群智能算法及其应用

群智能算法是一种新兴的演化计算技术,它已经成功地被运用于许多领域。实践证明,群智能方法是一种能够解决许多全局优化问题的有效方法。本文介绍了群智能理论的产生和发展过程,并着力阐述群智能理论中的两个主要算法（粒子群算法和蚁群算法）的算法思想以及研究现状。     

基于PSO优化的神经网络在边坡稳定性评价中的应用

本文首先介绍基于PSO优化的BP神经网络算法;并在此基础上,考虑影响边坡稳定性分析的包括岩石容重、粘聚力、内摩擦角、边坡角、边坡高度、空隙水压力等各种自然因素,以文献中土质边坡工程的数据为例,用基于PSO优化的BP神经网络算法对边坡稳定性进行评价。最后将评价结果与传统BP方法计算结果进行逐一对比,结果证明该方法不仅能满足边坡稳定性评价的精度要求,而且还可以加快训练收敛速度,其泛化性能也比较好,使得边坡稳定性评价更为便捷迅速,从而证明该方法具有一定的推广应用价值。     

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。     

PSO—RBF在网络入侵检测识别系统中的应用

针对RBF的参数选取的局限性造成检测效率低下的情况,提出一种PSO-RBF的算法,使用粒子群优化算法对RBF中权值、中心和方差三组参数进行优化设置,使三组参数的选择更加符合实际情况,提高了检测效率。将PSO-RBF算法应用到网络入侵检测识别系统中,结果表明该算法具有很好的检测率以及误报率,同时实验也证实了算法的可行性。     

基于改进PSO算法的电力系统无功优化

本文采用的无功优化数学模型虑了系统的实际约束条件和无功调节手段,能够准确直观地反映电力系统无功优化的实际问题。在此基础上对基于粒子群算法的无功优化作了深入的研究,尝试利用粒子群优化算法对无功优化问题进行求解。对常规粒子群算法的搜索策略进行了改进,对约束条件、离散变量都采取了一定的改进处理措施。以IEEE-6节点系统为例进行了仿真计算,验证了本文模型和算法的正确性、适用性和经济性。     

基于PSO和Fuzzy的PID控制及仿真

针对PID控制中比例、积分与微分系数难整定和控制存在速度与超调相互矛盾的问题.提出一种结合粒子群优化(PSO)算法和模糊(Fuzzy)理论进行的PID控制.利用PSO整定到的参数进行模糊PID控制,仿真结果表明,控制上升速度快,过渡时间短,自适应能力强,是一种有效的控制方法.     

基于PSO的电力系统环境经济负荷调度

针对基于线性加权和处理成单目标优化问题的传统方法存在的缺陷,提出使用粒子群优化算法求解EELD多目标优化问题。该方法通过对粒子群算法个体极值和全局极值选取方式的改进,实现了对EELD多目标优化问题的非劣最优解集的搜索,为决策者提供了丰富的参考信息。在此基础上,应用模糊满意度方法求出的最优折衷解为调度运行人员提供了最佳调度折衷方案。最后,对一个三机系统进行了测试,并与线性加权人工神经网络法进行了比较分析,仿真结果验证了该方法的有效性。     

粒子群优化BP神经网络在步态识别中的研究

为降低步态识别特征噪声、提高BP神经网络在步态识别中的准确性和高效性,提出一种基于粒子群优化的BP神经网络识别算法。该算法将形态学细化思想融入人体骨架图特征值提取中,在二维平面上抽取多种特征值,然后建立粒子群优化神经网络模型,将特征值矩阵代入模型中,在反复迭代后产生最优迭代函数作为神经网络优化函数,不断优化网络层之间的权值和阈值。实验结果表明,优化后的模型识别率高达97.125%。     

基于PSO优化的模糊自适应PID算法在照明控制系统中的应用

日光具有时变性及易干扰性,为使日光得到充分合理的利用,实现智能照明系统更有效的控制,提出一种基于粒子群算法（PSO）优化的模糊自适应PID算法,通过PSO算法得到最优PID初始参数,并利用模糊规则对参数进行自适应修正。仿真结果表明,与普通PID算法相比,该算法在最优化初始参数的基础上,上升时间、超调量和稳态时间等指标均得到明显的改善,增强了系统的响应性、稳定性和鲁棒性,具有良好的应用前景。     

基于Haar-Lbp特征和粒子群神经网络的人耳识别

在分析人耳Haar和Lbp特征的基础上,提出了一种基于神经网络和人耳Haar-Lbp特征对人耳进行识别的方法.文中选取了人耳图像的Haar和Lbp双特征值作为神经网络的训练样本,并尝试利用粒子群优化算法与BP结合算法训练网络.仿真结果表明,文中提出的方法取得较好的效果.     

量子行为微粒群算法及其应用

将量子行为的微粒群（Quantum-behaved Particle Swarm Optimization即QPSO）算法和图像融合相结合,提出了基于QPSO算法的图像融合算法,将图像融合问题归结为最优化问题。实验表明,在图像融合中,QPSO算法可以很快地得到最优值,与遗传算法以及PSO算法相比参数较少,在取得良好的融合效果的同时,运用算法的并行搜索机制显著地提高了融合速度。     

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。     

多目标粒子群优化算法在PID优化设计中的应用

为了克服PID控制器参数整定时适应度函数权重难以选择的问题,提出一种多目标粒子群优化算法。该算法不需要设置权重参数,采用精英归档策略,按照Pareto最优原则,对控制系统阶跃响应的超调量和上升时间两项指标进行优化,从而实现PID控制器参数的自动整定。仿真结果表明,该算法可以获得大量优质Pareto最优解,解的质量优于其它方法。     

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。     

改进型粒子群算法及在证券投资中的应用

在证券市场中有很多不连续的投资优化模型,为了快速有效的寻求模型的解,设计了一种改进的优化算法.通过引入遗传算法中的交叉操作,得到了基于最优和次优位置的改进粒子群优化算法(INPSO).在性能检测中,该算法比部分改进的粒子群优化算法表现更佳,克服了早熟的缺陷.然后,在仿真实验中,运用INPSO分别获得了两种投资组合模型在不同期望收益率下的优化值,同时算法在迭代过程中展现出了很好的收敛性.     

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.     

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．     

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。     

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。