三群协同粒子群优化算法

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,提出了一种三群协同粒子群优化算法(TSC-PSO)。搜索时,如果全局极值连续若干代没有改善,粒子未找到全局最优点,就任选某个优群,将其群内粒子和差群粒子交换。仿真结果显示,对一些经典多峰值函数、非凸病态函数,TSC-PSO增强了全局搜索能力,具有比基本PSO更好的优化性能。     

面向安全服务重组多目标优化的粒子群遗传算法

遗传算法具有快速随机的全局搜索能力,但局部搜索能力差,易陷入早熟收敛,迭代效率低.粒子群算法采用速度——位置模型,可以较快收敛到指定精度.将粒子群算法与遗传算法融合,采用多目标遗传算法得出初步的优化结果,并将其作为粒子,利用粒子群算法强化局部搜索,加快收敛速度,仿真结果证明了该算法的优越性.在CSSM对底层安全服务的重组时利用粒子群和遗传算法的结合(GAPSO),能够提高效率.     

混合学习法前向网络多属性储层参数预测

应用前向网络描述地震属性和储层参数间的非线性映射关系时，经典的误差反向传播算法存在收敛速度慢，易陷入局部极值等诸多不足。研究了融合粒子群优化算法和误差反向传播算法的混合学习法前向网络多属性储层参数预测技术。粒子群优化算法是一种群体随机搜索演化计算技术，具有较快的收敛速度和较强的全局搜寻能力；误差反向传播算法本质上是梯度下降算法，注重局部搜索。混合学习法为两种学习算法交替执行，首先以粒子群优化算法训练网络，当误差能量在规定的迭代次数内不再发生变化时，采用误差反向传播算法实现局部寻优。理论函数逼近测试和实际储层参数预测实验说明了混合学习法具有学习时间短、求解效率高、可靠性强的优点，具有良好的应用前景。     

车辆路径问题的并行粒子群算法研究

设计了一种引入了模拟退火机制的并行粒子群算法.该算法结合了基本粒子群优化算法的快速寻优能力和模拟退火算法的概率突跳性,避免了基本粒子群优化算法易于陷入局部最优的缺点,提高了进化后期算法的收敛精度.将该算法用于解决车辆路径问题,实验结果表明该算法具有较好的性能.     

粒子群优化算法及其与遗传算法的比较

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。该文讨论粒子群优化算法的基本原理和实现步骤,分析了该算法中各参数的设置。通过一个测试函数,对粒子群优化算法与遗传算法进行了比较,结果表明粒子群优化算法在找寻最优解效率上好于遗传算法。     

粒子群优化算法在天线方向图综合中的应用

针对目前粒子群优化算法在多零点低旁瓣约束的阵列天线方向图综合中早熟收敛、易陷入局部极值的问题,提出了一种改进的粒子群优化算法MSPSO,在多子群、层次化的模型中采用von Neumann邻域结构,以改善收敛速度和优化精度。建立一种新的目标函数模型,对顶层和底层的子群分别采用适合其特点的适应值目标函数,平衡了算法的全局和局部搜索能力。仿真结果表明,将该算法应用于阵列天线方向图综合中,取得了很好的优化效果。     

基于个体位置变异的粒子群算法

针对粒子群算法随着迭代次数的增多,其种群多样性降低,粒子群算法容易陷入局部最优的不足,提出了一种基于个体位置变异的粒子群算法。该算法在保证最终收敛的前提下极大扩展了粒子的空间搜索范围,从而降低了粒子群算法发生早熟的可能,并且程序量较小。仿真实验中,将算法应用于6个典型测试函数中,并与其它改进粒子群算法进行比较,结果表明,该算法具有较强的全局寻优能力和较好的收敛速度,明显提高了粒子群算法的优化性能。     

应用神经网络粒子群算法的多用户检测

为了减少最优多有户检测器的计算复杂度,提出了一种融合粒子群优化算法和神经网络的神经网络粒子群优化算法,并设计了一种解决CDMA通信系统的多用户检测问题的新方法。该方法是把神经网络嵌入到粒子群优化算法的每一代中以改进算法性能。通过混合神经网络到PSO中,还可以加快PSO的收敛速度,减少计算复杂度。仿真结果证明了所设计的检测器无论抗多址干扰能力和抗远近效应能力都优于应用Hopfield神经网络、遗传算法和粒子群算法的多用户检测器。     

基于改进麻雀算法的卷绕张力控制系统

为了在卷绕系统中建立稳定的张力控制系统，课题组使用自抗扰控制器设计了控制系统。提出采用麻雀算法(SSA)优化整定自抗扰控制器的参数。针对SSA以跳跃的方式寻优、已陷入局部最优和原点收敛性强的缺点，提出基于粒子群算法(PSO)的改进麻雀算法(PGSSA)；该方法引入了PSO的速度算子，修改麻雀算法的发现者和跟随者的位置来更新公式，增强麻雀算法的全局搜索能力。由于麻雀算法的种群多样性比较差，提出引入遗传算法的交叉和变异操作，以保证种群的多样性，避免PGSSA过早陷入局部最优。选择复卷机的收卷过程作为控制对象模型，利用MATLAB/Simulink软件平台，分别采用PGSSA和SSA对ADRC控制器和PID控制器参数进行仿真。结果表明：PGSSA的收敛速度和精度都优于SSA。ADRC控制器对扰动的反应速度和抑制能力、阶跃响应的性能指标优于PID控制器。     

混合策略改进的粒子群算法

针对粒子群算法易陷入局部最优、收敛精度低、收敛速度慢等缺陷,提出了基于混合策略的改进粒子群算法。使用融合Circle映射与精英反向学习的策略初始化种群,提升初始种群的质量,同时加快收敛速度;在粒子速度更新方式中引入蜘蛛移动策略平衡算法的全局搜索与局部搜索;提出了基于自适应t分布的变异策略,增强算法全局搜索和跳出局部最优能力;对15个单峰和多峰函数进行仿真实验,与其他3种算法进行了对比分析,结果表明：所提出的改进算法具有很强的寻优能力与稳定性。     

带有混沌变异的双种群伪并行PSO-DE混合算法

在求解全局优化问题时,采用单个PSO、DE算法有一定的不足,为了弥补这些不足,给出一种带有混沌变异的双种群伪并行PSO-DE混合算法（MPSODE）。通过对六个标准测试函数进行测试,结果表明,该混合算法是一种鲁棒性较强、求解精度高、收敛速度快的全局优化算法。     

用微粒群算法求解含交易费用的组合投资模型

针对国内证券交易的具体情况，提出了含交易费用的投资组合优化模型。利用微粒群算法对问题进行了求解，并结合实际数据进行仿真。结果表明，利用微粒群算法可以较高的效率求解该模型，且从结果上表明模型的合理性。     

二进制改进粒子群算法在背包问题中的应用

提出了用于求解0 1背包问题的二进制编码的粒子群算法,阐明了该算法求解背包问题的具体实现过程.为了提高粒子群算法的收敛速度,在传统的二进制编码的粒子群算法中嵌入了记忆功能.通过对其他文献中仿真实例的计算和结果比较,表明该算法在寻优能力、计算速度和稳定性方面都超过了文献中提到的遗传算法和模拟退火算法.提出的求解背包问题的二进制改进粒子群算法,同样可以应用于其他离散优化问题.     

武器系统费用估算的参数法研究

提出了武器系统费用估算中参数法的形式化研究方法,对参数模型的建立、目标函数的建立以及优化参数的求取进行分析.考虑到模型对样本数据的适应能力,采用径向基神经网络建立参数模型;针对模型的拟合精度和推广能力之间的矛盾以及两者的要求,提出建立一种折中的目标函数;针对目标函数的参数较多、形式较为复杂的特点,采用粒子群优化算法计算得到模型的优化参数,最后通过实例加以分析验证.理论研究和计算分析表明,该方法从本质上解决了参数法的模型建立、参数优化等问题,既可以对新参数模型的建立在理论上提供指导,也可以在实践中推广应用,通用性较好.     

利用局部拓扑信息发现模糊社团结构

根据网络节点的局部拓扑信息,给出了节点与社团的相似度度量方法,提出了一种新的发现网络模糊社团结构的粒子群算法。该算法在迭代过程中依据节点对不同社团的相似度来不断调整粒子的位置向量,减少了搜索的盲目性,提高了搜索效率。对不同规模的计算机生成网络和真实网络进行测试,实验结果表明,该方法能有效、快速的给出网络的模糊社团结构。