群算法的芯片堆叠热布局优化

针对芯片堆叠的热布局优化问题,使用热叠加模型,结合热传导公式,以所有芯片温度的最高值作为评价指标,确定出三维芯片堆叠热布局优化的适应度函数;然后采用模拟退火离散粒子群算法对芯片热布局进行优化。得到优化后的芯片堆叠布局方案,并用Icepak软件对优化后的布局进行仿真验证。仿真结果表明：采用模拟退火离散粒子群算法对三维芯片堆叠进行热布局优化可以使温度分布更加均匀,最高温度明显降低。     

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。     

粒子群算法中随机数参数的设置与实验分析

粒子群算法的相关参数,对粒子群算法的优化性能有着重要影响,本文针对粒子群算法模型中随机数参数的设置问题展开实验分析.首先,由于各种高级程序语言的结构不同,在粒子群算法的实现程序中,对速度更新公式内同一个粒子速度向量,其各个分量的随机数参数的设置各不相同.其次,根据连续函数优化问题和作业车间调度问题中的典型测试算例,以及对于设备拥有量参数优化问题的计算,表明在粒子群算法中设置不同的随机数参数将对粒子群算法的优化性能产生较大影响,并且,对一个粒子速度向量中的不同分量所对应的随机数参数,如果设置相同的值,可以有效地提高粒子群算法的优化效率.     

基于粒子群优化算法的神经网络在油品质量预测中的应用

粒子群优化算法是基于群体智能的全局优化技术,它通过了粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。其优势在于操作简单,容易实现。文中将粒子群算法和神经网络进行融合,优化神经网络的权值和域值,充分发挥了粒子群算法的全局寻优能力和BP算法的局部搜索优势,并与改进的BP算法进行了比较 。油品质量预测的实例表明,将粒子群算法用于神经网络的优化,收敛速度更快,预测精度更高,而且算法简单。     

基于文化微粒群算法的丙烯腈收率软测量模型

丙烯腈收率是丙烯腈装置的关键指标,如何得到丙烯腈收率是厂家很关注的研究,将新型优化算法用于丙烯腈收率软测量建模是1种较好的尝试。将新型微粒群优化算法用于同样新型的文化算法种群空间的优化,设计文化微粒群优化算法。它由种群空间和信念空间2部分组成,在种群空间和信念空间分别采用各自算法并行演化,同时,2个空间又根据一定的协议相互联系。分别将该算法和基本微粒群算法用于一些常用测试函数的优化问题;结果表明,与基本微粒群算法相比,文化微粒群算法加强了全局搜索能力,更容易收敛于全局最优解。最后将文化微粒群优化算法用于优化神经网络,构成文化微粒群神经网络,并将其应用于丙烯腈收率软测量建模。结果表明,此模型精度高,应用前景广阔。     

A perturbed particle swarm algorithm for numerical optimization

The canonical particle swarm optimization (PSO) has its own disadvantages, such as the high speed of convergence which often implies a rapid loss of diversity during the optimization process, which inevitably leads to undesirable premature convergence. In order to overcome the disadvantage of PSO, a perturbed particle swarm algorithm (pPSA) is presented based on the new particle updating strategy which is based upon the concept of perturbed global best to deal with the problem of premature convergence and diversity maintenance within the swarm. A linear model and a random model together with the initial max–min model are provided to understand and analyze the uncertainty of perturbed particle updating strategy. pPSA is validated using 12 standard test functions. The preliminary results indicate that pPSO performs much better than PSO both in quality of solutions and robustness and comparable with GCPSO. The experiments confirm us that the perturbed particle updating strategy is an encouraging strategy for stochastic heuristic algorithms and the max–min model is a promising model on the concept of possibility measure.     

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。     

一种改进细菌觅食优化算法及其在软测量建模中的应用

针对软测量建模中模型参数的优化需求,在分析细菌觅食优化算法(BFOA)和粒子群优化(PSO)算法的基础上,将二者有机结合,提出了一种新型细菌觅食粒子群混合优化算法(BSOA)。该算法将PSO粒子移动的思想引入BFOA,有效解决了BFOA趋向性操作中细菌位置更新的盲目性。将其分别用于典型函数的寻优与成品油研究法辛烷值最小二乘支持向量机(LSSVM)模型参数的优化,仿真结果表明:该方法有效增强了算法的全局寻优能力与收敛速度,并在一定程度上改善了模型的预测精度与泛化能力。     

矢量微粒群算法及其应用

在对微粒群优化算法PSO分析的基础上，提出了矢量微粒群优化算法VPSO。该算法通过矢量运算方法来定义微粒的运动，从而达到寻找最优解的目的。将VPSO和PSO分别用于常用测试函数的优化求解，结果表明：VPSO的优化性能明屁优于PSO。基于VPSO构造的矢量微粒群神经网络（VPSONN）在丙烯腈收率软测量建模的应用中表明：基于VPSONN的丙烯腈收率软测量模型具有较高的精度，应用前景广阔。     

自适应二次粒子群算法钢架模型修正

粒子群算法参数少,简便易行,具有较好的全局搜索能力和计算效率,在优化等领域得到了广泛应用,但它易于陷入局部极值,因此需要进行改进以增强其优化性能.修正了基本粒子群算法中的速度公式权重因子和最优位置,提出了形式简单且搜索效率高的自适应二次粒子群算法,并应用于五层钢架结构模型修正,修正结果证实了算法的有效性和优越性.     

一种辨识Wiener-Hammerstein模型的新方法

针对非线性Wiener-Hammerstein模型,提出利用粒子群优化算法对非线性模型进行辨识的新方法.该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题;然后采用粒子群优化算法获得该优化问题的解.为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法.最后,仿真结果验证了该方法的有效性和可行性.     

一种改进的粒子群优化算法及其仿真

粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。