强噪声下基于基因梯度粒子群算法的反馈波前调控方法

当激光束经过透明散射介质时,通常会产生散斑光场。利用反馈波前调控技术对入射光束的相位进行主动调控,可将散斑整形成聚焦光斑。当存在强噪声干扰时,已有的反馈控制算法大多存在调控效果不理想的问题,故提出一种适用于强噪声环境的基于基因梯度粒子群算法的反馈波前调控方法。该方法不过分依赖以往的优化信息,而是结合梯度快速搜索和基因交叉突变功能来实现噪声环境下对激光束的调控。通过与传统算法进行比较,分析基因梯度粒子群的初始参数(调整因子、变异率和交叉率等)和搜索能力对调控效果的影响。结果表明,在明亮室内的强背景杂散光噪声下,基因梯度粒子群算法能在较少的迭代次数下实现更好的聚焦效果。     

Wavefront Shaping for Fast Focusing Light through Scattering Media Based on Parallel Wavefront Optimization and Superpixel Method

When light travels in biological tissues,it undergoes multiple scattering and forms speckles,which seriousl.y restricts the penetration depth of optical imaging in biological tissues.With wavefront shaping method,by modulating the wavefront of incident light to compensate for the wavefront aberration,light focusing and scanning imaging through scattering media can be achieved.However,wavefront shaping must be accomplished within the speckle decorrelation time.Considering the short speckle decorr...     

A Comprehensively Improved Particle Swarm Optimization Algorithm to Guarantee Particle Activity

Russian Physics Journal - The particle swarm optimization (PSO) algorithm has certain disadvantages; for instance, the convergence viscosity of the algorithm is reduced in the post evolution phase,...     

基于粒子群与遗传算法的矩阵式梯度线圈优化设计

磁共振成像系统中的梯度线圈产生用于选层、频率编码和相位编码的梯度磁场.目前常用的梯度线圈是通过目标场法设计得到的.近些年来,由多个形状相同的线圈组成的矩阵式梯度线圈的梯度磁场均匀度和功率等指标也达到了较为满意的效果.本文首先提出了一种基于粒子群与遗传算法的、适用于开放式永磁型磁共振成像系统的矩阵式梯度线圈设计方法.然后对三个方向上的矩阵梯度线圈的电流分布进行了设计,每个方向上的矩阵式梯度线圈系统由224个大小相同的圆形线圈组成.最后利用有限元仿真软件对设计方案进行仿真计算,得到x、y方向上的平均非均匀度为0.851%,z方向上的平均非均匀度为1.013%,验证了本文提出的方法的有效性.基于该方法可以有效快速地对开放式磁共振成像系统的矩阵梯度线圈进行设计.     

基于混合粒子群优化算法的DV-Hop定位算法

针对无线传感器网络节点定位技术中DV-Hop算法的不足,利用混合粒子群优化算法对DV-Hop算法的位置估计进行校正,提出了一种CCPDV-Hop算法,该方法在不需要任何额外硬件设备和通信开销基础上,将未知节点定位问题抽象为高维最优化问题,并利用混合粒子群优化算法进行求解。仿真实验结果表明,改进的DV-Hop算法与传统方法相比,定位误差显著下降,定位精度和鲁棒性都有明显提高。     

粒子群优化神经网络的交通事件检测算法研究

为减少交通事件引起的交通延误,提出一种基于粒子群优化神经网络的交通事件检测算法。首先,利用车载激光测距仪和GPS设备作为实验平台,采集了反映路段车辆占有率及车辆运行速度特征的交通参数;其次,利用粒子群（PSO）算法训练随机产生的初始化数据,优化BP神经网络连接权值和阈值;最后,将PSO优化后的BP神经网络作为分类器进行交通事件的自动分类和检测。试验中比较了PSO神经网络算法、BP神经网络算法和经典算法对交通事件的检测效果,PSO神经网络算法在事件检测率(DR)、平均检测时间（MTTD）方面均优于其他目标算法。结果显示,粒子群优化的神经网络算法用于交通事件检测提高了检测性能。     

粒子群及遗传算法在相对论返波管中的应用

在全三维粒子模拟软件CHIPIC平台上,分别开发了粒子群及基因算法模块.以相对论返波管为例,采用三种不同类型的参数(连续参数、离散参数、混合参数),对粒子群及基因算法进行比较.优化结果表明:粒子群算法的收敛速度更快,在有限的迭代步数内得到的目标结果也更优良,总体表现优于基因算法.     

基于代价优化的云工作流调度改进PSO算法

云计算可以通过即付即用的方式向用户工作流提供资源。为了解决资源服务代价异构环境下的云工作流任务调度代价问题,提出一种基于改进粒子群算法的云工作流任务调度算法WSA-IPSO。通过综合考虑任务的执行代价和依赖任务间发生数据传输时的通信代价,算法将总代价优化问题形式化为有向无环图DAG中的任务调度模型,并提出基于改进粒子群算法的优化模型对其进行求解。通过改进传统粒子群算法的粒子速度更新策略和惯性权重更新策略,算法可以以更快的收敛速度得到代价最小化的调度方案。通过仿真实验,与MCT算法及标准粒子群算法进行性能比较。实验结果表明,WSA-IPSO算法在降低总代价、任务分布的负载均衡以及算法收敛性方面比较同类算法均表现出更好的性能。     

改进粒子群优化算法的高光谱波段选择

高光谱图像具有数百个连续、狭窄的光谱带,光谱范围跨越可见光到红外光,可提供地物的精细光谱属性,对于地物材质和属性的识别分类具有重要应用价值.针对感兴趣目标选择有限的光谱波段进行传输和处理,对于提升高光谱数据处理时效性、以及设计面向特定应用的实用化光谱仪都具有重要意义.而如何结合目标特征选择最优波段成为在提升处理效率的同...     

基于Bloch球面搜索的量子粒子群优化算法

通过分析量子势阱粒子群优化算法的设计过程,提出一种基于Bloch球面搜索的量子粒子群优化算法.首先用基于Bloch球面描述的量子位描述粒子,用泡利矩阵建立旋转轴,用Delta势阱模型计算旋转角度,用量子位在Bloch球面上的绕轴旋转实现搜索.然后用Hadamard门实现粒子变异,以避免早熟收敛.这种旋转可使当前量子位沿着Bloch球面上的大圆逼近目标量子位,从而可加速优化进程.仿真结果表明,该算法的优化能力优于原算法.     

粒子群优化算法在自适应偏振模色散补偿中的性能研究

反馈控制算法是偏振模色散的自适应补偿器的关键组成部分,将粒子群优化算法(PSO)引入到偏振模色散自适应补偿系统中。该算法的优点是具有快速收敛到全局最佳值的能力、避免搜索陷入局部极值的能力、抗噪声能力和多自由度控制能力。理论上分析了粒子群优化算法的两个分类———全局邻居结构粒子群优化(GPSO)和局部邻居结构粒子群优化(LPSO)在搜索全局最佳值方面的能力优劣,给出了局部邻居结构粒子群优化算法成功率达100%的三种邻居拓扑结构。实验表明:在补偿一阶偏振模色散时,全局邻居结构和局部邻居结构搜索全局最佳的成功率都能满足要求,全局邻居结构算法收敛速度快。而在补偿二阶偏振模色散时,全局邻居结构成功率降低,而局部邻居结构仍可以满足要求。     

基于PSO的测距模型参数估计三维定位算法

节点定位技术是无线传感器网络应用的重要支撑技术之一;针对粒子群优化(PSO)定位方法的定位精度依赖于测距模型参数与实际值的符合程度,在接收信号强度指示(RSSI)测距模型的基础上,提出一种测距模型参数估计的三维定位算法;该方法无需计算距离,将未知节点的位置和RSSI测距参数作为自变量,以信号强度误差为目标函数,采用粒子群优化算法估算未知节点坐标;仿真结果表明所提算法不依赖于测距模型参数的选取,并取得了理想的定位精度。     

改进PSO-BP算法在飞机剩余油量测量中的应用

针对飞机在飞行时油箱因受震动引起油面起伏不平,导致原有静止状态时的计算模型产生较大测量误差,提出采用BP神经网络的预测飞机剩余油量;但由于BP神经网络存在学习效率低、收敛速度慢和易陷入局部极小等局限,采用改进粒子群算法优化BP神经网络的训练;将改进PSO-BP算法用于飞机剩余油量的测量,实验结果表明,与传统BP学习算法比较,改进PSO-BP算法具有训练时间短,相对误差小,控制精度高等优点,有效地提高了油量测量的精度。     

Parameter estimation for chaotic systems with a Drift Particle Swarm Optimization method

Inspired by the motion of electrons in metal conductors in an electric field, we propose a variant of Particle Swarm Optimization (PSO), called Drift Particle Swarm Optimization (DPSO) algorithm, and apply it in estimating the unknown parameters of chaotic dynamic systems. The principle and procedure of DPSO are presented, and the algorithm is used to identify Lorenz system and Chen system. The experiment results show that for the given parameter configurations, DPSO can identify the parameters of the systems accurately and effectively, and it may be a promising tool for chaotic system identification as well as other numerical optimization problems in physics.     

Mode Converter Synthesis by the Particle Swarm Optimization

Particle Swarm Optimization (PSO) is an effective, simple and promising method intended for the fast search in multi-dimensional space [Kennedy and Eberhart, "Particle Swarm Optimization", Proc. of the 1995 IEEE International Conference on Neural Networks, 1995]. Besides special testing problems a number of engineering tasks of electrodynamics were solved by the PSO successfully [Robinson and Rahmat-Samii, "Particle Swarm Optimization in Electromagnetics", IEEE Trans. Antennas Propag., 2004; Jin and Rahmat-Samii, "Parallel Particle Swarm Optimization and Finite-Difference Time-Domain (PSO/FDTD) Algorithm for Multband and Wide-Band Patch Antenna Designs", IEEE Trans. Antennas Propag., 2005]. On the other hand, the scattering matrix technique is a fast and accurate method of mode converter analysis. We illustrate PSO by a number of converter designs developed for high-power microwaves control: a matching horn for output maser section, a corrugated converter of linear-polarized hybrid modes, a TE₀₁ mitre bend.     

冲天炉熔炼过程粒群优化

粒群优化是一种非梯度随机优化算法，其思想源于动物群体（如群落）社会动力学行为的最近邻速度匹配和根据距离加速等基本规则。本文综合自适应模糊推理的建模功能和神经网络的学习能力，直接从实验数据中提取推理规则，建立了冲天炉熔炼过程模型。模型具有较高的预测精度和泛化能力，利用它可以帮助操作者认识熔炼规律。同时，将自适应模糊推理模型与粒群优化算法耦合，在预定熔化率和炉温的模糊限制条件下，得到了最高热效率时的送风强度和焦耗。此法可推广应用到其它工艺过程的建模与优化上。     

基于元学习和二进制粒子群的网络故障特征选择算法

为了降低Wrapper模式网络故障特征选择方法分类算法的计算量,本文提出了一种基于元学习和二进制粒子群(ML-BPSO)的特征选择方法。算法在封装的分类训练中采用元学习方法估算分类精度,并利用BPSO在特征空间中进行全局搜索选出最优特征集。在DARPA数据集上的实验表明本文提出的方法能够显著的降低封装模式特征选择计算量,同时保证了较高的诊断精度和较好的降维效果。     

用粒子群算法进行单个非球面透镜的球差校正

为设计出符合球差要求的单个非球面透镜,把粒子群算法应用到单个非球面透镜的球差校正中,构造相应的数学模型,并编程实现算法.设计关于非球面高次多项式的顶点曲率半径,高次多项式各项系数,透镜面之间的距离和玻璃折射率等光学系统结构参数的适应度函数,用这个函数作为评价函数,实现对球差的自动校正.给出用粒子群算法进行单个非球面透镜设计的实例,结果证明:粒子群算法用于非球面透镜的球差校正简单有效,能同时校正不同入射高处的球差,且容易发现一系列好的设计结果.从实际光学设计角度呈现使用这种方法进行单个非球面透镜的自动设计分析.     

粒子群优化算法在混合气体红外光谱定量分析中的应用

通过将粒子群优化技术及BP神经网络技术相结合,建立了三种烃烷混合气体的红外光谱定量分析模型。混合气体主要由甲烷、乙烷、丙烷三种组分气体组成,三种组分气体浓度范围分别为0.01%～0.1%。文章首先采用主成分分析技术从红外光谱1 866个数据中提取了5个特征变量作为神经网络的输入,将气体浓度作为网络输出。然后将粒子群优化算法与BP神经网络技术相结合,对网络的隐含层节点数进行了优化选择。再对结构优化后的网络进行训练,建立气体分析模型。分析模型的标准气体验证实验结果表明,采用此方法建立混合气体红外光谱定量分析模型所用时间(大约4 600 s)比单纯采用BP神经网络进行遍历优化建模所用时间(大约24 500 s)降低5倍以上,模型预测精度水平相当,网络结构大致相同,具有一定的实践意义和应用潜力。     

嵌入式粒子群-遗传算法的水质COD检测特征波长优化算法

基于紫外-可见光谱法的水质测量中,光谱信号易受到系统噪声干扰、悬浮物散射干扰,且存在信息冗余、多重共线性等特征,导致水质COD测量中特征波长的选取产生较大偏差。因此,提出了基于嵌入式粒子群-遗传（EPSO_GA）算法的水质COD检测特征波长优化算法,以提高波长选择精度。为验证检测特征波长优化算法的可行性,采集了某高校池塘水样、生活污水和排水沟水样的光谱数据,利用EPSO_GA算法对预处理后的光谱数据选取特征波长。EPSO_GA算法采用实数编码方法实现了粒子群（PSO）优化算法和遗传（GA）优化算法的统一编码,在PSO算法中更新粒子时嵌入GA算法的选择、交叉、变异等操作,改善了这两种算法各自在光谱波长特征选取问题上的局限性。将EPSO_GA算法选取的特征波长结合偏最小二乘法（PLS）构建了EPSO_GA_PLS的水质COD预测模型,并且与传统的PSO算法、GA算法选取特征波长建立的PSO_PLS、GA_PLS和全光谱构建的PLS水质COD预测模型做了对比。结果表明：与PSO_PLS,GA_PLS和全光谱构建的PLS水质COD预测模型相比,EPSO_GA改善了PSO算法和GA算法在光谱特征波长选择中早熟和收敛速度慢的问题,降低了全光谱构建PLS水质COD预测模型的复杂度,提高了模型的预测精度。基于EPSO_GA算法建立的EPSO_GA_PLS水质COD预测模型,均方根误差降到了0.212 3,预测精度增加到0.999 3,可以快速定量检测水质COD,为紫外-可见光谱法测COD提供了更好的预测模型。