基于改进粒子群算法的优化策略

为提高传统粒子群算法的搜索速度和搜索精度,提出了一种改进的自适应粒子群优化算法.将正则变化函数和慢变函数引入传统位置更新和速度更新公式当中,形成两种新的更新机制:搜索算子和开发算子.在算法运行的初始阶段,种群中大部分个体将按照搜索算子进行更新,搜索算子将有助于种群遍历整个解空间;随着迭代次数的增加,按照搜索算子进行更新的个体将逐渐减少,而按照开发算子进行更新的个体将逐渐增多,开发算子将有效地克服陷入局部最优解的问题.通过典型测试函数的仿真实验,新算法在加快收敛速度同时,提高了算法的全局搜索能力.     

基于位置加权粒子群算法的WSNs能量优化

针对无线传感器网络经典分簇协议Leach存在能量消耗过大的问题,提出了一种基于LEACH的改进协议。该协议采用位置加权粒子群算法结合对惯性权值、学习因子的调整,优化LEACH协议的簇头选择机制,将节点剩余能量、簇间距离及簇头到基站的距离作为适应度函数因素,调节簇及选举簇头。仿真结果表明,改进的协议使整个网络能量消耗达到相对均衡,大大减少了节点能量消耗,从而延长了网络寿命。     

基于粒子群优化算法的集群调度策略

针对集群调度问题的特点,设计了基于粒子群优化算法的调度策略.与传统backfill算法相比,粒子群优化算法对作业比较公平,能避免对大作业响应慢的缺点,使得调度策略在生成速度和精度上都有明显的提高.实验结果表明,该调度策略能较好地提高CPU利用率和缩短作业平均响应时间.     

多策略自适应粒子群优化算法

为了提高粒子群优化算法搜索最优解的效率,该文提出多策略自适应粒子群优化(MAPSO)算法。通过构建多样性测试方式评价种群的分布性。粒子的进化状态分别为勘探或开发状态,通过执行实时交替策略,确定粒子的进化状态。在迭代优化时,根据粒子的多样性动态地控制惯性系数。基于所构建的多样性测试方式,通过融入精英学习策略进一步改善种群多样性,以阻止种群陷入局部解。实验结果表明,与自适应性粒子群优化(APSO)、综合性学习粒子群优化(CPSO)、振荡粒子群优化(PPSO)算法相比,MAPSO算法能够持续地改善PSO跳出局部最优解的能力,其可靠性和成功率均优于其它算法,并能有效改善搜索性能和收敛速度。     

粒子群优化算法

论述粒子群优化算法(PSO)的基本原理、特点、实现步骤,以及PSO的各种改进技术,包括基于PSO参数的改进技术(主要是惯性权重)、基于遗传算法进化机理的改进技术(受遗传算法启发提出的带交叉算子的PSO、带变异算子的PSO、带选择算子的PSO),以及其他算法融合的改进技术(模拟退火PSO、免疫PSO、混沌PSO),并总结PSO热点研究问题.     

基于粒子群优化的图像去噪算法

本文提出了一种基于PSO优化的非局部平均去噪算法,该算法以Non-Local means算法处理图片,以滤波参数h作为PSO的粒子,以PSNR的函数模型作为PSO中的目标函数,以群智能算法优化去噪效果.通过仿真,该算法比传统算法有更好的视觉效果和更快的速度,达到了算法的最佳性能.     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,成功地运用于广泛的数值优化问题.PSO算法在求解高维复杂函数优化问题时容易陷入局部最优.有鉴于此,提出了一种基于信息熵的粒子优化算法.该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性.实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度.     

基于模糊推理的粒子群优化算法

针对无约束优化问题,提出了基于模糊推理的粒子群优化算法,该算法针对粒子群优化算法搜索能力的不足,先引入平均粒子,然后引入模糊推理来改进粒子群的速度更新公式,再利用模糊推理动态地改进算法惯性权重和速度更新公式的权重因子,再结合混沌扰动增加算法后期的局部搜索能力.数值试验采用12个测试函数并有5个算法进行对比,数值试验证明,改进算法的搜索能力有较大的提高.     

基于变异策略的粒子群算法

在研究粒子群算法的特点之后,将变异因子融入到粒子群算法之中,提出了一种带有变异策略的粒子群算法(MPSO).该变异因子可以提高算法对解空间的开发能力,从而降低了粒子群算法陷入局部最优的可能性.实验结果表明,经过对4个无约束问题、1个高维线性约束问题以及1个实际应用问题的测试,带有变异策略的粒子群算法可以成功地解决高维无约束问题和带有线性约束的高维问题.实验结果也表明,MPSO算法具有很强的收敛性和稳定性,是一种很有前途的优化算法.     

基于种群分区的多策略综合粒子群优化算法

针对标准粒子群优化算法容易陷入局部最优收敛精度不高的问题,提出一种基于种群分区的多策略综合学习粒子群优化算法(MSPSO).该算法利用竞争机制将种群分为两个子种群：潜力子群与普通子群,对这两个子群实行不同的进化策略,潜力子群中的粒子主要负责全局探索,普通子群中的粒子则侧重于局部勘探.为验证算法的性能,在不同类型的基准函数上与其他粒子群算法及其他群智能算法进行对比,所提算法都能取到最优的平均结果,证明所提算法具有更优异的算法性能.     

基于改进粒子群算法的薄板件定位策略优化

目前薄板件定位策略优化需要进行大量的有限元分析,限制了夹具设计的效率。为了减少有限元分析次数,提出了一种基于惯性权值的粒子群改进算法,并通过对有限元软件的二次开发将该优化算法应用于夹具定位点的优化设计当中,以某车身前翼子板为实例进行了夹具定位优化设计,结果表明了方法的有效性。     

基于粒子群优化算法的云数据均衡放置策略

在拥有多个存储节点的云数据存储系统中,保持云存储系统的负载均衡水平为一个合理的值和最小化数据检索的时间是一个值得研究的问题。本文提出一种基于粒子群优化算法的云数据均衡放置策略(balanced placement strategy of cloud data based on particle swarm optimization algorithm, BPCD),首先,给出一种云存储系统模型;其次,引入基尼系数作为衡量该系统负载均衡水平的指标,结合数据检索时间目标函数构建多目标约束优化模型;再次,采用粒子群优化算法对问题进行求解,主要包括数据节点编码与参数设置、种群初始化、粒子群空间搜索、算法迭代4个过程;最后,将本文算法与传统云数据放置算法进行对比分析。仿真实验表明,本文提出的云数据均衡放置策略在优化云存储系统的负载水平和数据检索时间方面具有良好的效果。     

基于粒子群优化算法的扇区组合优化

航空运输业的不断发展给终端区容量带来了巨大的挑战。为了降低管制员的工作负荷,增加终端区的容量,对终端区的扇区优化进行研究,建立了终端区空域拓扑结构模型,利用Voronoi图进行终端区单元划分,并计算各航路点的工作负荷,建立扇区优化的数学模型,利用一种排列组合算法进行单元组合,将各单元的目标函数值作为优化函数,并结合粒子群优化算法求得最优解。最后,以成都终端区扇区优化为例进行了验证,证明了粒子群优化算法的有效性,可以很好地应用在以航路点为划分单元的扇区组合优化中。     

基于改进粒子群算法优化电梯群控系统

给出的粒子群优化算法是一种群智能优化技术,利用群体和个体的智能行为来求解组合优化问题,并将多目标问题分别在粒子的各子种群中以内在并行的方式搜索多个非劣解,同时对各子种群粒子的适应度采用积分排序,较好地解决了电梯群控系统的多目标问题。充分弥补了传统方法解决多目标问题出现的不足。针对不同客流强度进行分析,分别得到不同平均的候梯时间和乘梯时间,结果表明采用此种改进的粒子群算法充分保证了算法的收敛速度和精度。     

一种基于成对粒子的粒子群优化算法

粒子群算法(PSO)是近年来一个应用非常广泛的随机搜索算法,具有参数少、收敛速度快等特点.PSON是一种搜索范围较广的粒子群算法,在PSON的基础上,通过引入和原粒子一一对应的有着随机梯度运动特点的一群伴生粒子,构建一种基于成对粒子的粒子群优化算法,并通过R软件实现该算法.算例表明,该算法在寻找最值时能够有效避免局部极值陷阱,在较少的迭代次数下找到函数最值.在复杂函数下,其性能全面优于原有的PSO、PSON和随机梯度算法等方法,且算法简单,是一种具有潜力的随机搜索算法.     

基于粒子群优化的粒子滤波算法应用研究

粒子群优化算法是一种基于群体智能理论的全局寻优算法。文中首先对粒子群优化算法的原理和实现过程进行了研究,然后比较了粒子群优化算法与粒子滤波算法的异同,并将粒子群优化算法引入到粒子滤波算法中,解决了粒子贫乏的问题,提高了每个粒子的作用效果,同时给出了PSO-PF算法的基本步骤。最后将PSO-PF算法应用于自航耙吸挖泥船的泥舱溢流损失估计中,采用实测工程数据进行了仿真,仿真结果表明该PSO-PF算法基本达到了预期的效果,为自航耙吸挖泥船操作人员的施工提供了决策支持。     

采用振荡参数策略的粒子群优化算法

提出了一种新的振荡参数策略(OPS),用以提高粒子群优化算法在指定代数后的收敛性能。为了有效控制局部搜索并收敛于全局最优解,OPS在整个搜索过程中通过振荡惯性权重和加速度系数值来交替进行全局搜索和局部挖掘。惯性权重和加速度系数振荡变化既能提高早期的全局搜索能力,又不会早熟收敛,并使粒子最终趋于全局最优。实验仿真显示,对于大多测试函数,OPS优于时变惯性权重、随机惯性权重、时变加速度系数等策略。     

基于粒子群优化的多处理器任务调度算法

对于NP(Non-Polynomial)完全问题,现有的算法主要是启发式算法,性能还有待提高。基于粒子群优化智能算法,提出一种新的任务调度算法,目标是在满足任务之间优先关系的条件下,使所有任务整体完成时间最小。算法将粒子位置和任务高度作为任务的优先级,通过表调度技术生成有效的调度方案,并将调度方案对应的调度长度作为粒子的适应值。首先随机产生一群粒子,然后通过使用全局模型的粒子状态更新策略不断迭代,获得可以接受的任务调度方案。仿真实验结果表明,与遗传算法相比,调度长度提高14.7%,运行时间缩短近一半,特别适合于求解规模较大的多处理器任务调度问题。     

基于质心的改进型粒子群优化算法

为了加快粒子群算法收敛速度、提高粒子群的全局优化效率和精确度从而避免陷入局部最优解,提出了一种改进型的基于质心的粒子群优化算法模型,该模型能有效地提高粒子群之间的合作和信息共享能力。仿真结果表明基于"质心"的改进型粒子群优化算法在收敛性方面具有显著优越性。     

基于蜣螂优化的改进粒子群算法

针对标准粒子群算法存在的局部最优、早熟和慢收敛等问题,提出了一种新的粒子群更新方法。改进了算法惯性权重,引入一种新的更新方式;借鉴蜣螂优化算法中蜣螂滚球、繁殖、觅食和偷窃行为,将基本粒子群的操作划分为寻优、变异、波动和跳跃,从而提高了算法的全局寻优能力和收敛速度,并避免了早熟问题。通过与其他9种智能算法进行实验对比表明,在10个基准测试函数中,基于蜣螂优化的改进粒子群算法在寻优能力和收敛速度方面表现出色,证实了该算法的优越性。