自适应粒子群优化算法及其在注塑成型质量指标软测量中的应用

对粒子群优化算法(PSO)进行分析,提出了一种根据速度信息自适应调整参数的粒子群优化算法(APSO-VI),该算法经过大量测试函数上的模拟实验验证,并与PSO进行了比较。实验结果表明,该算法能克服基本PSO算法在求解高维、多峰等大规模复杂非线性优化问题时易陷入局部最优和不收敛的     

基于动态因子和共享适应度的改进粒子群算法

为提高粒子群算法的收敛速度和优化性能,避免陷入局部最优,提出了一种基于动态学习因子和共享适应度函数的改进粒子群算法.在惯性权重w随着迭代次数非线性减少而动态调整学习因子的基础上,引入共享适应度函数.当算法未达到终止条件而收敛时,利用粒子和最优解间距离挑选一批粒子重新初始化形成新群体,并用共享适应度函数对新群体进行评价,新旧2个群体分别追随自己的局部最优解直至迭代结束.对4个典型多峰复杂函数的测试结果表明,该改进算法不仅加快了寻得最优解的速度,而且提高了粒子群算法全局收敛的性能.     

基于追逐粒子与自适应变异的PSO-SVM算法与养殖水质评价研究

为提高标准PSO算法对SVM参数优化选取的精度和速度,提出以粒子群适应度均方差为判别依据,用追逐粒子位置替代陷入局部优化时的群体最优位置,对粒子的速度进行自适应调整;利用两个距离最远的粒子位置构成的圆形区域作为最优位置的吸引域,引入位置变异因子,使粒子随着迭代次数有规律地跳出局部最优位置吸引域,从而对粒子位置进行自适应变异.通过对4种不同适应度函数迭代100次的收敛测试,并与另外2类不同粒子群算法比较,结果表明改进算法收敛精度提高了20倍以上.将改进的PSO-SVM算法与另外3种分类算法对采集的5 439组养殖水质数据按照从优到差5个级别进行水质评价分类试验,发现改进的PSO-SVM算法收敛速度和收敛精度最高,对水质评价的错误率为1.54%,能有效地满足实际水质分类需求.     

一种多样性驱动的自适应粒子群优化算法

粒子群优化算法是一种随机全局优化算法,但它容易陷入局部最优和早熟,为了克服其缺陷,本文提出了一种多样性驱动的自适应粒子群优化(DDA-PSO)算法。本算法包括吸引阶段和驱动阶段。吸引阶段利用惯性权重线性递减机制加快粒子收敛,驱动阶段利用多样性驱动速度策略提升种群多样性。两个阶段相互自适应转换,粒子能跳出局部最优和防止早熟,算法的勘探与开拓获得自适应平衡。DDA-PSO算法与其他已有算法进行了比较,实验结果表明,DDA-PSO算法提高了收敛速度和精度,全局搜索能力得到显著提高。     

基于膜计算粒子群优化的FastSLAM算法改进

针对FastSLAM算法存在的粒子退化和粒子多样性缺失问题,提出了一种基于膜计算粒子群优化的FastSLAM算法.该算法将膜计算和粒子群优化算法相结合,利用膜计算的并行性、分布式的特点和粒子群优化算法的简单高效的优点,加速调整FastSLAM算法中粒子群的建议分布向全局最优解处收敛,在保证算法局部搜索精度的同时,扩大搜索范围,提高全局搜索的多样性,促使预测粒子更快的朝着真实的机器人位姿状态逼近,减缓粒子退化.最后利用MATLAB平台进行仿真实验.实验结果表明该算法提高了FastSLAM算法的定位精度,同时减少了系统运行时间,效率得到有效提高.     

基于多准则决策的塔状粒子群优化算法

针对经典粒子群优化算法存在早熟、收敛精度低和收敛速度慢的问题, 提出了一种新的改进算法. 该算法采用了塔状优化互联机制, 底层粒子群负责寻找局部最优解, 顶层粒子负责收集、反馈全局最优解, 为底层种群提供全局最优信息, 建立共享学习机制. 顶层粒子一旦发现停滞现象, 将通知底层粒子群采用细菌觅食优化、随机初始化等停滞优化策略, 以改善粒子群的收敛速度. 实验结果表明, 与同类算法相比, 改进算法具有更好的寻优能力, 改善了粒子群的收敛精度和收敛速度.     

求解自融资投资组合模型的量子行为的粒子群优化算法

为有效求解自融资投资组合模型,基于粒子群优化(particle swarm optimization,PSO)算法,提出了一种改进的量子行为的粒子群优化算法(LDQPSO)。在算法的设计中,借助Levy飞行策略对粒子位置的迭代公式进行更新,用于提高算法的局部收敛精度和全局探索能力;针对迭代后期的早熟问题,引入了多样性的判定和增强的操作。算法性能测试结果表明,LDQPSO算法在收敛精度和鲁棒性上比已有的3种PSO改进算法有更好的表现。应用改进算法对自融资投资组合模型进行了求解。与传统的遗传算法、差分进化、粒子群优化算法和量子行为的粒子群优化算法相比,LDQPSO算法在实际应用中拥有更好的寻优能力。     

一种综合学习粒子群优化算法

针对复杂多峰函数优化,提出了一种综合学习粒子群优化算法(IELPSO)。该算法把基于超球坐标系的粒子更新和辨识、加速质量差的粒子两个策略引入基于例子学习粒子群优化算法(ELPSO)。本算法利用超球坐标操作改变粒子大小和方向,因而粒子在搜索过程中能覆盖局部极小,同时能发现最差粒子并且加速它们靠拢最优解。提出的算法与其他已有算法进行了比较,对几种典型函数的测试结果表明,IELPSO算法提高了收敛速度和精度,全局搜索能力有了显著提高。     

基于多样变异随机搜索的差分进化算法

为解决差分进化算法(DE)易陷入局部最优、收敛速度慢等问题,提出一种基于多样变异随机搜索的差分进化算法(DMSDE),并证明算法依概率收敛.DMSDE算法在保留DE算法变异操作的同时采用变异比例因子自适应调整策略提高种群进化效率;然后利用改进的交叉算子加快算法收敛速度;此外,构造了一个新颖的多样变异算子来增强算法局部搜索能力并确保种群多样性.通过8个常用标准测试函数上的实验表明,所提出的算法在收敛精度、稳定性、收敛速度方面都优于其他5种算法,具有较高的优化性能.     

带互异权值的渐进迭代逼近算法及其应用

在计算机辅助几何设计(CAGD)领域,渐进迭代逼近(PIA)算法因其具有很好的自适应性和收敛稳定性,被广泛应用于插值与逼近问题.其中带权渐进迭代逼近(WPIA)算法通过调整向量加权明显加快了收敛速度.提出了一种带互异权值的渐进迭代逼近算法,不仅操作灵活,还可根据需要对各控制顶点进行调整,实现不同的迭代效果;同时通过引入一个参数,给出了可调权值迭代算法,当参数取合适值时,该算法的收敛速度比带权PIA算法更快,且权值取法不依赖于配置矩阵的特征值.最后用数值实例,通过对Bézier曲线、张量积Bézier曲面,以及三角Bézier曲面进行迭代,展示了该算法的有效性.