微粒群算法研究与应用分析

微粒群优化算法(PSO)是一种进化计算技术,通过微粒间的相互作用发现复杂搜索空间中的最优区域。本文介绍了微粒群算法的产生,标准微粒群算法及流程,算法参数.围绕微粒群算法的改进形式,算法的应用等方面对微粒群算法的研究现状进行综述。     

基于正交设计的差分演化算法

提出了一种基于正交的差分演化算法(OBDE),算法的特点是利用正交数组产生初始种群,它比随机产生的初始种群更均匀地分布在解空间中,而且在正交设计的基础上提出了一种新的杂交算子,与差分演化相结合,提高了种群的多样性和算法的局部搜索能力。最后,对6个多峰函数进行了测试。数值实验表明,新算法正确高效,隐定性好。     

一种新型的求解约束优化问题的微粒群算法

本文提出了一种新的求解约束优化问题的微粒群算法。首先提出了三种构造初始微粒群的算法,然后给出了保证微粒在可行域内运动的混合微粒群算法。通过测试函数的对比分析,说明了该算法的有效性。     

微粒群算法参数设置的正交试验分析

微粒群算法(PSO)提出后,由于其优越的性能和易用性而得到了广泛的应用。传统PSO在算法参数设置上主要凭研究者经验进行选择,难免存在主观随意性偏差。采用正交试验设计的方法对PSO算法的w、c_1、c_2参数设置进行试验分析,从而提出较好的参数设置。通过对4个标准测试函数的实验分析,结果显示当w=1、c_1=c_2=3时算法有较好的性能。     

二阶微粒群算法的理论研究

基于微粒群算法进化思想提出的二阶微粒群算法,从理论上分析此算法可以提高其性能及在实际生活中的应用.首先运用递归方程分析微粒运动轨迹的位置和速度,推导出微粒的轨迹与速度收敛条件,然后选取两组参数用MATLAB仿真验证其合理性.最后利用4个测试函数与标准微粒群算法进行比较.实验结果表明,二阶微粒群算法能够更快更好地收敛于全局最优.     

微粒群算法速度与位置更新的稳定性分析

微粒群算法已经成为一种高效容易实现的方法.微粒群算法根据鸟群捕食行为抽象而来,但是目前很少有文献分析该算法在循环中改变速度和位置的稳定性.本文以基本微粒群算法为例,利用差分方程,常微分方程和线性系统控制理论对算法的更新公式进行了分析,给出了算法稳定的条件.     

改进型微粒群算法语言模型的研究

语言模型具有很好的可理解性特征,但在多数情况下,其精确性是难满足要求的。利用改进型微粒群算法优化输入变量的语言值及对应的正交模糊集参数,再应用Wang方法以形成语言模型,在保持可理解性的情况下,获得较精确的语言模型。改进型微粒群算法采用惯性权重自适应动态调整策略,结果显示该改进算法在语言模型过程中更容易获得全局最优解,学习效率和优化性能明显提高。     

基于Powell算法的改进微粒群算法

提出一种与Powell算法相结合的新型改进微粒群算法——Powell-PSO.改进算法将粒子的搜索过程分为两阶段,第一阶段,将标准微粒群算法的速度公式加以改进进行搜索;第二阶段,将第一阶段的最后一代粒子作为Powell算法的初始点,让Powell算法与PSO算法交替进行.这样既克服了微粒群算法陷入局优的缺点,也大大提高了算法的求解精度,同时提高了收敛速度并保持了微粒的多样性.仿真结果表明：与标准微粒群算法相比,Powell-PSO具有较高求解精度和较强寻优能力,并且不论是对单峰还是多峰函数都能取得较好的优化效果.     

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.     

一种改进的全局和声搜索算法求解函数优化问题

针对和声搜索算法的早期收敛速度快,后期收敛慢,容易陷入局部最优解的问题,本文提出了一种改进的全局和声搜索算法.该算法对标准和声搜索算法作了三点改进,首先在和声记忆库初始化时采用反向学习策略,提高初始解的质量,提高收敛速度,其次,采用动态方式调整参数,第三,利用当前和声记忆库中的全局最优解产生新解,提高全局搜索能力.采用该算法对6个标准的测试函数进行优化,结果表明,该算法避免算法的早熟和增强算法的全局搜索能力,具有较好的优化性能.     

一种改进的全局优化进化算法

提出了一种改进的全局优化进化算法.该算法采用实数编码,通过对可行域量子化用正交设计产生初始种群,用正交设计和因素分析设计杂交算子.在进行杂交之前,根据两个个体变量之间的距离恰当地应用高斯变异,平衡了算法的局部搜索能力和全局搜索能力,从而提高了算法的效率.最后的数值结果显示了该算法的有效性.     

区间-粒子群算法求解非线性方程组

将粒子群算法的群体搜索优点和区间算法的区间分析相结合,提出了一种求解非线性方程组的区间-粒子群算法.在迭代过程中,先用粒子群算法的全局收敛性和群体搜索能力得到近似解,再用区间算法的精确搜索能力快速得到高精度的解.数值实验表明：该算法能在较大范围的初始区间内快速可靠的迭代得到高精度的解,是求解非线性方程组的一种有效的算法.     

基于邻域思想改进的微粒群算法

该文从基本微粒群算法社会行为分析的基础出发,分析了微粒群算法局部最好模型和一种基于邻域思想的微粒群算法与基本微粒群算法的关系。为了改进微粒群算法的全局和局部搜索能力,避免算法陷入局部优化,该文通过借鉴使用较为稳定的元胞自动机邻居模型中扩展摩尔型邻域,同时利用了元胞自动机的一些理论,提出了基于邻域思想改进的微粒群算法。实验结果表明,该方法在函数优化中能有效地进行全局搜索。     

曲面最短路径的粒子群优化算法研究

求两点沿自由曲面最短路径的关键是正确选择两点间沿曲面的路径.粒子群优化算法(PSO)是一种全局性的概率搜索算法,它在整个问题空间实施搜索,可以得到问题的全局最优解.将粒子群优化算法的思想引入到路径寻优中,采用圆弧逼近法进行初始逼近,提出了解决自由曲面最短路径的随机搜索算法.最后给出了数值实例,结果表明该算法具有容易实现、运算量小等特点.     

基于元胞自动机改进的微粒群算法

该文在分析微粒群算法局部最好模型几种邻域结构特点的基础上,提出了基于元胞自动机改进的微粒群算法。该算法从元胞自动机的建模思想出发,指出了微粒群算法本身就是一个元胞自动机,从而利用元胞自动机的理论对微粒群算法进行分析改进。实验结果表明,该算法不仅在单峰函数和多峰函数的优化中表现出了较好的性能．而且还适合比较广泛范围函数的优化。     

微粒群算法综述

微粒群算法是一种新的基于群体智能的优化算法。文章介绍了微粒群算法的基本原理及其改进算法,并对其在理论研究和技术应用两方面的研究现状和未来的发展方向进行综述。     

纤维素酶水解蓝莓果渣工艺条件的研究

采用纤维素酶对蓝莓果渣进行糖化水解,以增加料液中还原糖和花青素的含量,进而提高原料的利用率。试验研究了酶添加量、酶解初始pH、酶解温度及时间4个因素对水解效果的影响,先后采用单因素试验和正交设计试验对水解工艺条件进行优化,并经验证得出最佳工艺条件为:纤维素酶添加量40FPU/g果渣、初始pH4.8、酶解温度50℃、酶解时间持续24h,此条件下蓝莓果渣酶解液中的还原糖含量达14.21 g/L,花青素浓度为0.35g/L。     

协同微粒群算法研究综述

微粒群算法(Particle Swarm Optimization,PSO)收敛速度慢,精度不高,收敛过程中降低了种群多样性,易陷入局部最优。为此,提出协同微粒群算法。协同微粒群算法采用维数划分重新组合的协同模型,收敛速度快,搜索范围大,收敛精度较高。“孤岛模型”和“邻域模型”是协同微粒群算法采用较多的两种模型。“孤岛模型”的协同微粒群算法要等到所有子种群全部达到更新周期后才进行比较,将此时的全局最优值作为共享信息。“邻域模型”的协同微粒群算法每隔R代,相邻两个子种群之间就进行信息交换。基于“邻域模型”的协同微粒群算法收敛效率更快。为了在全局开发和局部搜索之间实现较好平衡,在协同微粒群算法基础上引入综合学习策略,以有效利用共享信息实现更好的搜索结果。     

数据缺失下微粒群优化特征选择方法

针对数据缺失这一普遍情况,提出一种改进的微粒群优化特征选择方法.首先,采用多重插补方法对缺失的数据进行插补,得到完整数据集;然后,采用k折交叉验证法计算分类器的精度,并在算法运行后期,对微粒群进行K均值聚类,从中选择微粒的全局最优点;最后,通过UCI中4个典型测试问题,仿真验证了所提算法的有效性.     

微粒群算法在改进基于卡尔曼滤波的飞机航迹融合上的应用

微粒群优化算法(PSO)是一种有效的随机搜索方法,它由模拟鸟群的社会行为发展而来,基本思想是通过群体中个体之间的协作和信息共享来寻找最优解,其优势在于简单、容易实现并且没有许多参数的调节。将微粒群算法应用到改进基于卡尔曼滤波的航迹融合上,并进行数据仿真。实验结果表明,该方法具有较高的正确性和较强的有效性。