一种基于径向基函数插值的全局优化算法

通过将径向基函数插值方法嵌入到遗传算法中,得到了求解全局优化问题的一种混合算法.该混合算法是在径向基函数插值方法的基础上进行改进的,这种改进提升了黑箱函数全局优化的收敛效果,发挥了传统数值算法在计算速度与计算精度上的优势,既能简化所求解问题,也能全局搜索.     

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。     

动态系统中粒子群优化算法综述

粒子群算法是一种群智能随机优化算法,通过粒子间的合作与竞争,寻找优化问题极值,目前被广泛应用于动态优化问题的求解中。对动态系统中粒子群优化算法进行研究,介绍了粒子群算法基本原理、动态系统分类,以及两种动态优化问题的具体表达形式,并阐述了粒子群算法在动态系统中的3种优化方法及其应用。     

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.     

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。     

粒子群算法在多峰值函数优化中的应用

粒子群算法是一种基于群体的智能算法,具有较强的全局搜索能力,并能通过对一定数量粒子的迭代运算获得问题的全局最优解。将粒子群算法应用于多峰值函数优化中可以避免常规方法难以同时搜索出多个极值而陷于局部极值的问题。基于matlab平台的仿真实验中,引入粒子群初始化位置拥挤距离检测,并在peaks函数上进行测试,可以有效实现全局和局部搜索,并能较好地保持粒子的多样性,从而获得多峰值函数的最优解。     

基于粒子群算法的可靠性优化

系统可靠性优化已被证明是一个NP完全问题,不存在精确的求解方法。人们构造了大量的启发式算法,如遗传算法(GA),蚁群算法(ACO),模拟退火算法(SA)等。针对各种算法所存在的早熟收敛,易陷入局部极值点的缺点,提出了将粒子群算法(particle swarm optimization,PSO)用于求解可靠性问题。给出了基于粒子群算法的可靠性优化求解策略,根据数学模型,详细讨论了求解步骤,最后给出了实验仿真结果。结果表明该算法具有较强的局部搜索能力,同时也有更高的搜索效率,与其它方法相比,该算法能够找到更优解,验证了该算法的可行性和有效性。     

基于进化算法的隐神经元可调径向基函数网络

本文提出了一种改进的称为隐神经元可调径向基函数神经网络 (HNMRBF) ,并且应用进化规划算法作为聚类算法来决定和修改HNMRBF网络的隐神经元 .最后 ,我们使用基于进化规划算法的HNMRBF网络来进行被动声纳信号目标的分类 ,结果表明HNMRBF网络能有效地解决用传统神经网络时所遇到的问题 ,即在线学习新的目标模式时往往会遗忘旧的模式 .     

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．     

基于粒子群算法的排课系统设计

排课问题是一个有约束的、多目标的组合优化问题.在针对遗传算法在求解该问题时搜索效率较低的情况下,提出了一个基于粒子群的排课算法.在算法设计过程中,考虑排课过程中所出现的各种时间、空间资源的冲突情况,设计了一种基于粒子群优化算法来实现时间和空间两种资源的优化.利用C#程序设计语言实现了基于粒子群算法的排课系统,实验和测试结果也验证了其有效性和系统的可用性.     

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.     

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。     

模拟退火改进粒子群优化算法求解优化问题

针对粒子群优化算法后期易陷于局部最小的缺点,引入模拟退火思想,建立模拟退火—粒子群优化算法。通过求解函数优化问题对比实验,表明改进后的粒子群优化算法增强全局寻优能力,搜索成功率大为提高。     

无线传感器网络中基于径向基函数的簇首选择

采用一种神经网络算法——径向基函数来选择无线传感器网络的节点簇首,它具有并行处理能力、分布式存储以及快速学习等优点.通过分析得出与节点作为簇首相关的4个因素:节点的剩余能量,周围分布的节点的数目,中心度和距离基站的位置.把这4个因素作为神经网络的输入变量,输出变量就是该节点作为簇首的适应度值.根据网络规模的大小,基站选出一组作为簇首的节点,然后广播作为簇首的节点号的消息.如果一个节点被选为簇首,就向周围广播自己的身份并成立一个新簇,周围的非簇首节点要求加入该簇并成为它的成员.每簇中由簇首负责管理它的成员并执行数据融合等功能.实验结果表明,与其他算法相比,该算法能显著地延长传感器网络的生命.     

基于混合学习算法的径向基函数神经网络设计

隐藏层中心点参数的选择和权值向量的快速计算是径向基函数神经网络设计的关键问题.基于"半月"数据集,论文提出了一种上下半月单独计算聚类中心的K-均值聚类、递归最小二乘算法计算权值向量的混合学习算法.基于三层RBF神经网络结构,以支持向量机作为分类器,开展了K-均值+最小均方算法及K-均值+递归最小二乘算法2种混合模式的对比实验.实验结果表明,"K-均值+RLS"算法相比"K-均值+LMS"算法具有更快的收敛性,在应对线性不可分的情况,上下半月单独作用的K-均值聚类算法表现更优越,综合考虑收敛速度及分类精度两个指标,论文提出的上下半月单独计算中心点的K-均值聚类+RLS的混合学习算法获得较优的性能.     

基于径向基函数网络与WebGlS的茶叶病害预测

利用GIS空间分析与MATLAB数值计算功能的进行模式整合,应用MATLAB神经网络工具箱,从GIS服务器调用参数信息建立RBF神经网络预测模型,将内容反馈给服务器,形成GIS与预测模型的无缝连接,通过We—bGIS对预测模型进行实时动态显示,实现对茶叶病害的预测、查询和诊断。此外,系统具有对空间、属性数据的分析与处理功能,并将抽象的数据转化成清晰简明的电子地图,以直观的图、袁显示病害类型及病害地域分布规律,为茶叶病害的诊断防治提供快捷、高效的服务。     

基于遗传算法的径向基神经网络学习算法

文章对径向基神经元网络（Radial Basis Function Neural Networks,以下简称为RBFNN）结构进行了分析,提出了应用遗传算法训练径向基网络的算法,并将该算法训练的网络用于10个数字的识别,相对于最近邻聚类学习算法和BP网络来说,识别效果和精度均有提高。     

基于改进粒子群算法的基站选址优化模型

科学技术的快速发展促进了通信网络规模的不断扩大。伴随通信宽带使用量的逐渐增长,基站的覆盖能力正在缩小,使得覆盖同样的区域,所需要的基站数量变得更多。建立基于改进粒子群算法的基站选址优化模型,利用此模型,可以得出新建基站的最优站址,规划新基站的建立,这些新建基站能解决信号覆盖较弱区域的覆盖问题。基于改进粒子群算法的基站选址优化模型,可以为各大运营商在规划建立新基站时提供指导性帮助。     

基于修补粒子群算法的动态网格数据流优化

针对粒子群优化算法存在的早熟收敛问题,提出了一种既保持粒子活性又保证粒子快速收敛于全局极值点的修补粒子群算法.在修补更新方程中设置参数以限制粒子在搜索区域内、采用减弱速度更新的策略减少速度更新的次,如果种群多样性逐步减小下限时,种群纷纷远离该最优位置,而当种群多样性逐步增大超出上限时,种群又开始向整体最优位置靠拢,从而保持了粒子的多样性.数值实验结果表明,算法在解决问题上表现出了良好的性能.