基于粒子群优化的神经网络预测模型

传统的BP神经网络训练算法,导致训练时间长且易于陷入局部极小点.本文将粒子群优化算法用于神经网络预测模型的学习训练.实验结果表明,基于粒子群优化的神经网络学习算法更易于实现,且能更快地收敛于全局最优解.     

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.     

基于粒子群优化求解纳什均衡的演化算法

基于粒子群优化方法从群智能的角度建立了博弈的演化模型，为求解有限n人非合作博弈的纳什均衡设计了一种粒子群优化算法．通过随机初始点的可行化以及对迭代步长的控制，保证粒子群在算法的迭代过程中始终保持在博弈的可行策略空间内，避免了在随机搜索中产生无效的粒子，因此提高了粒子群优化算法求解纳什均衡的计算性能．给出了算法的数值例子并分析了该算法的计算性能，通过粒子群算法与遗传算法的比较显示了粒子群算法求解博弈纳什均衡解的高效性．     

粒子群优化算法的收敛性分析

根据粒子群优化(Particle swarm optimization,PSO)算法的数学模型定义粒子状态序列和群体状态序列,并分析其马尔可夫性质,引入了粒子转移概率,证明了粒子及种群的最优状态集的封闭性;进一步基于随机过程理论证明了群体状态以概率转到最优状态集,从而证明了标准粒子群算法以一定概率收敛于全局最优。 更多还原     

粒子群优化算法的数学基础

总结概括了粒子群优化（PSO）算法基本要素的数学描述,证明了粒子群算法解空间为赋范空间,将粒子群迭代关系定义为赋范空间的压缩映射,通过利用Banach空间的相关理论和压缩映像原理,严格证明了PSO粒子收敛位置的存在惟一性,概括了PSO算法收敛性分析的数学描述,引入概率论以及随机过程经典理论推导出PSO算法稳定的参数条件,证明了在满足此条件基础下PSO算法收敛到全局最优位置的概率为1.     

基于粒子群算法的闪电定位网优化布站

闪电监测网探测站的位置分布对定位精度具有重要影响,如何布置站点使得监测网具有最佳的定位精度是监测网设计时必须考虑的问题.在分析三维闪电定位算法和点位误差的基础上,引入最优化思想,提出了一种优化布站模型.利用粒子群算法能够求解得到该模型的定量化结果,该结果保证了目标监测区域的平均误差最小.在广西壮族自治区三维闪电监测网站点位置分布设计应用中,利用该模型仿真得到定位网内水平误差为200m,误差得到明显降低.本文提出的模型可以为三维闪电监测网合理布置站点提供支撑,能有效提高监测网定位精度.     

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.     

基于随机权重粒子群优化极限学习机的土壤湿度预测

土壤湿度的预测对农业生产和科学研究都有着重要的意义.针对极限学习机(ELM)回归模型预测结果受输入参数影响的问题,本文将随机权重的粒子群优化算法(RandWPSO)应用于ELM回归模型中,提出了一种基于随机惯性权重的粒子群优化极限学习机的土壤湿度预测方法.该方法是利用传感器测出的土壤温度和光照强度数据进行数据预处理,构建出训练样本集,并且建立ELM回归模型,利用随机权重的粒子群算法优化ELM中的输入权值和阈值,避免陷入局部最优,从而建立起基于RandWPSO-ELM土壤湿度预测模型.利用MATLAB仿真软件,构建随机权重的粒子群优化ELM的预测模型,并对呼兰地区大棚甜菜的土壤湿度进行实验.结果表明:该方法的精度高且稳定性好,能够为大棚甜菜的生长提供有效的参考依据.     

基于粒子群优化算法的多S盒相关性能量分析方法

为提高能量曲线与数据加密标准(data encryption standard,DES)密钥之间的相关性,同时解决传统相关性能量分析方法在攻击多个S盒对应轮密钥过程中猜测密钥数目成指数增长造成的计算量过大的问题,提出一种基于粒子群优化(particle swarm optimization,PSO)算法的多S盒相关性能量分析方法。该方法利用PSO算法结构简单、搜索速度快的特点,同时实现对DES算法多个S盒的攻击,增强能量曲线与密钥之间的相关性,降低攻击DES算法多S盒的计算复杂度。采用经DES算法加密的数据,对本文方法和传统相关性能量分析方法进行性能分析实验。由实验结果可知,与传统相关性能量分析方法相比,本文方法有效增强了信号的信噪比,对能量信息的利用率提高约55%;在能量曲线数目有限(600条)的情况下进行密钥恢复,正确率提高了约30%。     

一种非线性自适应粒子群优化算法

针对粒子群优化算法中出现早熟和不收敛问题,分析了基本PSO算法搜索速度对其优化性能的影响,提出了一种根据速度信息非线性自适应调整参数的粒子群优化算法.在算法迭代过程中,粒子随迭代次数和递减指数确定的非线性变化的理想速度自适应调整参数进行搜索,提高了粒子群算法的性能.提出的算法经过测试函数的模拟实验验证,并与其他已有算法进行了比较.实验结果表明,该算法在搜索精度和收敛速度等方面有明显优势,特别是高维、多峰等复杂非线性优化问题时,算法的优势更明显.     

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。     

求解一类随机优化问题的粒子群算法

提出了一个解随机优化问题的粒子群算法.该算法易理解,程序上易实现,克服了随机优化问题难以高效实现全局优化的缺点.数值实验结果表明,所提出的算法能够快速地收敛到随机优化问题的最优解,并且具有良好的鲁棒性,是此类问题的一个高效求解算法.     

基于改进粒子群算法优化BP神经网络的甜菜产量预测方法

通过分析影响甜菜产量的自然因素,选取6个主要影响因子应用于一种改进粒子群算法优化BP神经网络的预测模型.首先,在标准粒子群算法(Particle Swarm Optimization,PSO)中引入自适应惯性权重的方法增强搜索能力并且提高收敛速度,使用反向逃逸策略避免早熟现象的发生;将改进的粒子群算法引入到BP中形成N...     

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。     

一类求解方程根的改进粒子群优化算法

在群集智能研究的新进展粒子群优化算法（PSO）的基础上，从初始种群的产生、目标函数的处理的角度改进PSO，并在分析讨论代数方程根的分布规律基础上，从优化的角度求解复系数方程和超越方程．数值计算表明，改进算法具有不依赖于迭代初值、良好的适应性和较高的精度的特点，是求解代数方程根的一种成功的算法。     

基于改进型粒子群算法的板式换热器优化设计

在板式换热器优化设计过程中,涉及到的变量较多,对有些变量的取值范围有界限约束,比如流速。本文从流速对换热效果和压力的影响出发,建立热力学模型,在基本粒子群算法上做了改进,利用此改进的粒子群算法对板式换热器流速受限的情况进行优化设计,解决了板式换热器中流速受到约束时的成本优化问题。     

一种基于多样性策略的粒子群算法

在扰动粒子群算法的基础上,提出了一种基于多样性策略的粒子群算法(ARPPSO)。该算法通过随机扰动全局极值对速度进行更新,并在速度更新中引入吸引和排斥机制控制种群多样性,同时在位置更新公式中,利用真实物理反弹理论将解空间外的粒子反弹回解空间内,有效地保持了种群的多样性。提出的算法经过基准函数的模拟实验验证,并与其他已有算法进行了比较。实验结果表明,除了保持粒子快速收敛性能外,很大程度上避免了早熟收敛,提高了收敛精度。特别是在复杂多峰函数优化上具有很强的竞争力。     

一种改进型多目标粒子群优化算法MOPSO-Ⅱ

提出了一种改进型多目标粒子群优化算法(MOPSO-Ⅱ).该算法为粒子群中每个粒子增加一个"扰动向量",以利于粒子跳出局部最优并为粒子的全局最优位置赋予了时限的属性,可防止过于频繁地更新全局最优位置,有利于增强粒子搜索的持效性.该算法改进了粒子越界的处理方法,最大程度上保持粒子优秀的搜索方向.通过典型的多目标测试函数ZDT对该算法进行测试,实验结果表明,带ε-支配的MOPSO-Ⅱ算法在解群的分布性方面要优于使用了拥挤距离机制MOPSO-Ⅱ算法和NSGA2算法,对比实验还表明MOPSO-Ⅱ算法在收敛性方面要优于NSGA2.因此,MOPSO-Ⅱ在求解多目标优化问题上有一定优势,是一种有前途的算法.     

基于离散粒子群的WSN分簇路由算法

在定义了包含邻居节点信息的粒子适应度函数的基础上,提出了一种基于离散粒子群(DPSO)的单跳路由分簇协议(DPSOCA).该协议应用DPSO优化簇首选择过程,采用无竞争开销的方式选举一组最佳节点担任簇首.研究结果表明,与LEACH算法相比,DPSOCA能有效地均衡网络节点的能量消耗和显著地延长网络寿命;采用k-收敛准则和增加惯性权重的随机性有利于提高网络寿命与收敛代数的性价比.     

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.