粒子群优化算法的改进及其实现

基本粒子群优化算法存在着"早熟"现象。究其主要原因是由于全局最优粒子的运动形式滞留在局部最优。为此,根据基本PSO算法的特点,在粒子运动过程中加入了个体小概率随机变异,增强了粒子运动形式改变能力,减小了陷入局部最优的可能性。通过数值计算结果表明,该方法能有效地解决粒子群优化"早熟"问题。     

传感器网络的粒子群优化定位算法

无线传感器网络定位问题是一个基于不同距离或路径测量值的优化问题。由于传统的节点定位算法采用最小二乘法求解非线性方程组时很容易受到测距误差的影响,为了提高节点的定位精度,将粒子群优化算法引入到传感器网络定位中,提出了一种传感器网络的粒子群优化定位算法。该算法利用未知节点接收到的锚节点的距离信息,通过迭代方法搜索未知节点位置。仿真结果表明,该算法有效地抑制了测距误差累积对定位精度的影响,提高了节点的定位精度。     

粒子群算法的最小值边界变异策略

提出一种新的粒子群算法(PSO)边界变异策略--最小值边界变异.当粒子某一维或若干维上的位置和速度到达边界时,现有的边界变异方法都是通过不同的方式限制了粒子在该维上的位置或速度的幅值,使粒子返回搜索空间,但是这样同时也改变了粒子原先的飞行方向,降低了粒子在边界附近的寻优能力.而最小值边界变异既能有效地限制了粒子位置或速度的幅值,同时可以保持粒子的飞行方向.经4个通用测试函数验证,表明最小值边界变异优于其他方法.     

基于粒子群算法改进的电力系统

本文针对传统粒子群算法自实际应用中出现速度缓慢及局部最优解等等问题,提出了一种改进粒子群算法,并且将其应用在电力系统中,希望能够解决电力系统所存在的例如无功优化等问题中.改进后的粒子群算法在实际应用中收敛速度更加合理,能够有效保证种群的多元性,有效解决传统粒子群所存在的局部最佳解问题.     

基于自适应粒子群优化的粒子滤波跟踪算法

传统粒子滤波算法中在重要性采样部分存在采样粒子位置不精确的问题,可用粒子群优化算法优化,但目前的标准粒子群优化粒子滤波算法会出现粒子局部寻优的情况。对此对算法中的惯性权重和学习因子同时采取自适应调整的方法,平衡粒子的搜索能力以减少这种情况的出现,并且为了解决算法优化后因粒子聚集而造成的多样性缺失问题,对粒子进行随机变异以提高粒子多样性。仿真结果表明,经过改进后的优化算法可有效提高粒子滤波算法的准确性,使跟踪误差减小。     

自适应变异的粒子群优化算法

本文提出了一种新的基于群体适应度方差自适应变异的粒子群优化算法(AMPSO).该算法在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力.对几种典型函数的测试结果表明:新算法的全局收搜索能力有了显著提高,并且能够有效避免早熟收敛问题.     

改进的粒子群优化算法用于方向图阵列综合

为了克服粒子群优化算法早熟收敛,本文提出了一种改进的小波变异粒子群优化算法,由于该算法每次迭代时以一定的概率选中粒子进行小波变异扰动,能够克服算法后期易发生早熟收敛和陷入局部最优的缺点。同时将改进的算法应用于天线阵列方向图综合问题中,综合效果好于现有文献。     

基于改进粒子群算法的并联机械手运动参数识别

在工业生产过程中，由于机械手制造与装配过程存在误差，不仅造成运动精度降低，而且阻碍生产效率提高。为解决这一问题，提出了基于了改进粒子群优化算法的并联机械手运动参数识别研究，通过建立参数数学模型，完成机械手几何参数误差的识别和补偿。实验表明，文中提出基于改进粒子群优化算法的并联机械手运动参数识别，测试误差小、收敛速度快，可以为改良生产线、改善产品质量、提高企业效率提供有效的帮助。     

解决全局优化问题的粒子群进化算法

针对复杂全局优化问题,提出一种粒子群进化算法(PSOEA)。针对粒子群算法容易陷入局部最优等缺点,设计一个新的变异算子,使得粒子能够在整个空间进行搜索,同时保证了算法的收敛性。用概率论的有关知识证明了算法的收敛性。仿真结果表明,对于全局优化问题,算法寻优性能优良,特别是对于超高维优化问题,该算法能获得更高精度的解。     

一种改进的粒子群和K均值混合聚类算法

该文针对K均值聚类算法存在的缺点,提出一种改进的粒子群优化(PSO)和K均值混合聚类算法。该算法在运行过程中通过引入小概率随机变异操作增强种群的多样性,提高了混合聚类算法全局搜索能力,并根据群体适应度方差来确定K均值算法操作时机,增强算法局部精确搜索能力的同时缩短了收敛时间。将此算法与K均值聚类算法、基于PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,数据实验证明,该算法有较好的全局收敛性,不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和收敛速度都有显著提高。     

自适应权重混合粒子群算法在PID整定中的应用

传统工业控制中的PID参数整定需要良好的先验知识才能达到较好的整定效果,这种人工经验整定PID参数的方法耗时耗力、精度低且鲁棒性差.针对PID参数整定难的问题,标准粒子群优化算法可以实现对PID参数的快速整定,但其易陷入局部极值.因此,本文对标准PSO算法进行改进,将自适应权重混合粒子群优化算法应用于PID参数整定中....     

基于自适应粒子群算法的目标定位方法研究

针对现有定位求解算法复杂和标准粒子群算法易陷入局部最优的缺点,提出了一种基于自适应粒子群算法的目标定位方法.该方法在迭代过程中指数更新惯性权重,择优选择粒子,并根据种群适应度方差值自适应地调整变异概率的大小,增强算法跳出局部最优的能力.仿真结果表明该方法能有效地提高目标的定位精度,在随机噪声干扰方差为0.5的条件下,定位均方误差不超过0.8m.     

新的混沌粒子群优化算法

针对传统粒子群算法初期收敛较快,而在后期容易陷入早熟、局部最优的特点,提出了一种新的混沌粒子群优化算法,不同于己有的混沌粒子群算法的简单粒子序列替换,该算法将混沌融入到粒子运动过程中,使粒子群在混沌与稳定之间交替运动,逐步向最优点靠近。并提出了一种新的混沌粒子群数学模型,进行了非线性动力学分析。数值测试结果表明该方法能跳出局部最优,极大提高了计算精度,进一步提高了全局寻优能力。     

均匀搜索粒子群算法

针对基本粒子群优化算法容易陷入局部最优解的问题,本文定义了PSO粒子搜索中心的概念,并对其随机状态下粒子搜索中心在全局最优解与局部最优解之间的概率密度进行了计算,在此基础上提出了粒子搜索中心在两个最优解之间均匀分布的均匀搜索粒子群算法,并通过7个Benchmark函数与基本PSO算法进行了对比实验及算法分析,实验分析结...     

基于改进离散粒子群算法的传感器优化配置

传感器优化配置是实现航空设备故障预测与健康管理(Prognostics and Health Management,PHM)系统设计的基础和保证.本文首先对系统的故障-传感器相关性矩阵进行了改进,在此基础上根据系统测试性指标要求建立了考虑传感器故障率的约束优化模型,并采用一种改进的离散粒子群算法求解.算法根据传感器优化配置的特点设计了粒子个体适应度计算方法,惯性权重则基于群体早熟程度自适应调整.仿真实例验证了本文方法的有效性,优化结果满足系统各项测试性指标要求,可为航空设备PHM系统的传感器优化配置提供有效指导.     

图像去噪处理中的粒子群优化算法研究

随着科学技术的发展,数字图像处理技术的应用越来越广泛.然而由于图像信息的多样性和复杂性等特征,目前在图像处理领域,建模困难、处理不完整等问题普遍存在.因此,智能优化方法因其易于理解、便于实现等特点在图像处理领域得到了广泛应用.其中,粒子群优化算法己经在图像处理领域应用中取得了一定的成功,但是粒子群算法中的惯性权重分配仍然存在着很多需要改进的地方.本文在研究基本粒子群优化算法的基础上,改进了传统线性惯性权重调整策略,提出两步权重分配方法,并将此改进算法应用于图像去噪问题上.     

基于细菌觅食与粒子群的改进混合算法

针对粒子群优化算法（PSO）在优化过程中易陷入局部极值而产生“早熟”现象,文中提出一种基于细菌觅食与粒子群的改进混合算法。粒子群优化算法与细菌觅食优化算法的结合,增强了算法的全局搜索能力,使算法具有全局搜索能力强的优点。选用Matlab进行仿真实验,实验结果进一步显示了改进混合算法的优化能力优于基本PSO算法和基本BFO算法,收敛速度快,且具有较好的鲁棒性。     

基于粒子群优化算法的传感器优化部署方法研究

针对目前三维空间传感器部署算法PSO算法存在寻优精度、全局收敛性和收敛速度不能保证的问题,提出了通过惯性权重线性递减策略与动态加速常数自适应策略改进的基于粒子群的WCPSO优化算法,有效地提高了算法的寻优精度和收敛速度。给出了算法的设计方案并进行了来袭路径未知和来袭路径预估情况下的仿真实验,仿真实验结果表明WCPSO算法的优化效果和效率都要优于改进前的PSO算法。     

改进小波变异粒子群优化算法用于直线阵综合

为了有效避免粒子群优化(Particle Swarm Optimization,POS)算法早熟收敛和陷入局部最优,提出了一种改进的小波变异粒子群优化(Improved PSO with Wavelet Mutation,IPSOWM)算法,该算法每次迭代时以一定的概率选中粒子进行小波变异扰动,将该改进算法应用于直线阵综合问题,结合实际应用中的数字衰减器和数字相移器进行了仿真试验.结果表明:该改进算法的搜索精度及稳定性均优于对比文献中结论,适合于天线阵综合问题.     

基于改进离散粒子群算法的传感器布局优化设计

传感器布局优化是复杂系统测试性设计的重要内容,属于典型的组合优化问题。通过改进系统的故障-传感器相关性矩阵,建立了考虑传感器故障检测能力的约束优化模型。利用混沌的遍历性初始化粒子群的参数,惯性权重则根据粒子群的早熟收敛程度自适应调整,并对粒子的位置更新方式进行了重新定义,用改进后的离散粒子群算法求解建立的优化模型。仿真实例验证了本文方法的有效性,优化结果能满足系统的各项指标要求,为复杂系统的传感器布局优化设计提供了一种可行途径。