基于动态分级和邻域反向学习的改进粒子群算法

针对粒子群算法容易陷入局部最优解的问题,提出了一种基于动态分级和邻域反向学习的改进粒子群算法.该算法通过构建动态分级机制,将种群中的粒子动态地划分成3个等级,对不同等级内的粒子采取不同的扰动行为,使得粒子在增强种群多样性的同时保持向全局最优方向进化;采用粒子智能更新方式,提高了粒子的搜索能力;引入动态邻域反向学习点建立全局搜索策略,促使种群快速寻优.最后,利用多种典型测试函数对该算法进行仿真实验,结果表明,与其他几种优化算法相比,本算法具有较好的收敛性和稳定性.     

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...     

改进的多目标粒子群算法

提出了一个改进的粒子群算法并将其用于解决多目标优化问题．该算法利用粒子群算法的信息传递机制，引入多目标演化算法常用的归档技术，采用SPEA2算法的环境选择和配对选择策略，使得整个群体在保持适当的选择压力的情况下收敛于Pareto最优解集．标准测试函数的数值实验结果表明，所提出的算法能够使找到的解集快速收敛到Pareto非劣最优目标域，并且解集沿着Pareto非劣最优目标域有很好的扩展性．     

求解多峰函数的改进粒子群算法的研究

针对标准粒子群算法进行多峰函数优化时存在的易陷入局部极值和搜寻效率低的问题，提出了子种群划分和自适应惯性权重改进方法来求解多峰函数．根据群体微粒的相似度将粒子群分成子群体，各子群体围绕一个有最佳适应值的群体中心进行建立，并通过几个经典函数进行求解．实验表明：改进的粒子群算法能快速有效地找到多峰函数的全局最佳值．     

一种基于欧氏干扰因子的微粒群优化算法的改进

针对基本微粒群优化(PSO,Particle Swarm Optimization)算法在应用于具有极多局部极值和维数被优化问题时易陷入局部最优和早熟收敛的不足,提出了一种新的改进算法称之为欧氏微粒群算法.此改进算法的主要思想是当算法陷入局部最优时,给微粒一个扰动因子,它的大小会因当前微粒与全局最优微粒的欧式距离的大小而自适应变化,促使微粒跳出局部最优.在实验中选取典型标准函数对算法进行测试,实验结果表明,本文算法优于标准微粒群算法(SPSO)和高斯微粒群算法(GPSO),而且随着问题复杂性的提高其性能优越性越明显.     

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     

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.     

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EEMD能量矩和改进量子粒子群神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和周期性冲击特征, 提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)能量矩和改进量子粒子群神经网络的特征提取方法. 基于小波去噪对滚动轴承原始信号进行预处理, 对重构的故障信号进行EEMD并得到多个本征模态函数分量. 利用能量矩方法计算出所需分量的能量矩并归一化, 将归一化后的能量特征参数作为量子粒子群BP神经网络的参数输入, 根据加速度传感器信号实现滚动轴承故障诊断. 分别在不同转速(载荷)下采集驱动端轴承的振动信号, 获取200个训练样本和80个测试样本, 并建立故障诊断模型. 基于文中模型对实际滚动轴承数据进行诊断, 实验结果表明, 不同转速(载荷)下测试的80个样本故障诊断准确率达到100%.     

一种基于整体退火遗传算法的动态IR Drop分析新方法

提出了一种基于整体退火遗传算法的动态IR drop分析方法.该方法在经典遗传算法基础上,引入父代竞争和适应函数模拟退火处理,优化了动态分析的输入向量,加快了分析速度.实验表明,与经典遗传算法相比,该方法提高了动态IR drop分析的准确性,提高了算法收敛速度,繁殖代数平均减少了35%,分析结果改进了10%左右.     

耗散结构和差分变异混合的鸡群算法

针对标准鸡群算法在求解高维优化问题时过早收敛于局部最优和收敛速度慢等问题,提出了一种耗散结构和差分变异混合的鸡群算法.该算法通过将耗散结构引入至雄鸡位置的更新公式,扩大了鸡群的搜索空间,增强了算法的全局搜索能力;同时,通过对随机选择的个体进行差分变异操作,增强了算法的收敛性能.对选取的18个标准函数进行仿真实验,结果表明,算法的收敛精度、收敛速度和稳定性均明显优于其他几种算法.     

基于可破碎颗粒的高填方碎石土地基强夯颗粒流数值分析

依托某碎石土地基强夯工程, 通过PFC2D建立模拟碎石土地基在单点多次夯击作用下碎石颗粒破碎的过程. 结果表明: 相比于不考虑颗粒破碎, 考虑颗粒破碎情况下造成的强夯沉降更大, 模拟效果更好. 强夯过程中, 初始阶段主要是夯坑底部碎石颗粒发生破碎, 随着夯击次数增多, 颗粒破碎带逐渐向夯坑两侧发展, 破碎的碎石颗粒的广度和深度一定程度上与夯击能大小成正相关. 夯坑底部主要由破碎的块石颗粒与土颗粒嵌合形成壳状结构起到加固作用.     

基于因素分析和SVM模型的江海联运运量预测方法

鉴于江海联运运量受众多因素的影响, 为了解决江海联运运量预测问题, 先对江海联运运量影响因素进行分析, 再用灰色关联度分析筛选出其中的典型因素. 在此基础上应用粒子群算法优化的支持向量机建立江海联运运量预测模型, 应用于宁波港域江海联运量的预测. 结果表明, 该模型与传统时间序列预测方法相比具有较高的拟合度和预测精度, 为解决江海联运运量等多因素非线性系统预测提供了一条新的途径.     

一种基于深度学习的古彝文识别方法

作为世界六大古文字之一的古彝文记录了几千年来人类的发展历史。通过对古彝文的识别能够将这些珍贵文献资料转换为电子文档,便于保存和传播。由于历史发展、区域限制等原因,针对古彝文识别的研究鲜有成果。本文将当前新颖的深度学习技术应用于古老的文字识别。在四层卷积神经网络（convolutional neural network, CNN）基础上扩展出5个模型,然后利用Alpha-Beta散度作为惩罚项,对5个模型的输出神经元重新进行自编码,接着用2个全连接层完成特征压缩,最后在softmax层对古彝文字符特征进行重新评分,得到其概率分布,选择对应的最高概率作为识别的字符。实验表明,相对于传统CNN模型,本文方法对古彝文手写体的识别精度更高。     

一种基于深度学习的古彝文识别方法

作为世界六大古文字之一的古彝文记录了几千年来人类的发展历史。通过对古彝文的识别能够将这些珍贵文献资料转换为电子文档,便于保存和传播。由于历史发展、区域限制等原因,针对古彝文识别的研究鲜有成果。本文将当前新颖的深度学习技术应用于古老的文字识别。在四层卷积神经网络（convolutional neural network, CNN）基础上扩展出5个模型,然后利用Alpha-Beta散度作为惩罚项,对5个模型的输出神经元重新进行自编码,接着用2个全连接层完成特征压缩,最后在softmax层对古彝文字符特征进行重新评分,得到其概率分布,选择对应的最高概率作为识别的字符。实验表明,相对于传统CNN模型,本文方法对古彝文手写体的识别精度更高。     

在GPU上求解大规模优化问题的反向策略的PSO算法

本文通过对传统粒子群算法(PSO)的分析,在GPU(Graphic Process Unit)上设计了基于一般反向学习策略的粒子群算法,并用于求解大规模优化问题.主要思想是通过一般反向学习策略转化当前解空间,提高算法找到最优解的几率,同时使用GPU大量线程并行来加速收敛速度.对比数值实验表明,对于求解大规模高维的优化问题,本文算法比其他智能算法具有更好的精度和更快的收敛速度.