三群粒子群优化算法及其在丙烯腈收率软测量中的应用

提出了一种三群粒子群优化算法（THSPSO, three sub-swarms particle swarm optimization）．该算法将整个粒子群分为三群，第一群粒子朝全局历史最优方向飞行，第二群粒子朝着相反方向飞行，第三群粒子在全局历史最优位置周围随机飞行．分别将该算法和基本粒子群优化算法（PSO, particle swarm optimization）用于一些常用测试函数的优化问题；结果表明,与PSO相比，THSPSO具有更好的优化性能．然后，用THSPSO训练神经网络，并将其用于丙烯腈收率软测量建模，结果显示了三群粒子群优化算法在丙烯腈软测量建模中的可行性与有效性．     

改进粒子群算法在物流配送问题中的应用

本文在分析常规粒子群优化算法的基础上,针对物流配送优化问题,采用一种改进粒子群优化算法,并根据粒子群的群体适应度标准差和理论最优值,给出收敛判断的依据。仿真结果表明该算法具有简单、高效、快速等特点。     

变尺度粒子群算法及其在工业软测量中的应用

粒子群优化算法是一种基于群体智能的随机优化算法,具有收敛速度快、设置参数少、算法简单、容易实现等优点,其缺点是容易陷入局部最优解。变尺度法是一种可靠的局部快速寻优方法。为了解决了基本粒子群优化算法易陷入局部最优的问题,本文提出了一种基于变尺度方法的自适应变异粒子群优化算法。在本文算法中,粒子群每进化一代后,对所有粒子执行变尺度搜索,寻找更优个体,从而使算法具有动态自适应性,能够较容易地跳出局部最优。在延迟焦化生产过程中,汽油干点是衡量汽油的一个关键指标,建立汽油干点的软测量对延迟焦化生产实现卡边控制和提高装置的经济效益是有必要的。在实际生产过程中,无法在线测量延迟焦化汽油干点,只能采用离线实验室分析的方法获得,但离线分析不能满足控制的要求。基于软测量技术而开发的延迟焦化汽油干点软测量模型,使汽油干点的在线测量成为可能。目前,工程上一般采用BP神经网络来训练软测量模型。BP神经网络的学习算法是决定BP神经网络预测质量的关键。鉴于此,本文将所提出的变尺度粒子群优化算法用于BP神经网络学习过程中,并将本文方案的预测结果与文献方案进行了对比实验。实验结果表明,与文献方案相比,本文方案具有较好预测精度和良好的泛化能力,具有较好的应用价值。     

改进的粒子群算法在测试数据生成中的应用

自动化测试中,测试数据的自动生成技术是提供软件测试效率和效果的瓶颈.粒子群算法(PSO)具有简单、易实现、可调参数少等特点,在测试数据生成方法中得到初步应用.在具体应用过程中,为克服PSO易陷入局部极值的缺陷,对算法进行了改进,应用加入移动步长的混合粒子群算法(SwPSO)自动生成测斌数据,提高了PSO算法摆脱局部极小点的能力.文中对算法的原理和实现做了详细描述,并将其与传统的基于标准粒子群算法(PSO)和遗传算法(GA)来实现软件测试数据自动生成方法进行实验对比.结果表明,改进后的粒子群算法可以更高效地生成测试数据.     

改进粒子群算法在无功优化中的应用

针对电力系统无功优化的特点,本文提出以有功网损最小为目标函数,以负荷节点电压质量和PV发电机节点无功出力为罚函数．以有功功率和无功功率为约束条件的数学模型,并应用改进的粒子群算法对无功优化问题进行求斛。该算法在权重系数和不活动粒子两方面进行改进,有效地解决了进化过程中陷入局部最优和搜索精度差的缺点。最后,将改进后的粒子群算法应用于IEEE14节电力系统进行无功优化算例分析,仿真结果验证了该算法解决电力系统无功优化问题的有效性和可行性。     

基于Alopex的粒子群算法及其在软测量上的应用

针对粒子群优化算法(PSO)容易陷入局部最优值的缺点,提出一种利用Alopex算法(algorithms of pattern extraction)和PSO算法结合的新算法,该算法将Alopex的步长取法加以改变,并加入了随机噪声,具有很强的全局搜索能力和很高的搜索效率。最终将算法应用于BP网络的权重和偏置量的优化计算,完成软测量的建模。结果表明改进型粒子群算法搜索效率明显提高,应用于软测量建模能提高模型的精确度,减少预测误差。     

改进的粒子群算法在旅行商问题中的应用

针对基本粒子群优化算法(PSO)容易陷入局部最优的缺点,将模拟退火算法(SA)引入PSO,提出一种新的粒子群算法求解旅行商问题。该算法结合了PSO的快速寻优能力和SA的概率突跳特性,保证了群体的多样性,避免了种群的退化。通过与SA、基本遗传算法和基本蚁群算法进行对比实验,证明了该算法求解TSP的效果最好,且简单易实现、实用性较高。     

改进粒子群算法在调制模式识别中的应用

针对标准PSO算法易陷入局部最优化和LDW-PSO算法不能适应复杂、非线性优化的问题,提出了一种基于信息熵理论的改进粒子群算法(EPSO).该方法利用信息熵值确定惯性权值,使之具有自适应地调整“探索”和“开发”的能力.将新算法应用于调制模式识别中SVM分类器最优参数值的确定,仿真研究实明,该算法性能稳定.与标准PSO和LDW-PSO算法相比,EPSO算法有效增强了跳出局部最优解的能力,具有较好的工程应用性.     

改进的粒子群算法在虚拟网映射中的应用

应用粒子群算法解决虚拟网映射问题,可以大大减少网络资源的消耗,却也容易出现早熟的现象。通过增加随机因素、沿原方向飞行操作和改变原历史因素对搜索过程的指导等方式,既保留了历史因素对搜索的指导,又在此基础上加大了搜索范围,一定程度上减少了早熟收敛带来的问题。最终实验结果表明,改进的粒子群算法能够应用于虚拟网映射,和原粒子群算法相比,能够更有效减少资源消耗。     

一种改进的均值粒子群算法

为了解决粒子群算法存在“早熟”现象和收敛速度慢的问题,本文提出一种改进的均值粒子群算法. 该算法采用非线性惯性权重,同时在每个迭代步,将粒子历史最优和种群全局最优取均值再乘以一个非线性权重的方法,以提高算法的全局搜索能力和收敛速度. 通过4个标准函数的测试,实验结果表明该算法的有效性.     

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。     

改进的量子行为粒子群优化算法及其应用

为提高量子行为粒子群算法的优化能力,提出了一种改进的算法．该算法也采用量子势阱作为寻优机制,但提出了新的势阱中心建立方法．在每步迭代中,首先计算粒子适应度,然后取前K个适应度最好的粒子作为候选集．采用轮盘赌策略在候选集中选择一个粒子作为势阱中心,调整其它粒子向势阱中心移动．在优化过程中,通过使K值单调下降,获得探索与开发的平衡．将提出的算法应用于标准函数极值优化和量子衍生神经网络权值优化,实验结果表明提出算法的优化能力比原算法确有明显提高．     

改进量子粒子群优化算法在图像增强中的研究磁

由于传统的图像增强方法在适应性方面存在不足,论文提出一种改进的图像增强方法。这种改进的算法是实变参数量子粒子群优化 QPSO-tp 算法。实验结果表明,改进后的算法在全局搜索能力和收敛精度上要优于原 QPSO 算法,具有调节参数少、随机性更强等优点。接着将遥感灰度图像的非线性变换增强过程用最优化问题进行处理,用 QPSO-tp 算法进行参数寻优,能够极大的提高图像的增强效果。     

改进免疫粒子群算法在矿车调度优化中的应用

提出了一种基于自适应搜索的改进免疫粒子群算法.算法在传统免疫粒子群算法的基础上,对子种群进行分组,以并联形式对算法进行融合,动态调整各组子种群规模,根据粒子最大浓度值自适应调整搜索范围.首先,算法融合了浓度调节机制,结合粒子最大浓度值来调节子种群数目以充分利用粒子群资源;与此同时,针对次优子种群进行疫苗接种,利用粒子最大浓度值调节接种疫苗的搜索范围,在避免了种群退化现象的同时,提高了算法的收敛精度和全局搜索能力.文中建立了露天矿山矿车调度模型并进行了仿真实验,仿真结果表明,所提算法充分利用了矿车资源,具有一定优越性和较好的工程应用价值.     

粒子群算法在PERT网络优化问题中的应用

针对项目工程PERT网络计划的费用一优化问题,本文提出了一种改进的粒子群算法。该算法引入了可行性优先的约束处理技术,不需要罚因子,对问题依赖小。仿真实验表明了该算法的可行性和有效性。     

微粒群算法的发展及应用

介绍了1995年以来微粒群算法的开发过程,分析了算法原理、算法流程,并将微粒群算法与其他演化算法进行了比较,最后介绍了一些已经开发和在将来有希望的领域中的应用。     

基于改进PSO算法的SVM在甲烷测量中的应用

针对甲烷气体定量分析过程中,传统SVM模型预测精度低、收敛速度慢等问题,提出了一种基于改进PSO算法的SVM回归模型.该模型在传统PSO算法寻优的基础上,引入动量项的同时增加随机粒子个体极值的追随因子,使粒子不仅追随全局最优解和局部最优解,还跟随种群中任一粒子的个体极值,使得寻优算法后期收敛速度较快,不易陷入局部最小值.实验中,对0~5.05%浓度的25组标准甲烷样气进行建模分析,并与传统PSO算法寻优模型和Grid搜索法寻优模型进行对比.结果表明,采用改进PSO算法建立的SVM回归模型均方根误差小,收敛速度快.     

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。     

一类求解复杂优化问题的改进粒子群算法

基本粒子群算法在求解多数非线性函数优化问题时容易陷入局部极小,而陷入局部极小会导致搜索失败,在很大程度上限制了它的搜索能力,为解决此问题,提出改进粒子群算法,介绍了该算法的关键技术和具体步骤.改进粒子群算法分别采用混沌扰动机制、自反向机制及在迭代过程中重新初始适应值最差粒子等策略,用以解决局部最优及增强算法的种群多样性...