用于彩色目标跟踪的改进粒子群优化算法

提出一种用于彩色目标跟踪的改进粒子群优化算法(Improved Particle Swarm Optimization Algorithms,IP-SOA)。针对彩色目标,选择加权彩色直方图作为目标的特征,选用Bhattacharyya系数作为特征相似性度量,其最大值位置表示目标位置。对粒子群优化算法进行了改进,即自动调整惯性权重函数与认知学习因子,每次递推时对粒子速度、单帧位移总量加以限制,对Bhattacharyya系数优化,快速求取函数最大值位置。利用彩色序列图像进行仿真实验,结果表明,该方法能够实时跟踪飞机、车辆等目标,在目标被部分遮挡时能稳健跟踪。     

基于改进离散粒子群算法的测试优化选择

为了解决复杂系统测试性设计过程中测试选择所产生的组合爆炸问题,提出一种改进离散粒子群算法的智能方法。首先,为保证初始种群的多样性,利用混沌不重复遍历的特性初始化种群的速度和位置;其次,根据启发式规则和罚函数的方法计算粒子适应度,使算法具有良好的搜索性能;最后,通过采用自适应调整策略的惯性权重,使粒子易于跳出局部最优解,找到最优解。通过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,可为复杂系统的测试优化选择提供有效指导。     

基于正交试验的粒子群优化算法对火焰原子吸收光谱法分析金元素参数的优化

国内新一轮战略找矿行动全面启动,金矿产资源以其独特的稀有性和战略性具有特殊意义,其分析检测技术直接影响金元素的准确测试。以矿石中金元素为研究对象,采用正交试验设计方案对实验要素中的王水浓度、振荡时间和硫脲浓度进行方法测试,测定结果相对误差为量化指标;按照层次分析法(AHP)中确定要素指标、建立矩阵、一致性判断步骤计算要素权重为(0.252, 0.159, 0.589),通过客观赋权(CRITIC)法计算正交试验数据的对比强度和冲突性,计算要素权重为(0.452, 0.172, 0.377),提出基于AHP-CRITIC混合加权算法对要素权重综合分析,其结果为(0.314, 0.075, 0.611);利用粒子群算法构建粒子多维空间,通过粒子的速度和方向属性迭代位置设计算法流程图,在迭代过程中结合混合加权算法结果通过线性递减的方式校正惯性权重,优化粒子在迭代初期和末期的学习因子,结合正交试验结果利用粒子群算法建立目标适应度函数,改进算法流程,应用MATLAB软件仿真模拟粒子群迭代过程,从全局各位置和方向逐渐向最优组合收敛,得到优化后的粒子群算法寻找原子吸收光谱法分析金元素的最佳条件参数为...     

基于粒子群算法的诊断策略优化技术

针对复杂武器装备系统多层次、多功能的特点以及测试性设计这一重大需求,为解决当前普遍采用的诊断策略存在的灵活性差、多故障诊断与不确定性诊断能力弱等问题,提出了一种基于自适应离散粒子群算法的诊断策略优化生成算法;该算法对自适应离散粒子群算法进行改进,引入多样性指标、个体历史最差解、扩散聚合过程和自适应惯性权重等,通过迭代计算得到最优的诊断策略;最后给出了主要步骤,并通过实例验证了算法的可行性。     

基于高温超导电缆终端的应力锥结构设计

对35kV高温超导电缆终端应力锥进行优化设计。以各层极板长度,半径,绝缘材料介电常数等作为优化变量,以各层极板之间的电压降相等作为优化目标,采用动态惯性权重因子的改进粒子群算法对高温超导电缆终端应力锥电气参数优化设计。应用matlab软件实现应力锥优化设计算法,通过循环迭代得到应力锥最优极值。     

一种求解约束优化问题的改进粒子群算法及其应用

针对复杂约束优化问题,提出一种改进的粒子群方法。该粒子群算法对于不满足约束条件的粒子实行全概率接收,但令其目标函数值同为一个很小的常数,以保持粒子的多样性并使最优解在可行域内。另外,在PSO算法的基础上,使惯性权值按对数规律单调递减,同时引进选择遗传算子,以增强其全局寻优性能。数值实验表明:与PSO算法和一些其它优化算法相比,改进算法具有较强的寻优能力和寻优效率。工程应用表明,改进算法具有一定的优越性。     

应用于亚波长角向偏振金属光栅设计的快速收敛粒子群算法优化

提出了分步寻优的基于粒子位置调整惯性权重的粒子群算法(PDW-PSO),通过调用严格耦合波方法(RCWA)计算衍射效率,进行了光栅结构参数的优化。将PDW-PSO与惯性权重不变的粒子群算法(PSO)和基于迭代次数调整惯性权重的粒子群算法(IDW-PSO)进行对比,结果表明PDW-PSO具有更快的收敛速度,相比于PSO和IDW-PSO,PDW-PSO的平均迭代次数分别从89.83和74减少至21.2,调用RCWA的次数分别从3144.05和2590下降至224。分析了波段匹配数对算法的影响, PSO和IDW-PSO的RCWA调用次数与波段匹配数呈等倍率增加,而PDW-PSO的RCWA调用次数的增加倍率小于波段匹配数的增加倍率。进行了算法准确度实验,在30次运行中,PDW-PSO与PSO、IDW-PSO正确收敛到最优值的次数相近,误差值不超过6.6%;随着粒子数的增加,三种方法的准确度都有所提高,粒子数达到27后基本都可以保证收敛到最优。     

细粒度指数惯性权重自适应粒子群算法及应用

针对粒子群算法性能很大程度上取决于惯性权重的选择,提出细粒度指数惯性权重自适应策略的粒子群算法。选用10个经典函数进行仿真实验测试新算法的性能,使用SPSS软件对最优值、平均值和均方差进行Wilcoxon符号秩检验和Friedman检验,分析和检验结果与惯性权重高斯递减粒子群算法、双指数递减粒子群算法进行比较。将其应用于蒸汽动力系统调度问题。仿真实验和工程实例研究结果表明,新的策略对粒子的觅食行为有着显著作用,改善了粒子群算法摆脱局部极值点的能力,具有收敛速度快等优点,能较好地处理蒸汽动力系统优化调度问题。     

基于混合群智能优化算法的混沌系统参数估计

混沌系统的未知系统参数估计是实现混沌控制和同步的首要问题,通过构造一个合理的适应度函数,可将其转化为一个多维搜索空间的优化问题.提出一种融合改进骨干粒子群算法与改进差分进化算法的混合群智能优化方法来解决上述优化问题.对骨干粒子群算法中的粒子位置更新机制以及差分进化算法中的变异操作、交叉操作、交叉概率因子的设计等进行改进,有效兼顾了种群的多样性与算法的收敛性.在此基础上,讨论骨干粒子群优化算法与差分进化的融合优化策略,实现两个算法的协同进化,进一步提高算法的综合优化性能.用6个基准测试函数以及Lorenz混沌系统为例进行仿真实验,结果表明该方法具有全局寻优能力强、收敛速度快、搜索精度高、稳健性好等优点.     

一种强噪声背景下微弱超声信号提取方法研究

为解决在强噪声背景下获取超声信号的难题,基于粒子群优化算法和稀疏分解理论提出一种强噪声背景下微弱超声信号提取方法.该方法将降噪问题转换为在无穷大参数集上对函数进行优化的问题,首先以稀疏分解理论和超声信号的结构特点为依据构建了粒子群优化算法运行所需要的目标函数及去噪后信号的重构函数,从而将粒子群优化算法和超声信号降噪联系在一起;然后根据粒子群优化算法可以在连续参数空间寻优的特点建立了用于匹配超声信号的连续超完备字典,并采用改进的自适应粒子群优化算法在该字典中对目标函数进行优化;最后根据对目标函数在字典上的优化结果确定最优原子,并利用最优原子按照重构函数重构出降噪后的超声信号.通过对仿真超声信号和实测超声信号的处理,结果表明本文提出的方法可以有效提取信噪比低至-4 dB的强噪声背景下的微弱超声信号,且和基于自适应阈值的小波方法相比本文方法表现出更好的降噪性能.     

基于多粒子群算法的视频跟踪研究

粒子群算法是一种新的进化算法,算法思路适合于进行视频跟踪,但是由于在视频跟踪过程中以跟踪窗口作为粒子,因此该粒子具有中心点横坐标、中心点纵坐标和窗口半径三维特征向量,计算冗余较大,难以满足视频跟踪的实时性要求。提出了一种多粒子群视频跟踪算法,即在跟踪过程中使用多个粒子群,粒子群与粒子群之间粒子半径不同,在各粒子群以评价函数收敛到最佳中心点后,再完成各自半径的一维粒子群计算。这样就可将三维粒子群计算分为一个两维和一个一维粒子群计算,最后通过比较得出最佳粒子,作为搜索结果。分析了这一算法成立的必要条件,即当选择Bhattacharyya系数计算方法作为粒子群算法的评价函数时,大于目标的固定窗体的中心点可以收敛到目标的形心。实验证明,这种基于多粒子群的跟踪算法可以应用于实时视频跟踪,其跟踪效果优于传统算法。     

基于改进粒子群优化算法的火电厂机组负荷分配

以坑口电厂SIS系统机组负荷优化分配功能模块为应用背景,针对基本粒子群优化算法易陷入局部收敛、收敛速度慢的缺点,提出一种基于惯性权重非线性减小策略的改进粒子群优化算法。并且通过MATLAB与Visual C++混合编程,开发了机组负荷在线优化分配功能模块,提高了算法的计算效率和工程应用价值。     

Logistic型混合自适应分数阶达尔文粒子群优化算法

针对分数阶达尔文微粒群优化(FDPSO)算法收敛速度慢,收敛精度不高的问题,改进其算法中分数阶速度更新策略,同时引入Logistic型混合分数阶自适应动态调整策略,得到一种改进的自适应分数阶达尔文粒子群优化(LFDPSO)算法,通过理论分析,证明了该算法在给定条件下的收敛性,并由数值实验表明,Logistic型混合自适应分数阶达尔文粒子群(LFDPSO)算法在收敛精度和收敛速度上得到了有效改善与提高,粒子在局部最优时的逃逸能力、全局寻优及智能搜索能力显著增强。     

基于粒子群优化算法的自适应图像分割方法

提出了一种基于粒子群优化算法的图像分割新方法。粒子群优化(PSO)算法是一类随机全局优化技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域缩短了寻找阈值的时间。将PSO用于基于改进的最佳加权熵阈值法的图像分割中,试验结果表明,该方法不仅能够避免陷入局部极值,而且其速度得到了明显的改善,是一种有效的图像分割新方法。     

光量子体系下基于粒子群算法的LED植物照明光源设计

在现代农业生产中,常采用发光二极管(LED)作为植物照明光源对农业作物进行补光,为提高LED植物照明阵列光源的均匀度,本文在光量子体系下,提出一种新的基于粒子群算法的LED植物照明阵列光源设计方法。通过MATLAB对红蓝光LED植物光源阵列进行数学建模,运用粒子群算法寻找高均匀度条件下的红蓝光LED坐标,设计出二维情况下的红蓝光LED排布阵列;在三维情况下,为解决维度升高时可能会导致的求解陷入局部极小问题,采用改进的随机惯性权粒子群算法进行三维方案设计,并使用Tracepro对两种设计方案进行验证,与传统的红蓝光LED等间距逐行排列设计进行了对比。研究结果表明,与常见逐行排列LED阵列设计达到的光量子通量密度(PPFD)均匀度为79.6%相比,通过粒子群算法寻优的设计方法,二维设计方案的PPFD均匀度达到88.7%,较等间距逐行排列设计提高了9.1%;三维设计方案的PPFD均匀度达到92.6%,较二维设计方案提高了3.9%,较等间距逐行排列设计提高了13%。本实验证明了运用粒子群算法在二维和三维空间进行LED植物照明阵列光源设计的可行性,在简易设计流程的同时,提高了工作效率。     

量子势阱粒子群优化算法的改进研究

为提高量子势阱粒子群优化算法的优化能力, 通过分析目前量子势阱粒子群优化算法的设计过程, 提出了改进的量子势阱粒子群优化算法. 首先, 分别基于Delta势阱、谐振子和方势阱 提出了改进的量子势阱粒子群优化算法, 并提出了基于统计量均值的控制参数设计方法. 然后, 在势阱中心的设计方面, 为强调全局最优粒子的指导作用, 提出了基于自身最优粒子加权平均和动态随机变量的两种设计策略. 实验结果表明, 三种势阱粒子群优化算法性能比较接近, 都优于原算法, 且Delta势阱模型略优于其他两种.     

Particle Swarm Optimization-Based Approach for Optic Disc Segmentation

Fundus segmentation is an important step in the diagnosis of ophthalmic diseases, especially glaucoma. A modified particle swarm optimization algorithm for optic disc segmentation is proposed, considering the fact that the current public fundus datasets do not have enough images and are unevenly distributed. The particle swarm optimization algorithm has been proved to be a good tool to deal with various extreme value problems, which requires little data and does not require pre-training. In this paper, the segmentation problem is converted to a set of extreme value problems. The scheme performs data preprocessing based on the features of the fundus map, reduces noise on the picture, and simplifies the search space for particles. The search space is divided into multiple sub-search spaces according to the number of subgroups, and the particles inside the subgroups search for the optimal solution in their respective sub-search spaces. The gradient values are used to calculate the fitness of particles and contours. The entire group is divided into some subgroups. Every particle flies in their exploration for the best solution. During the iteration, particles are not only influenced by local and global optimal solutions but also additionally attracted by particles between adjacent subgroups. By collaboration and information sharing, the particles are capable of obtaining accurate disc segmentation. This method has been tested with the Drishti-GS and RIM-ONE V3 dataset. Compared to several state-of-the-art methods, the proposed method substantially improves the optic disc segmentation results on the tested datasets, which demonstrates the superiority of the proposed work.