基于混沌的粒子群优化算法研究与进展

粒子群优化算法因简单、容易实现,被越来越多地应用于众多应用领域,但其存在着容易陷入局部最优等缺点。混沌是一种普遍的非线性现象,具有随机性、遍历性和内在规律性的特点,尤其是混沌的遍历性特点,使其可以作为搜索过程中避免陷入局部极小的一种优化机制。将二者结合求解优化问题,改善了粒子群摆脱陷入局部极值的能力,提高了算法收敛速度。论述了混沌粒子群优化算法的研究进展。     

基于文本信息的聚类方法研究

随着信息技术和Web技术的发展,如何从海量的Web文本信息中找到自己所需信息已成为一个重要的研究领域。在众多信息获取方法中,聚类技术是一种被广泛应用的方法。总结了文本聚类算法的研究现状,比较了算法的主要差异和整体思想,并分析了各种方法的优劣,同时指出了文本聚类研究今后的发展趋势,即在粒子群聚类过程中融入其它传统聚类方法的思想,以提高聚类性能。     

新型混沌粒子群混合优化算法

为避免粒子群算法陷入局部最优、早熟收敛,提出了一种新型的混沌粒子群混合优化算法。利用混沌映射初值敏感性、遍历性特点,随机初始化一个粒子,并通过混沌映射得到多个粒子的初始值,改变初始粒子群的提取过程。利用混沌映射扩大初始粒子群,得到寻优粒子群,使得粒子群在搜索的过程中,种群数量变大,有利于全局寻优,而种群粒子多样化,有利于跳出局部极值。经典的测试函数仿真表明,改进的粒子群算法极大提高了粒子群的寻优精度和寻优效率,增加了粒子的全局寻优能力,具有更为广泛的应用场景。     

一种改进的权均值粒子群优化算法

针对粒子群优化算法的早熟收敛和进化后期收敛速度慢等问题,提出了权均值粒子群优化算法。通过在"认知"部分和"社会"部分加入随机权值更新粒子的飞行速度,使粒子能够很快地收敛到全局最优点。典型函数的仿真结果表明,该算法不仅具有较好的全局收敛性能和较快的收敛速度,而且有效地避免了早熟收敛问题。     

基于PSO自动确定聚类数目的FCM算法

模糊C均值聚类是聚类分析中应用最广泛的算法之一,但是聚类数目需要人为预先设定,在实际应用中有极大的局限性。提出一种自动确定聚类数目的基于粒子群的模糊C均值聚类算法,通过对不同聚类数目进行试验,利用添加粒子阈值向量自动确定最佳的聚类数目。在预设的最大聚类数目内随机分割数据集,利用重构准则重新构建初始值,以此克服需要事先设置聚类数目的模糊C均值缺点。利用有效性函数评估算法性能,试验结果表明,该算法能自动找到最优聚类数目,聚类效果很好。     

一种新的PSO优化FCM方法在图像分类中的应用

利用粒子群优化算法(PSO)强大的全局搜索能力,提出了用PSO算法优化FCM聚类中心的方法,有效地避免了传统的FCM由于初始值及噪声的影响,容易陷入局部最优的不足,同时图像分割的效果得到了提高,性能比传统的FCM方法更加稳定。实验结果表明,该方法在图像分类中的应用效果较好。     

一种基于复合形粒子群算法的改进k—means聚类算法

针对k-means算法事先必须知道聚类的数目,难以确定初始中心以及受异常点影响很大等缺点,提出了一种改进的k-means聚类算法。改进后的算法首先使用复合形粒子群算法来选取聚类的初始中心点,然后使用k-means算法快速收敛获取聚类结果。Iris测试数据集的实验结果表明了改进后的算法能够合理区分不同类型的簇集,可以有效地识别异常点,具有较好的性能。     

基于主题概念空间的文本模糊c-均值聚类方法

为了改善文本聚类的准确度,提出用基于主题概念子空间的模糊c-均值聚类(TCS2FCM)方法来分类文本.采用5个评估函数的加权值来提取关键短语;利用WordNet对相应的关键短语提取概念短语并生成最后的类别描述.初始中心和初始隶属度矩阵的建立是决定模糊c-均值聚类效果的关键,使用能够代表文本主题的概念短语来建立相互正交的主题概念子空间,利用主题子空间中的概念向量来初始化聚类中心和隶属度矩阵.实验结果表明:不同于传统模糊c-均值聚类的随机化初始,与文本内容相关的初始化有助于改进最后的聚类结果,提高聚类精度.     

无约束的粒子群优化算法

粒子群优化算法最早是针对无约束连续优化问题而提出的。通过总结传统粒子群优化算法改进的研究工作,介绍了一种针对无约束函数优化问题的基于混沌搜索的粒子群算法和一种结合模拟退火策略的粒子群算法。这两种算法实用性较强、优化效果明显。     

粒子群与差异演化的混合进化算法研究

将标准粒子群（PSO）算法和差异演化（DE）算法混合进行进化,把差异演化算法的优势带入到粒子群算法中,利用差异演化算法其本身具备的对粒子个体的交叉和变异操作使标准粒子群算法种群保持寻优所需的多样性．并将这种算法与标准粒子群算法、G-PSO算法等进行了对比研究,通过混合进化的方法使粒子群种群保持多样性,实验结果表明新算法避免陷入“早熟”或“停滞”的能力大大提高．     

基于改进PSO算法的酒精发酵过程补料优化

针对基本粒子群优化算法存在的早熟收敛问题,提出了一种保持粒子活性的改进PSO算法:当粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,使粒子能够有效地进行全局和局部搜索,并将改进的PSO算法应用到酒精流加发酵过程的补料优化。实验结果表明,运用改进的PSO算法在进行流加发酵过程的补料优化时,它的寻优性能良好,而且寻优速度很快,可以提高最终产物14%的产量。     

粒子群优化算法及其应用

介绍了粒子群优化算法及该算法的优越性,并与遗传优化算法进行了比较;针对经典粒子群算法存在的不足,介绍了一个改进的动态改变惯性权的自适应粒子群算法;最后,以神经网络为例给出了粒子群优化算法的应用.     

改进的小生境粒子群优化算法

传统的小生境粒子群优化算法（NPSO）需要两个参数的输入,一个是判断子群合并的阈值,另一个是子群产生的阈值。参数设置的不当,将直接影响计算结果。引入一个函数判断两个点是否在同一座山峰上,以克服NPSO算法需要输入参数的弊端。在程序运行时,无须严格限定小生境的半径,也不需太多的先验知识。实验结果证明,该算法合理有效,能够能快速有效地找到多峰函数的全局最优点。     

一种改进的粒子群优化算法

为了克服传统粒子群算法（Pso）的早熟和局部最优问题,通过分析基于惯性权重的粒子群优化在粒子寻优过程中的可行性,提出了一种变惯性权重的改进PSo算法,并对经典的测试函数进行TN试。实验结果证明,与传统PSO算法以及基于惯性权重的PSO相比,改进算法的寻优效果较好,全局搜索能力有显著提高,并能有效地避免早熟收敛问题。     

阵列天线方向图综合的粒子群优化算法

介绍了粒子群优化算法的基本原理;给出了基于这种进化计算技术的阵列天线方向图综合方法;对粒子群优化算法和遗传算法的特点进行了对比研究,同时对基本粒子群优化算法提出了一种改进策略。研究表明,粒子群优化算法是一种稳定性好,易于实现并行计算的优化算法,在阵列天线方向图综合中具有良好的应用前景。     

粒子群算法及其哲学启示

粒子群优化(PSO)算法是一种模拟自然生物群体(swarm)行为的优化技术。PSO算法源于对鸟群觅食行为的研究,该算法简单易实现,可调参数少,已得到广泛研究和应用。PSO算法不仅仅是种算法,更是一种学习和思维的创新,体现出学科之间交互所发生的一些突破。它不但是计算机理论上极大的理论创新,而且在哲学上也具有丰富的内涵。对此进行了论述。     

基于改进粒子群算法的神经网络在月降水预报中应用

针对粒子群算法易陷入局部最优和寻优精度比较低等缺点,提出一种基于随机惯性权重和异步变化策略的学习因子的粒子群算法优化神经网络连接权重和阈值,并以此建立月降水预报建模研究.以广西桂北地区的月降水量实例分析,并与标准粒子群优化神经网络模型、随机权重的粒子群神经网络模型和神经网络模型对比,结果表明,该方法学习能力强和预测精度高,是一种有效的建模预报方法.     

面向全局优化的混沌粒子群遗传算法

结合遗传算法(GA)和粒子群算法(PSO)的优点以及混沌运动的特性,提出了混沌粒子群遗传算法(CPSO-GA),并使用五个高维非线性测试函数考察此算法的性能。在固定进化代数、所调用目标函数次数接近以及固定收敛精度三种情况下对算法进行数值试验,结果表明,与其他文献中提出的算法相比,CPSO-GA能100%地找到最优解,收敛效果及寻优能力好,并能有效摆脱局部极小点,且调用目标函数次数最少,大大降低了计算量。     

基于粒子群优化RP网络短期电力负荷预测方法

针对常规BP网络收敛速度慢,易陷入局部极小值等问题,采用L—M算法对网络进行训练,利用改进粒子群算法优化BP网络初始权值和阈值。将该方法应用在南方某市短期电网负荷预测中,预测结果表明,相较于常规BP网络、L—M算法改进预测模型,该预测算法在预测结果精度和速度上均有较大幅度提高。