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。     

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。     

混合粒子群优化算法和案例推理方法的多机器人学习（英文）

以未知环境下多机器人学习为研究平台,因案例推理方法可存储以前的问题和解信息,用该方法的长期记忆特性可帮助粒子群优化算法更好地解决新的问题。在特定的仿真环境里,粒子群优化算法可训练机器人的几个基本行为,经过学习使机器人具有更好的鲁棒性和自适应学习能力。根据机器人不同行为在复杂环境下的性能指标,CBR可从案例库中选择特定的行为,并将其参数传送到粒子群优化算法的初始解库,从而加速整体的学习过程。利用机器人仿真软件MissionLab,采用基于行为的多机器人编队任务,用来测试该算法的有效性。仿真和实验结果表明,案例推理方法和粒子群优化算法相结合,使机器人获得更优的控制参数,同时在未知环境下的多机器人编队具有更好的性能。     

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。     

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。     

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.     

基于卡尔曼滤波和改进粒子群的MPPT算法

针对常规的粒子群算法（particle swarm optimization algorithm，PSO）在应用中存在数据波动大、数据精确采集难度高和追踪速度慢等问题，课题组提出了基于卡尔曼滤波和改进粒子群优化算法的光伏最大功率点跟踪（maximum power point tracking，MPPT）控制器技术，并结合卡尔曼滤波、恒定电压和冒泡排序等方法进行优化。实验结果表明课题组提出的算法可以快速、准确地跟踪到最大功率点，提高了MPPT的响应速度和精度，提高了光伏发电的利用效率。     

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。     

基于混合蚁群粒子群算法的立体库堆垛机路径优化

针对自动化立体仓库中的堆垛机路径优化问题，课题组通过分析立体仓库中堆垛机的工作特点与运行情况，提出了基于混合蚁群粒子群算法的路径优化方法，在传统的蚁群算法中结合粒子群算法思想，使算法同时具备蚁群算法的正反馈与粒子群的多样性。通过对实例进行MATLAB仿真分析表明：混合算法路径优化速度较快，且比以往的路径更短。研究使堆垛机的运行效率得到提高。     

基于免疫量子粒子群优化的属性约简

受生物免疫系统启发,把疫苗提取和疫苗接种思想应用到量子粒子群算法,提出了免疫量子粒子群算法。免疫接种可以指导粒子朝着更优方向进化,提高了量子粒子群的收敛速度和寻优能力。分别采用Hu算法、粒子群算法、量子粒子群、免疫量子粒子群多种算法应用于粗糙集属性约简。实验结果表明,基于免疫量子粒子群优化的约简算法在收敛速度和寻优能力都取得了更好的效果。     

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.     

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。     

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。     

免疫接种粒子群的聚类算法

将粒子群优化算法和K均值算法结合进行聚类分析,同时引入了免疫系统中的免疫接种和免疫选择机制来指导粒子的迭代过程,提出了一种基于免疫接种粒子群的聚类算法,在粒子群迭代的过程中加入免疫接种机制指导粒子的飞行方向,再通过免疫选择机制对接种的结果进行选择,确保粒子种群向更优的方向移动。实验结果证明,基于免疫接种粒子群的聚类算法基本克服了K均值算法容易受初始聚类中心影响的缺点,聚类结果稳定,而且比基于粒子群优化的聚类算法取得了更好的聚类效果。     

基于模拟退火的进化算法性能对比研究

将模拟退火算法和遗传算法、粒子群优化算法分别进行结合,形成模拟退火—遗传算法以及模拟退火—粒子群优化算法,并作性能对比分析。研究结果表明,这两种算法都在进化代数和全局寻优能力方面有较大突破,在找寻最佳个体解的效率上,模拟退火—粒子群优化算法更突出。     

基于改进的自组织映射网络的化工过程故障分类辨识

将自组织映射网络(SOM)应用于化工过程故障数据的分类辨识,并采用粒子群优化(PSO)算法优化权重失真指数(LW D I),代替SOM的启发式训练算法,形成粒子群优化的SOM(PSO-SOM)分类算法。以某工厂甲醇合成反应器数据为研究对象,研究结果表明:对比基本SOM算法,PSO-SOM算法对复杂的故障数据能够得到较优的分类辨识结果,对甲醇合成生产中的故障诊断有非常显著的指导作用。     

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。     

改进的粒子群优化算法结合人工神经网络用于有机物毒性的QSAR研究

介绍了粒子群优化算法和Alopex-B算法的基本原理,提出了一种用Alopex-B算法改进的粒子群优化算法,并将其应用于函数优化和有机物毒性的QSAR研究。结果表明:改进型粒子群算法对复杂的测试函数搜索效率明显提高,应用于有机物毒性的QSAR研究能提高计算的精确度,降低预测误差。     

基于有向加权复杂网络的自适应粒子群算法

标准粒子群算法在高维空间寻优迭代过程中存在易陷入局部最优和后期收敛速度慢的问题.引入复杂网络思想,提出一种基于有向加权复杂网络的自适应粒子群算法.该算法在粒子寻优的过程中引入有向动态网络进化机制,使粒子群的拓扑结构在入度服从幂律分布的条件下向无标度网络进化,同时根据粒子之间适应值的差值自适应调节动态学习因子的大小,使得粒子的飞行惯性在时间和空间上都是异质的,提高了粒子之间学习的多样性.仿真实验表明,该算法能够有效避免早熟问题,并且具有较快的收敛速度.     

粒子群算法在确定边坡最小安全系数中的应用

基于圆弧滑动面假定，提出了一种用粒子群优化算法(PSO)确定边坡最危险滑动面及其对应的最小安全系数的方法，并以粒子群优化算法为指导，编制了搜索土坡临界滑动面的程序，将粒子群这一新近发明的进化计算技术应用于工程实际。