不同惯性权重设置的粒子群算法的仿真实验

惯性权重是粒子群算法的一个重要参数.为了验证惯性权重对粒子群算法性能的影响,选取3个有代表性的惯性权重设置,与线性权值递减策略进行各个方面的比较,采用3个标准测试函数测试这些策略对算法的影响.实验结果表明采用w1PSO的惯性权值设置方式,所取得的效果要优于其他惯性权值策略.     

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。     

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．     

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．     

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.     

粒子群算法在求解非线性方程组中的应用

求解非线性方程组是科学技术和工程应用中的常见问题.文章把求非线性方程组的解归结为一个函数优化问题,并将带惯性权重粒子群算法用于非线性方程组的求解中,克服了牛顿法初始点不宜选择的问题.试验结果表明算法的有效性和可行性.     

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.     

简化粒子群优化算法改进研究

简化粒子群优化算法（sPSO）去掉了PSO中的速度项,使算法性能有了显著提高。文章以该算法为基础,讨论了sPSO的改进方向,然后提出了惯性权值优化的简化粒子群优化算法（wsPSO）以及带极值扰动和惯性权值优化的简化粒子群优化算法（wtsPSO）,并通过实验验证了改进的有效性节。     

基于粒子群优化的NLOS环境的节点定位算法

无线传感网络的非视距NLOS(non-line-of-sight)环境是影响测距定位精度的重要因素。本文提出了基于粒子群优化PSO(particle swarm optimization)的NLOS环境的节点定位NLOS+PSO算法。NLOS+PSO算法采取惯性权重的非线性调整策略,提高了算法的收敛速度。同时,对目标值进行排序,摒弃性能差的粒子,可降低计算量。实验数据表明,在非视距环境中,所提出的NLOS+PSO算法可提高定位精度,抑制NLOS测距误差,提高收敛速度。     

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.     

一种自适应变异二进制粒子群算法

针对二进制粒子群算法(BPSO)具有过早收敛的缺陷,在粒子位置更新后提出变异概率自适应从大到小的变异操作。 同时对算法惯性权重参数采用递增的设置方案,从而得到一种自适应变异BPSO 算法(AMBPSO),将其应用于特征选择问题。 实验结果表明,提出的新算法前期具有较强的全局搜索能力,后期具有较强的局部搜索能力,能使平均选择特征数量最多从27.6 个减少到20.2 个,平均分类准确率最多从91.346%提升到94.135%。     

带自适应变异的粒子群优化算法改进研究

针对函数优化的非线性特点,在标准粒子群优化算法的基础上,提出了一种带自适应变异的粒子群优化算法.该算法对惯性权值进行参数设计,建立非线性递减策略曲线模型,通过设置校准系数,改变惯性权值的曲线变化率,使其随迭代过程进行自适应变化.通过在迭代初期选取较大的惯性权值,增强算法的局部寻优能力,加快算法收敛速度,而在迭代后期选取较小的惯性权值,提升算法的全局搜索性能.同时,在算法中引入变异机制,增加种群的多样性,从而更好地提升算法由局部到全局的开放式搜索能力.通过选择基准测试函数对几种算法进行性能测试,证明改进算法收敛速度快、精度高,总体性能优于对比算法.     

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。     

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。     

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。     

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。     

粒子群优化算法及其参数设置的研究

文章介绍了粒子群优化算法的基本原理,分析了其特点,并利用经典统计分析中的方差分析方法,分析了粒群算法中的惯性权值、加速因子的设置对算法基本性能的影响,给出算法中的经验参数设置,最后对其未来的研究提出了一些建议.     

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。     

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.