自适应粒子群算法在水库优化调度中的应用研究

采用自适应粒子群算法（APSO）对水库优化调度问题进行了研究。建立了问题的数学模型，提出了该算法的工程实现方法，编制了基于Matlab语言的优化计算程序。三插溪水库的仿真实例表明：APSO算法较PSO算法的收敛性能更好，APSO算法在搜索晚期具有更强的局部搜索能力，更容易找到最优解。与遗传算法相比，APSO算法采用的参数少，实现简单，收敛结果更优。可见，APSO算法在水库优化调度问题上的求解是可行有效的。     

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。     

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.     

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．     

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。     

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。     

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.     

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。     

一种快速自适应粒子群算法

为了解决标准粒子群优化算法(SPSO)不能适应复杂非线性优化过程的问题,提出了一种动态改变惯性权重的快速自适应粒子群优化算法(QAPSO),直接利用群粒子的位置分布情况控制粒子飞行的惯性权重,借助于个体最优位置和全局最优位置的平均作用避免粒子陷入局部最优。通过多个基准函数仿真结果表明,在不引入额外设计及增加实现复杂度的前提下,相对于SPOS等经典算法,QAPSO在收敛速度、最优解精度等方面获得了大幅提升,尤其对于多峰函数效果更明显。     

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.     

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．     

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。     

基于混沌振荡粒子群优化的FCM文本聚类方法

针对模糊C均值聚类算法易于陷入局部极值的问题,设计了一种基于混沌振荡粒子群优化的模糊C均值聚类方法。该方法在标准PSO算法中设计了一个振荡环节并引入混沌理论以增加算法的多样性和收敛性,接着把优化后的PSO算法和模糊C均值聚类算法相结合。文本聚类的仿真实验表明,相对于PSO-FCM算法和FCM算法,CCPSO-FCM算法具有良好的全局搜索能力和收敛速度,聚类效果良好。     

粒子群优化在股指预测中的应用

BP神经网络由于自身的缺陷,导致训练时间长且易于陷入局部极小点,易导致股指预测精度不高．将粒子群优化算法用于神经网络的学习训练,可改善它原有的缺陷,并用于对股指的预测．实验结果表明,与BP神经网络相比,基于粒子群优化的神经网络对股指的预测精度更高．     

群体智能及其在建筑设计上的应用探索

本文介绍了群体智能算法的出现及其相关的理论和群体智能算法模式.探索研究了群体智能之PSO算法的原理和其在建筑设计上的应用.展示了群体智能在现实应用领域中存在的巨大潜力.