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。     

改进PSO-SVM在说话人识别中的应用

为了加快粒子群优化算法的收敛速度,增强全局的搜索能力,通过对粒子群优化算法中惯性权重和全局最优值的分析,提出了一种根据迭代次数而自适应变化的惯性权重的粒子群优化方法。改进后的粒子群算法在防止陷入局部最优的能力方面有了明显的增强,同时,给出了应用粒子群优化算法训练支持向量机的方法,并将其应用于说话人识别。实验结果证实了在说话人识别中改进PSO-SVM方法比其他传统方法能获得更好的识别精度和识别速度。     

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。     

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。     

基于模拟退火的改进混沌粒子群算法

针对传统的粒子群优化算法易陷入局部最优解、稳定性差等缺陷.本文提出了基于模拟退火的改进混沌粒子群算法.将模拟退火及混沌的算法应用于粒子运动过程,从而可有效避免陷入局部最优并趋于全局最优.仿真结果表明在最优解精度以及寻优速度上都有一定提高.     

变尺度混沌量子粒子群算法

利用混沌算子的遍历性,结合量子粒子群的快速收敛性,提出了变尺度混沌量子粒子群算法(CQPSO)。针对标准粒子群容易陷入局部最优的缺陷,CQPSO能快速收敛到最优解。对标准测试函数的测试结果表明:该算法在收敛速度和收敛精度上都得到了大幅度的提高。     

拉伸技术粒子群优化算法的多用户检测器

粒子群优化算法是一类新型进化算法,为提高粒子群优化算法对复杂问题全局最优解的探测能力,该文引入一种基于拉伸技术的粒子群优化算法,把它应用到CDMA通信系统中抗干扰关键技术——多用户检测中,提出了基于拉伸粒子群算法的多用户检测器。仿真结果表明,该检测器在误码率性能、抗远近效应和增加系统容量方面的性能较之其他的检测器均有明显的提高。     

模拟退火并行粒子群优化算法程序设计与研究

针对粒子群优化算法后期收敛差和模拟退火算法全局优化能力强的特点,建立模拟退火并行粒子群优化算法(SA-PSO算法)模型。利用MATLAB语言开发SA-PSO算法工具箱,实现SA-PSO算法的程序设计,高效、稳定地提高算法全局寻优能力。     

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。     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。     

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.     

基于汉明距离与免疫思想的粒子群算法

针对传统粒子群算法收敛速度慢、无法描述离散问题以及后期容易陷入局部最优解的缺陷等问题,提出一种基于汉明距离与免疫思想的改进粒子群算法(IHPSO)。首先,引入汉明距离表示位置与速度更新,使传统粒子群算法能够求解离散问题;然后,融入免疫接种、免疫选择等免疫思想,定义新的种群更新方式,解决了传统粒子群算法收敛速度慢、易陷入局部最优解的弊端;最后,通过TSP问题的模拟实验证明了改进的粒子群算法在求解速度与精度等方面均有明显提高。     

粒子群优化算法中的分步式策略

为了解决粒子群优化算法(PSO)在处理高维多极值问题时容易陷入局部最优而早熟的问题,提出了分步式学习策略和分步式评价策略。前者让粒子每次升级只向某一个榜样学习,使粒子能在更有潜力的区域搜索;并简化了其升级规则,使粒子的搜索行为更易被控制。后者对粒子的位置矢量逐维进行评价,使粒子向目标最优位置稳步前进;并通过对维之间的关系的检测,解决了维不可分解的问题。实验证明,新算法具有很好的收敛速度和抗早熟能力。     

一种基于迁徙策略的自适应粒子群算法

光伏组件表面因灰尘沉降形成的局部阴影使得光伏阵列功率-电压特性曲线出现多个峰值,从而造成传统的最大功率点跟踪算法失效。粒子群算法因具有良好的全局寻优特性,被应用于局部阴影下的最大功率点追踪中,但仍存在搜索速度慢、精度不高等缺点。基于迁徙策略的自适应粒子群算法采用了自适应系数,其惯性权重和学习因子随着迭代次数的变化而变化,有效地平衡了算法的全局搜索能力和局部寻优能力;同时引入迁徙策略,根据评价算子对粒子种群的多样性进行判断,对多样性低的粒子种群执行迁徙操作,增加种群间的信息交流,跳出局部最优区域。仿真实验结果表明:该算法能避免早熟收敛问题,提高了算法的收敛速度和搜索精度,在静态和动态阴影中都具有良好的追踪效果。     

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.     

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。     

利用Alopex改进的粒子群优化算法及其在软测量建模中的应用

提出了一种利用A lopex算法改进的粒子群优化算法,并将其应用于神经网络的建模中。改进的粒子群优化算法改善了粒子群优化算法摆脱局部极小点的能力,对典型函数的测试和基于神经网络的软测量建模表明:改进算法的全局搜索能力有了显著提高,特别是对多峰函数能够有效地避免早熟收敛问题。     

基于改进量子遗传算法的小波神经网络优化及其软测量应用

针对简单量子遗传算法在优化高维问题寻优速度慢、收敛率低的缺陷,提出一种改进的量子遗传算法,通过搜索各种群中最优染色体组成当前最优个体,并依此个体来确定量子门的全局最优搜索方向。将改进算法用于优化小波神经网络,藉此建立了4-CBA浓度的软测量模型。仿真结果表明:与简单量子遗传算法相比,改进算法对复杂优化问题具有全局快速寻优性能。     

低应变无损桩测试的数值实验方法研究

自适应粒子群优化算法是一种基于群体智能、改进全局优化技术，其优势在于减小了陷入局部极值的机率，增加了全局搜索能力。文中将自适应粒子群算法应用于完整桩基动力参数的识别，数值计算结果表明，本文所建立的智能方法能够对桩基动测进行有效的多参数识别，具有良好全局收敛能力，是一种行之有效的计算方法。     

求解约束优化问题的混沌类电磁算法

针对约束优化问题,提出了基于混沌优化的一种新的类电磁机制算法。采用多目标优化的约束处理技术,将约束优化问题转化为无约束的双目标优化模型来求解;对于转化后的新模型,设计粒子的电荷和粒子间的受力公式。同时,为了加快算法的收敛速度,结合混沌优化改进种群中的粒子。采用标准的Benchmark函数对新类电磁机制算法的性能进行了仿真测试,并将测试结果与已有算法的结果进行比较,结果表明,新算法能够快速找到问题的全局最优解或近似最优解,是一种非常有竞争力的优化算法。