一种改进的粒子群算法的优化

粒子群算法是一种全局智能优化算法,针对该算法在早期迭代中容易造成局部极值,在后期迭代中容易造成种群的多样性消失,使得算法收敛速度减慢,求解质量不高等缺点。本文提出通过收敛吸引因子粒子来获得局部最优值;加入扰动函数来更新粒子的速度来提高了算法整体效率。经典测试函数证明本文算法性能明显优于基本PSO算法,同时在算法复杂度方面优于其他的智能算法,有效地提升了算法的求解精度。     

基于果蝇优化算法优化Powell的图像配准研究

基于Powell算法的互信息的图像配准方法虽然具有鲁棒性强、配准精度高等优点,但是在搜索最大互信息的过程中涉及大量的浮点运算,容易陷入局部最优。结合果蝇优化算法具有控制参数少,收敛速度快和全局最优的优点,提出一种果蝇优化算法优化Powell算法的图像配准算法。实验结果表明,改进算法可以有效地提高Powell算法的全局最优搜索的速度,限制局部最优,极大地提高配准精度,可以达到亚像素级。     

一种改进的蜂群算法的研究

针对人工蜂群算法存在收敛速度慢,容易陷入局部最优的缺点,本文从种群初始化,引入自适应系数和位置更新等三个方面进行改进:(1)种群初始化,通过采用最小距离初始化人工蜂群,提高种群多样性;(2)自适应系数,通过加入随机干扰,在一定程度上可以避免算法陷入局部最优;(3)位置更新,提出了一种基于全局引导的位置更新想法,保证种群中的每一个个体既能获得自己的历史最优位置,还可以同时获得整个种群中的当前最优位置,提高了算法的收敛速度。采用4个经典测试函数结果说明本文算法相比基本人工蜂群算法提高了算法的整体性能,降低了算法运行时间,提高了效率。     

改进灰狼优化算法的研究

灰狼优化算法(GWO)是一种受灰狼群体捕食行为启发的新型群智能优化算法。为提高灰狼优化算法的全局搜索能力,避免算法过早收敛,提高原算法精度。本文提出了一个改进版本的灰狼优化算法,在原始的灰狼优化算法上引入Lévy飞行策略,命名为基于Lévy飞行的灰狼优化算法(LGWO)。通过将LGWO应用于8个标准测试函数并与基本灰狼优化算法(GWO)及粒子群-引力搜索算法(PSOGSA)进行对比,实验仿真表明,LGWO算法收敛速度更快且寻优精度更高。     

基于新型蚁群算法的配电网络规划

在基本蚁群算法的基础上引入分段函数及柔性伸缩机制,对蚁群算法中转移概率的调节因子的取值以及信息素全局刷新方式加以改进,提高了蚁群算法搜索全局最优解的能力以及收敛到最优解的速度。将改进后的算法应用于配电网规划问题,通过具体的算例验证表明,在相同的情况下,新方法比基本蚁群算法在搜索全局最优解和收敛速度方面有所提高,说明了新方法的可行性与有效性。     

基本鱼群算法的改进方法

人工鱼群算法是一种模拟动物行为的仿生算法,包含了人工智能思想以及动物自治体模式。随着科技的发展和求解问题的多样化,传统人工鱼群算法己经无法很好地解决实际问题,因此,本文提出了一种改进的人工鱼群算法,本文算法在全局收敛性、收敛速度以及收敛精度上都有了一定的提高。     

基于求解TSP问题的ACA-GA-PSO算法

为了有效求解TSP问题,提出一种融合蚁群算法、遗传算法、粒子群优化算法思想的混合算法。该算法基于最大-最小蚁群系统框架,在选择下一个城市时采用局部搜索策略避免陷入局部最优,在每次循环结束时用演化交叉策略优化得到的全局最短路径,从而提高求解TSP问题的求解精度及收敛速度。TSPLIB中不同规模的TSP问题的仿真实验结果表明了该算法的有效性与可行性。     

基于混沌免疫克隆选择算法的TSP问题求解模型

针对标准免疫克隆算法在求解TSP问题的过程中还存在收敛性不好、效率低下等问题。本文设计了一种以非线性混沌优化免疫克隆算法为基础的TSP问题求解模型,最先运用混沌变量完成抗体编码,利用混沌机制等产生克隆初始种群,然后对后代进行克隆,并将混沌算法引入到免疫克隆变异中,在进化中将混沌变量映射到实际优化问题中计算抗体的亲和度,之后再优化选择算子,为种群的多样性提供保证。实验仿真结果表明,本文提出的改进IA算法在执行时间和迭代次数上都优于传统免疫算法,在收敛问题上,比传统免疫算法更具有优势。     

一种GA-BP算法的研究及性能分析

遗传算法具有搜索全局最优解的能力,并且有很强的鲁棒性,而BP算法具有很好的泛化能力和非线性映射能力,基于两种算法的特点,设计了一种GA-BP算法,该算法将遗传算法应用到神经网络中权值和阈值的优化中,将最优解的分布范围缩小,然后通过BP算法进行再次优化和精确求解,以防止神经网络陷入局部极小点,从而达到加速收敛、减少训练次数的目的;并且通过对比实验给出该算法的可行性和有效性分析,进一步验证了该算法在收敛速度和误差精度上的优越性。     

基于改进的PSO算法的小波神经网络

本文针对粒子群算法具有不易陷入局部极小、收敛速度快等特点,提出了一种基于粒子群的小波神经网络学习算法,优化了小波神经网络中的各个参数,并将应用于函数仿真试验。试验表明,该算法能减少迭代次数、提高收敛精度,是小波网络的有效训练算法。     

一种改进的蛙跳算法的研究

蛙跳算法是一种启发式的智能算法,在优化问题中具有广泛的应用,针对该算法求解精度低,收敛速度慢,容易陷入局部的缺点,从4个方面提出了改进:(1)引入Tent混沌来改进蛙跳的种群初始化;(2)通过最大化搜索策略提高局部搜索;(3)最差个体中引入柯西因子进行优化;(4)采用模式搜索来优化最优个体.通过5个测试函数说明本文的算法能够有效的提高算法的性能.     

带约束的微分进化算法及应用

针对经典的微分进化算法难以求解约束优化,特别是大规模复杂约束优化,并且对于多峰值优化无法一次求出多个全局最优解等问题,本文提出了一种改进的微分进化算法。该算法采用一种简单有效的函数对其约束进行处理,并利用全局-局部微分进化算法进行演化。大量测试函数的实验结果表明,这种改进的算法能有效地解决约束优化问题得到全局最优解,并且对于多峰问题能一次得到其多个全局最优解,而且比传统演化算法具有更高的精度和收敛速度。     

基于改进的PSO-BP神经网络的桂林市物流预测研究

由于BP神经网络有收敛速度慢,容易陷入局部最小的缺陷,因此文章提出了一种改进的粒子群算法来优化BP神经网络的权值与阈值。使得预测模型能够在搜索最优解的过程中能够平衡算法的局部搜索和全局搜索,提高搜索的精度。对初步确定的输入指标和输出指标采用线性回归的方法,来筛选与输出指标具有强相关性的输入指标。通过MATLAB软件进行预测,比较标准的PSO-BP与改进PSO-BP模型,预测结果较好,说明改进的PSO-BP模型是有效的。     

基于自适应变异的动态粒子群优化算法

提出了一种新的基于自适应变异的动态粒子群优化算法。该算法除了采用动态惯性权重外，还引入了自适应学习因子和新的变异算子。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，采用新的变异算子变异增强了该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：新算法具有很强的全局搜索能力。收敛速度和收敛精度也有所提高，并且能有效避免早熟收敛问题。     

基于细胞膜优化的人工鱼群算法研究

研究人工鱼群算法优化问题,为了改进AFSA在非全局极值点出现较严重聚集情况时,收敛速度降低,甚至陷入局部极值,搜索性能劣化的问题,采用细胞膜优化算法物质的转运方式,对人工鱼群算法的寻优行为进行改进,从而一定程度上避免算法陷入局部最优,提出了一种基于细胞膜优化的人工鱼群算法.通过4个典型函数仿真和应用实例仿真结果表明,该算法是可行有效的,求解精度更高,算法更稳定.     

基于混沌和非线性规划的萤火虫算法

为了弥补标准萤火虫算法(FA)收敛性差、精度低和时间性能差等不足,采用Tent混沌映射初始化萤火虫种群位置,提升初始化萤火虫种群质量;在萤火虫位置更新迭代过程中,采用非线性规划优化萤火虫位置,增强了算法的局部搜索能力,提高了算法的收敛性能和优化精度以及时间性能。通过仿真证明所提出的新算法具有较强的搜索能力和收敛性,提高了标准萤火虫算法的求解精度。     

自适应粒子群算法在微波电路中应用

常规粒子群算法(SPSO)在优化过程中易陷入局部最优,本文分析了常规粒子群算法陷入局部最优的原因,提出采用一种自适应粒子群算法(APSO)避免陷入局部最优,改善算法的收敛性和精度。最后用自适应粒子群算法设计宽带阶梯阻抗变换器,结果表明,与常规粒子群算法相比,自适应粒子群算法全局速度快、成功率和精度也有显著提高。     

ASP数据库脚本程序边缘搜索最优路径提取

提出一种基于标准混合蛙跳算法的ASP数据库脚本程序边缘局部搜索最优路径提取算法,在进行ASP数据库信息交互中的脚本程序边缘局部搜索最优路径提取中,把路径搜索比喻为青蛙在觅食过程的位置更新,将搜索加速因子引入族群内部的搜索策略中,一定程度上提高了算法的全局搜索能力,利用局部最优个体、局部最差个体及全局最优个体的信息实现对脚本程序边缘局部最优路径搜索算法的改进。仿真结果表明,算法在时间成本及空间成本大幅降低,加速比提高。能摆脱局部最优解的能力强,收敛速度快,通过搜索最优路径的提取,信息交互中的信息配准提高。在ASP数据信息交互中实现可靠有效的数据通信。     

量子克隆遗传算法的多用户检测技术研究

针对现有的量子克隆遗传算法存在算法效率低、收敛速度较慢、易于陷入局部值等缺陷.文章通过引入量子交叉.加快算法收敛速度,使用自适应量子旋转门更新策略,加快最优解的搜索;采用量子灾变策略,避免早熟和进化停滞.由此给出了一种改进的量子克隆遗传算法(NQCGA).仿真结果表明:所提算法的多用户检测器的误码率、收敛速度、抗多址干...     

基于改进的GA优化BP神经网络的煤矿设备的故障诊断

面对越来越多的煤矿设备出现的故障,本文提出了将遗传算法(GA)和BP神经网络结合进行预测的方法。针对遗传算法存在收敛速度慢,容易陷入局部最优的情况,本文首先采用混沌和反向学习初始化个体,其次运用差分算法对个体最优进行操作,最后,将改进的适应度函数运用到选择操作中,通过变异概率和交叉概率提高操作的准确率。将改进后的算法运用到BP神经网络中提高了样本训练效果,仿真实验表明本文算法相比于传统BP神经网络提高了精度和增强了稳定性