一种改进的粒子群算法研究

为了克服粒子群算法易发生早熟收敛、后期迭代速度较慢、易陷入局部最优的缺点,提出了一种改进的粒子群算法。该算法采用非线性动态自适应的更新权重,进一步提高收敛速度;通过引入差分进化算法中的交叉算子,以提高算法的全局探索能力,利用差分进化算法的变异策略产生候选解,克服种群多样性的下降,以跳出局部最优。利用该算法对2个测试函数进行寻优,仿真结果表明,文章提出的算法是一种收敛速度快、收敛精度高的全局寻优算法。     

基于动态权值的PSO算法的多传感器数据融合

针对标准粒子群算法的缺点,在原有算法的基础上,提出一种动态权值的粒子群优化算法,使得粒子在迭代过程中惯性权值随粒子进化度和聚合度的变化而改变,并将其尝试性的运用到数据融合领域．实验结果表明,改进的PSO算法能近似最优地确定数据融合中各权值因子,使融合在信息源的可靠性、信息的冗余度／互补度以及进行融合的分级结构不确定的情况下,以近似最优的方式对传感器数据进行融合．     

一种基于粗糙集和粒子群优化算法的权重确定方法

为了克服基本粗糙集理论确定权重的不足,提出一种新的基于粗糙集和粒子群优化算法的权重确定方法.该方法先利用粗糙集和粒子群优化算法对决策表进行属性约简,对约简后的决策表再用粗糙集方法计算属性权重.运用该算法对教师职业倦怠与压力数据进行分析,得到影响教师职业倦怠的各种压力因子的权重.研究结果表明,基于粗糙集和粒子群优化算法可以对决策表的权重进行有效的分析.     

基于粒子群优化算法的散乱数据光顺拟合

在散乱数据光顺拟合问题的计算中,引入了群体智能粒子群优化算法,增加了计算的自动程度以及客观性,优化中提出了优于传统罚函数法的模糊罚函数法,将模糊集合理论和粒子群优化算法有机地结合起来,并通过对节点序列内在关联性的分析,提出了适合邻域搜索类算法实施的邻域结构,以获得目标函数的全局解,最后给出了数值仿真实例。     

粒子群优化算法研究

为更好地改进粒子群优化算法（Ps0）并为深入研究该算法提供相关资料,在分析PSO的基本原理和对算法在惯性权重、收敛性等方面进行深入调查的基础上,介绍了算法的多种改进形式和研究现状,阐述了PSO的数学研究现状与发展趋势,指出对PSO系统的理论研究及其性能的进一步改进和应用是PSO的发展趋势．     

基于粒子群优化的图像边缘融合算法

目前,图像融合算法大多利用源图像信息进行融合,融合模型的建立和融合参数的配置主要依赖于经验,存在随意性。提出了一种基于粒子群优化的图像边缘融合算法：首先对源图像进行多尺度边缘检测;然后利用边缘相关性作为目标函数,采用粒子群算法优化搜索融合参数;最后利用融合后的多尺度边缘重构出融合图像。该算法克服了融合模型对经验的依赖性,使得源图像边缘信息最大量地保留在融合图像中。仿真结果表明,使用该算法得到的融合图像能够有效包含源图像信息。     

惯性权重自适应计算的粒子群优化算法

针对标准粒子群优化算法易出现早熟收敛及寻优精度低等缺陷,提出一种自适应惯性权重计算方法 MACIW,该方法的基本思想是:构建保持大小关系恒成立的惯性权重计算式的集合,确立该集合与粒子聚集度因子之间的映射关系,依据该映射关系通过监测粒子聚集度因子来自适应地计算惯性权重。进一步地,设计了基于MACIW的自适应PSO算法APSOM。使用6个基本测试函数对APSOM算法及其他2个算法进行仿真实验比较,结果验证了算法APSOM能增强寻优能力,且具有较强的稳定性。     

LDW PSO算法及其在电网无功优化中的应用

利用LDW PSO算法解决了输配电网的无功优化补偿问题。阐述了无功优化补偿的数学模型以及LDW PSO算法优化步骤。工程实例验证表明,该方法降低了网损,且所有节点电压都满足要求,在节能降耗方面具有较大优势。     

改进粒子群优化算法下的视频目标跟踪方法

提出一种基于改进的粒子群优化算法的视频目标跟踪方法,对视频目标跟踪问题模型进行分析设计,建立一种视频目标跟踪的四维参数模型,针对该模型使用粒子群优化算法寻求最优解。分析视频目标跟踪场景的特性,使用模式匹配相关系数作为粒子群算法的适应度估计函数,同时引入动态调整粒子群算法的惯性权重参数的改进方法,避免传统粒子群算法过早收敛,陷入局部最优的问题。实验测试表明该算法相较于传统算法,在视频目标的跟踪上具有更佳的检测精确度和跟踪稳定性。     

神经网络与若干智能方法的融合研究

人工神经网络作为人工智能领域中的一个重要分支,一直以来都是人们的研究热点。介绍了人工神经网络技术与几种智能方法融合的应用发展,归纳了BP神经网络学习算法的基本思想,着重论述了目前有关神经网络融合方面的研究热点,即神经网络与专家系统、模糊逻辑、压缩映射遗传算法、粒子群优化算法的融合思想与方法。     

粒子群算法中惯性权重研究及实验分析

惯性权重是粒子群算法的一项重要参数,其值变化形式直接影响粒子群算法的性能。在介绍粒子群基本算法的基础上,分析已有固定惯性权重、时变惯性权重和动态自适应惯性权重粒子群算法的基本原理。通过4个典型测试函数的仿真实验,证明不同算法的收敛速度和全局寻优能力。     

基于改进PSO的多传感器数据自适应加权融合算法

加权融合算法是多传感器数据融合中的常用方法,但加权因子的确定非常困难并直接影响算法的性能.文章提出利用改进的粒子群优化算法对各个传感器的加权因子进行自适应优化,引入种群进化度、聚合度来反映种群的多样性,当种群多样性低于阈值时执行变异操作,并交替使用基于聚合度、进化度的自适应惯性权重函数,从而避免算法陷入局部最优解.通过UCI数据集测例表明本文算法是一种较有效的多传感器数据融合方法,相对其它算法具有较高的融合精度.     

粒子群优化算法发展综述

粒子群优化（PSO）算法是一种源于人工生命和演化计算理论的优化技术．PSO通过粒子搜寻自身的个体最好解和整个粒子群的全局最好解来更新完成优化．该算法原理简单，所需参数枝少，易于实现，目前已经应用到很多领域．文章阐述了基本PSO的原理。给出了各种改进技术，并展望了PSO的发展方向。     

基于生物地理优化算法的数值积分方法实验

根据不等距节点原理,利用生物地理优化算法求解数值积分。介绍了生物地理优化算法的基本原理,定义了栖息地适应性指数、适合指数变量等参数,给出了迁移和变异操作的数学模型。根据数值积分不等距节点原理,在积分区间内任意选取一定的节点,采用生物地理优化算法优化这些节点求取积分值。最后,利用Matlab软件进行了仿真和实验,以证明该算法的有效性。典型的数值积分函数实例仿真表明,利用生物地理优化算法求解数值积分具有精度高和自适应强的特点,计算结果好于粒子群算法、梯形法和Simpson法。     

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。     

异类传感器数据融合的一种新算法

针对雷达与红外传感器的数据融合的特点,在融合过程中采用了多传感器概率数据互联滤波(MSPDAF)算法,并给出了雷达与红外传感器的数据融合的具体步骤。     

一种非线性递减惯性权重策略的粒子群优化算法

目的改进基本粒子群算法的一些缺点．基本粒子群算法是一种有效的寻找函数极值的演化计算方法．它简便易行，收敛速度快但此算法也存在收敛精度不高，易陷入局部极值点的缺点．方法对原有算法中的固定惯性权重进行改进．结果提出一种非线性递减惯性权重策略的粒子群优化算法．结论对六种具有代表性的测试函数进行了仿真实验．并与基本粒子群算法中惯性权重分别取固定权重、线性递减权重进行了比较，说明了非线性递减惯性权重策略的粒子群优化算法具有更好的性能和全局搜索能力．     

基于MATLAB的粒子群优化算法程序设计

阐述了粒子群算法的基本原理,探讨了在MATLAB环境中实现粒子群算法的编程方法,构建粒子群算法工具箱函数,通过仿真示例验证了该方法的有效性,表明它能够对函数进行全局优化.     

非线性随机扰动的粒子群优化算法

在惯性权重非线性递减策略的基础上,引入小阻尼振荡函数,提出一种新的非线性递减随机扰动的粒子群算法,通过2个基准测试函数对算法性能和收敛性进行了分析.实验仿真表明：相对于标准粒子群算法,新策略加快了收敛速度,在一定程度上避免了粒子群优化算法的早熟收敛问题.     

改进的微粒群优化算法

该文针对基本微粒群算法（Particle Swarm Optimizaton,简称PSO）存在的早熟收敛问题,提出了一种改善粒子活性的改进微粒群（IPSO）算法。当粒子逐步失去活性时,对粒子按一定的概率重新以一定的方式进行赋值,达到激活该粒子的目的,使粒子能够有效地进行全局和局部搜索。通过函数优化测试,结果表明IPSO算法不仅具有较快的收敛速度,而且能够有效、稳定地提高函数优化精度。