粒子群算法的收敛性和多样性分析与优化

针对粒子群优化算法的收敛性和多样性问题,提出一种基于混沌优化的震荡粒子群优化算法。该算法利用混沌特性和震荡环节扩大粒子搜索的遍历性,将混沌状态引入到优化变量使粒子获得持续搜索的能力。实验测试证明该算法不仅能保持种群的多样性,而且能有效避免算法陷入早熟收敛现象。     

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。     

新型混沌粒子群混合优化算法

为避免粒子群算法陷入局部最优、早熟收敛,提出了一种新型的混沌粒子群混合优化算法。利用混沌映射初值敏感性、遍历性特点,随机初始化一个粒子,并通过混沌映射得到多个粒子的初始值,改变初始粒子群的提取过程。利用混沌映射扩大初始粒子群,得到寻优粒子群,使得粒子群在搜索的过程中,种群数量变大,有利于全局寻优,而种群粒子多样化,有利于跳出局部极值。经典的测试函数仿真表明,改进的粒子群算法极大提高了粒子群的寻优精度和寻优效率,增加了粒子的全局寻优能力,具有更为广泛的应用场景。     

粒子群算法的改进研究

粒子群算法具有在优化过程中需要调整的参数不多,结构简单,收敛速度快等特点。在分析其他改进粒子群算法的基础上,提出了一种新的粒子群协同优化算法。通过测试函数测试表明,新的粒子群协同优化算法明显提高了算法的收敛性能。     

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．     

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。     

混沌粒子群算法在0-1背包问题中的应用

给出了基于混沌粒子群优化算法(CPSO)背包问题的一种新的求解方法.首先将背包问题对应到粒子群算法中的位置与速度问题的表示,然后为了抑制早熟停滞现象,将混沌理论引进优化,使得背包问题更接近最优解.     

基于混沌和自适应变异的粒子群聚类算法研究

针对粒子群聚类算法(PSO-Kmeans)所存在的种群随机初始化遍历性差、线性惯性权重调整策略收敛效果差、粒子易陷入早熟收敛、等距点影响聚类精确度以及处理大量数据时性能不足等问题,提出了1种混沌和自适应变异的粒子群聚类算法,通过无限折叠混沌映射初始化、非线性惯性权重调整、基于变异参数的自适应t分布变异以及比较等距点周围趋向性等策略,对PSO-Kmeans算法进行改进,并实现了算法的并行化。实验结果表明,改进算法可以有效地避免早熟收敛,聚类精度要优于Kmeans算法和PSO-Kmeans算法,而且在处理大量数据时能有效提高算法的时间性能。     

面向全局优化的混沌粒子群遗传算法

结合遗传算法(GA)和粒子群算法(PSO)的优点以及混沌运动的特性,提出了混沌粒子群遗传算法(CPSO-GA),并使用五个高维非线性测试函数考察此算法的性能。在固定进化代数、所调用目标函数次数接近以及固定收敛精度三种情况下对算法进行数值试验,结果表明,与其他文献中提出的算法相比,CPSO-GA能100%地找到最优解,收敛效果及寻优能力好,并能有效摆脱局部极小点,且调用目标函数次数最少,大大降低了计算量。     

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.     

基于混沌序列的数字图像置乱算法

混沌序列具有易生成性,对初始条件强敏感性,可完全重现性等特点,基于以上特性提出一种基于混沌序列的图像置乱算法.算法同时采用 Logistic映射和Hybird映射,将其产生的二值序列分别与数字图像的奇行和偶行采用异或置乱算法对图像进行置乱.数值实验表明,所给算法实现简单,安全性高,对椒盐噪声和剪切有一定的抗攻击性.     

基于混沌序列的图像置乱加密算法

混沌序列具有易生成性,并且具有对初始条件强敏感性、伪随机性、可完全重现性等,基于以上特性提出一种基于混沌序列的图像置乱加密算法,即首先以初始条件为密钥生成混沌序列,然后依据该序列进行图像置乱。软件模拟实验证明该算法实现简单,且图像的解密结果对混沌序列的初始值有较强的依赖性,安全性高。     

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.     

基于Logistic模型的动态群体微粒群算法

从生物学角度出发引入Logistic模型,提出了一种新的基于Logistic模型的动态群体微粒群算法。该算法中群体增长与生态学规律保持一致,通过适应值较好微粒杂交的方法产生新微粒以提高算法的多样性,当种群规模达到了环境负荷量时会由于资源短缺、疾病等原因造成种内竞争产生优胜劣汰现象,通过删除适应值变化率较小微粒,可提高种群的总体适应度。模拟实验表明该文提出的DPSO算法比SPSO和MPSO—TVAC具有更高的效率和较快的收敛速度,提高了种群微粒间的竞争。     

一种改进的基于粒子群的离线聚类算法

为了解决K-means算法中对于初值的敏感,提出了一种基于粒子群的改进的K-means聚类算法(IPSOFCM).在K-means算法中引入粒子群算法,可有效提高算法的全局搜索能力,有助于粒子更容易跳出局部束缚.实验结果证明,IPSOFCM算法聚类准确度高,稳定性好.     

微粒群算法及研究

群智能理论是一种新兴演化计算技术,它与人工生命,特别是进化策略和遗传算法有着极为特殊的联系,群智能方法是一种能够有效解决大多数全局优化问题的新方法.其潜在的并行性和分布式特点为处理大量复杂的工程应用问题提供了技术保证.本文主要阐述了微粒群算法的基本原理及其研究现状及今后的研究方向.     

一种基于混沌序列的DCT数字图像水印算法的研究

提出了一种基于混沌序列的DCT数字图像水印嵌入算法,利用Logistic混沌映射来置乱水印以提高数字水印的随机性,并对水印图像作调制加密处理以消除水印图像各像素的空间相关性,而且嵌入水印的DCT块并不连续地选取,而是用Logistic混沌序列选取。实验结果表明,该算法在抵抗噪声、JPEG有损压缩以及裁剪等方面均有较好的鲁棒性。     

基于粒子群算法的织物组织结构识别

提出了一种基于粒子群算法的织物组织结构识别新方法。该方法采用USB数码显微镜摄取布样图像,经直方图均衡化以增加灰图图像对比度、二值化、去除噪声等一系列图像预处理,用经线纬线的宽度法来提取织物组织结构的特征,用粒子群算法进行识别分类。实验结果表明,通过该方法对织物组织结构的识别具有较高的准确率。     

基于曲波和混沌序列的数字图像脆弱水印算法

提出一种基于曲波和混沌序列的数字图像脆弱水印算法.本算法采用混沌序列和位运算对水印图像进行加密,并使用曲波对载体和水印图像做变换.在嵌入强度上,为了能够具有更好的透明性,使用周围像素均值为依据,调整基本嵌入强度值,使得水印的透明性进一步增强.在进行曲波变换时,也采用效率比较高的Wrap-ping作为实现方法,有效地提高了算法效率.实验证明该算法对各种攻击具有较高的敏感性,可以作为图像认证的方法.