自适应粒子群算法在水库优化调度中的应用研究

针对传统粒子群算法在求解梯级水库调度问题时,容易陷入局部最优而早熟收敛的问题,提出自适应粒子群算法。该改进算法结合种群进化程度自适应调整算法控制参数,从而克服传统粒子群算法参数固定引起的搜索能力不足的问题。同时,采用种群局部重建策略解决种群进化后期多样性下降的问题。将改进的粒子群算法应用于清江梯级水电站的发电调度求解,模拟计算结果表明,文章提出的改进算法具有较强的全局寻优能力,可以进一步提高算法的搜索性能和求解精度。     

动态整体反恶化混沌粒子群优化算法

为防止粒子群优化算法陷入局部最优,引入混沌和整体反恶化机制,设计了一种整体逐步反恶化的粒子群优化算法公式,提出动态整体反恶化混沌粒子群优化算法,使粒子摆脱局部最优,逐步向全局最优处收敛。采用多个著名标准测试函数进行实验,结果表明本文方法在不同情况下都超越了其他著名粒子群优化改进算法。     

多种群粒子群分层进化优化算法

粒子群优化算法已越来越广泛的应用于求解优化问题,它简单实用且对一些复杂问题也能得到不错的结果,但它收敛速度慢且容易陷入局部最优值。多种群粒子群分层进化优化算法让粒子分层进化,对于具有不同适应度值的粒子采取不同的进化措施,提高了算法的收敛速度和精度。     

一种新改进的粒子群优化算法

由于粒子群优化算法对多极值复杂问题求解时容易陷入局部极值,提出一种新改进的粒子群优化算法。该改进算法是将粒子群进化过程分为两个不同的阶段,每个阶段应用不同的进化模型,通过结合这两种进化模型的各自优点有效地降低群体陷入局部最优。由仿真实验结果可知,对于复杂多极值函数优化问题,本文算法比标准粒子群优化算法的全局寻优能力更强。     

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。     

基于鱼群的PSO粒子滤波算法

粒子群优化(PSO)粒子滤波算法比较而言,容易陷入局部最优,因此算法的准确度就会降低。本文在解决该问题时引入了一种基于鱼群的PSO粒子滤波算法。此算法是通过鱼群优化在采样过程中找到全局最优的相对位置,使其能够向全局最优的位置逐渐接近,同时提高估计有效的粒子数目,从而能够更有效的减少粒子退化与枯竭问题。实验表明,此算法与PSO粒子滤波算法相比,在估计准确度方面有了较大的提升。     

基于自然选择粒子群算法的PID参数优化

PID控制在工业生产中得到广泛的应用,其性能指标取决于PID参数的选取。粒子群算法是一种常见的智能化算法,简单便于实现,文章采取基于自然选择改进的粒子群算法优化PID控制器的参数,与经典的粒子群算法相比较,文章所提出的算法有效地避免了经典粒子群算法过早陷入局部最优的问题,具有较高的求解效率。     

基于多学习因子粒子群算法的微博用户影响力分析

分析了用户与其所在网络社团之间的关系,将岛屿模型的思想应用于标准粒子群算法的改进,提出了一种多学习因子粒子群算法(MPSO).该算法综合考量了用户自身属性和社团关系网络特性两种影响因子,克服了网络水军和僵尸粉的干扰,同时这种改进的粒子群算法使得粒子在进化过程后期更具多样性,避免陷入局部最优.最后通过与Page Rank算法、Behavior-Relationship Rank算法进行对比,充分验证了MPSO算法的准确性以及可靠性.     

基于PSO递阶进化的网络资源活跃度增强算法

为了提高云计算环境下网络资源访问和调度能力,需要增强网络资源的活跃度,传统方法采用源信息系统最小方差粒子群优化算法实现资源活跃度增强调度,直接交互式多源信息的缺陷,导致信息访问的滞后和时延。提出一种基于粒子群(PSO)递阶进化的多出口网络资源活跃度增强算法,构建多出口网络资源调度和网络系统结构,粒子群进化按照属性的数据波动进行递阶分层,得到一个资源数据聚类的高密度区域,使得每一个初始种群中的个体都应有一个解,在多波束搜索PSO空间中实现粒子群PSO递阶进化,提高网络资源访问的活跃度。仿真实验表明,采用该算法,能避免粒子群在进行网络资源搜索调度过程中陷入局部最优,有效提高控制搜索精度,运行时间较短,能有效增强多出口网络资源的活跃度,进而提高了资源搜索成功率。     

供应链销售管理PSO算法的分布式优化

针对传统粒子群算法在供应链销售管理的应用中表现出收敛性不佳的问题,本文提出了一种基于分布式优化粒子群算法的供应链销售管理模型,首先将免疫算法中繁殖策略与基本粒子群算法相结合,保持种群的多样性,然后引入变异操作并结合神经网络中的Sigmoid型函数对粒子群算法的特征子集进行了优化,最后采用最优化学习策略在算法陷入局部最优时跳出来。仿真试验结果表明,本文提出基于分布式优化粒子群算法的供应链销售管理模型,在收敛性能上远远优于标准粒子群算法。     

基于混合粒子群的核磁共振反演算法研究

传统的基于最小方差原理的反演结果依赖于初始模型选择,易陷入局部极小,针对以上问题,文章利用完全非线性反演方法-粒子群反演算法,对核磁共振探测地下水的数据资料进行反演解释,该算法具有操作简单,并行处理,不要求被优化的目标函数具有可微、可导、连续等性质的优点。将基本粒子群算法与模拟退火算法结合,加入非线性约束优化条件,使其适用于核磁共振探测地下水数据资料的反演解释。试验结果表明,混合粒子群反演算法反演结果精度较高,收敛速度较快,验证了粒子群优化算法在核磁共振反演应用中的可行性。     

粒子群优化算法的改进与分析

介绍了基本粒子群优化算法及其原理,针对其易陷入局部极值和后期收敛速度慢的缺点,研究了基于惯性权重因子的改进粒子群优化算法。通过测试函数对固定惯性权重和时变惯性权重参数的选择进行了系统的实验,并且分析了种群规模与学习因子参数对粒子群算法优化性能的影响。     

基于改进粒子群算法的水资源优化配置的研究

针对现有水资源配置模型存在的不精确问题,在现有水资源模型基础上增加了决策偏好系数和排放污染物种类以提高模型精确性,以吉林市水资源基础数据初始化水资源优化配置模型,针对目前对模型进行优化的粒子群算法易出现局部最优等情况,引入萤火虫算法对其进行改进,通过萤火虫趋向最优解的原理改善粒子群算法出现局部最优的情况,并加速其收敛速度。应用改进粒子群算法对模型进行优化求解,得出水资源优化配置方案,以满足经济效益、社会效益、生态环境效益的全面要求。     

Replicating web contents using a hybrid particle swarm optimization

We consider the problem of placing copies of objects in a distributed web server system to minimize the cost of serving read and write requests when the web servers have limited storage capacities. We formulate the problem as a 0–1 optimization problem and present a hybrid particle swarm optimization algorithm to solve it. The proposed hybrid algorithm makes use of the strong global search ability of particle swarm optimization (PSO) and the strong local search ability of tabu search to obtain high quality solutions. The effectiveness of the proposed algorithm is demonstrated by comparing it with the genetic algorithm (GA), simple PSO, tabu search, and random placement algorithm on a variety of test cases. The simulation results indicate that the proposed hybrid approach outperforms the GA, simple PSO, and tabu search.     

Optimized scheduling of resource-constraints in projects for smart construction

In real-life applications, resources in construction projects are always limited. It is of great practical importance to shorten the project duration by using intelligent models (i.e., evolutionary computations such as genetic algorithm (GA) and particle swarm optimization (PSO) to make the construction process reasonable considering the limited resources. However, in the general EC-based model, for example, PSO easily falls into a local optimum when solving the problem of limited resources and the shortest period in scheduling a large network. This paper proposes two PSO-based models, which are resource-constrained adaptive particle swarm optimization (RC-APSO) and an input-adaptive particle swarm optimization (iRC-APSO) to respectively solve the static and dynamic situations of resource-constraint problems. The RC-APSO uses adaptive heuristic particle swarm optimization (AHPSO) to solve the limited resource and shortest duration problem based on the analysis of the constraints of process resources, time limits, and logic. The iRC-APSO method is a combination of AHPSO and network scheduling and is used to solve the proposed dynamic resource minimum duration problem model. From the experimental results, the probability of obtaining the shortest duration of the RC-APSO is higher than that of the genetic PSO and GA models, and the accuracy and stability of the algorithm are significantly improved compared with the other two algorithms, providing a new method for solving the resource-constrained shortest duration problem. In addition, the computational results show that iRC-APSO can obtain the shortest time constraint and the design scheme after each delay, which is more valuable than the static problem for practical project planning.     

基于PSO和滚动优化的不确定环境下移动机器人动态路径规划

针对全局环境未知且存在动态障碍物情况下的移动机器人路径规划问题,本文提出了一种结合粒子群算法(PSO)和滚动优化策略的动态路径规划方法。通过在一系列移动空间窗口中进行在线规划来充分利用机器人实时测得的局部环境信息,并用粒子群算法求解每一个移动窗口内的最优路径。为及时躲避动态障碍物,提出了一种适用于动态未知环境下的适应度函数。仿真试验表明,该方法克服了现有局部路径规划方法的高复杂性的缺点,算法操作简单、具有全局寻优能力、收敛速度快、鲁棒性好,可以满足机器人在复杂的未知动态环境下路径规划的实时性要求。     

基于粒子群优化神经网络的煤层顶板导水裂隙带高度预测研究

阐述了运用粒子群优化人工神经网络建立煤层顶板导水裂隙带高度预测模型的思路与方法。利用粒子群优化神经网络模型的权值和阈值,克服了神经网络容易收敛到局部最小值,以及收敛速度慢的缺点。煤层导水裂隙带高度预测实例表明,该方法不仅能更快地收敛于最优解,且预测精度有明显的提高。     

函数优化的模糊粒子群算法

在传统粒子群算法的基础上运用模糊规则表加入了新的扰动因子,提出了一种新的算法--模糊粒子群算法。算法结合了模糊控制器中输入输出的模糊化处理和粒子群寻优的特点,为实际问题提供了新的解决手段。将模糊粒子群算法应用于函数优化的问题上,通过多组实例数据进行测试,验证表明了本算法具有良好的有效性和鲁棒性。     

基于粒子群优化算法的边坡安全系数估计

粒子群优化算法具有全局性能好、搜索效率高、容易实现等优点.文章在极大似然估计模型的基础上,采用粒子群优化算法,提出一种基于实例的边坡安全系数估计模型.工程实例研究表明,该模型精度明显优于传统极大似然估计模型和遗传算法优化模型,说明本文方法是科学可行性的.     

粒子群算法网络异常检测技术研究

提出了一种新的基于粒子群算法入侵检测方法模型。算法采用粒子群优化算法,有效地降低网络拓扑路径长度,通过优化算法来寻找聚类的中心。实验结果表明,提出的改进算法与传统的入侵检测算法相比,具有更好的入侵识别率和检测率。