变异概率对PSO算法求解TSP问题的影响研究

提出了一种求解旅行商问题的改进粒子群算法,该算法引入了求解离散问题的学习机制和变异策略以提升粒子群算法求解旅行商问题的效率.通过对两个经典的测试问题(Oliver30和burma14)的仿真研究,表明不同变异概率对算法的影响,当变异概率为0.5时,算法的运行效率最高.     

求解TSP问题的多样性扰动粒子群优化算法

以旅行商问题为例,提出了一种离散粒子群优化算法,对粒子的位置、速度等量及其运算规则进行了定义,为抑制早熟停滞现象,分别定义了粒子群多样性指标,并在迭代过程中采用扰动保持粒子群的多样性,使算法在空间探索和局部求精间取得了很好的平衡,仿真结果表明,该算法具有很好的性能.     

改进粒子群优化算法的IIR数字滤波器设计

通过引入变异算子对粒子群优化(PSO)算法进行改进,能很好克服粒子群的早熟收敛问题.将该改进的算法用到无限冲激响应(IIR)数字滤波器的设计,具有寻优速度快,设计精度高,自适应能力强等优点.     

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。     

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.     

一种求解背包问题的改进离散粒子群优化算法

文章提出了一种改进的离散型粒子群优化算法,该算法重新定义粒子群优化算法的速度和位置公式,使其适用于离散问题.将该算法应用到典型的组合优化问题(0-1背包问题)的求解中,仿真实验表明了该算法的有效性.     

一种改进的自适应变异的粒子群优化算法

针对粒子群优化算法存在的早熟收敛问题,提出了一种改进的自适应变异的粒子群优化算法。该算法根据群体适应度方差和当前最优解的大小,确定当前粒子的最佳变异因子。使用变异因子来改变粒子的运动方向,使粒子进入临近区域继续搜索,以确定新的个体极值和全局极值,避免出现局部最优解。仿真结果表明:自适应变异操作增强了粒子群优化算法跳出局部最优解的能力,其全局搜索能力有了一定提高,收敛速度较快,并且能够有效避免早熟收敛问题;虽然耗费时间有所增加,但在可接受范围内,用少许的时间代价换取全局最优解是值得的。     

粒子群算法在曲线拟合中的应用

分析了粒子群算法在曲线拟合中的应用,同时对个别不理想的实验数据进行了淘汰,能进行有效的数据处理。通过具体实例表明该方法实现简单,易于理解,并且还具有很高的可靠性;分析了该算法与最小二乘法的优缺点,证实该算法是曲线拟合的一种有效方法。     

带飞行时间因子的改进粒子群优化算法

对于粒子群优化算法(PSO)的研究内容涉及到许多方面。目前,针对PSO算法的研究大致可以分为算法的理论研究、算法的改进研究以及算法的应用研究。该文主要是对PSO算法的改进进行了研究,提出了一种带飞行时间因子的改进的粒子群优化算法(MPSO),并通过实验验证了MPSO优化性能较之PSO有了很大的提高。     

改进的PSO算法及其在证券组合投资中的应用

粒子群优化算法(PSO)作为一种进化计算技术,已经广泛运用到了各个行业领域中。基于不同应用领域的具体要求,人们也针对不同的技术特点对PSO进行了改进。针对PSO算法在证券组合投资中的应用要求,提出一种改进的PSO算法,并通过上海证券交易所的实际数据进行计算机模拟,证实该算法在实际证券组合投资中的实用性。     

GA and PSO culled hybrid technique for economic dispatch problem with prohibited operating zones

This paper presents an efficient and reliable genetic algorithm (GA) based particle swarm optimization (PSO) tech- nique (hybrid GAPSO) for solving the economic dispatch (ED) problem in power systems. The non-linear characteristics of the generators, such as prohibited operating zones, ramp rate limits and non-smooth cost functions of the practical generator operation are considered. The proposed hybrid algorithm is demonstrated for three different systems and the performance is compared with the GA and PSO in terms of solution quality and computation efficiency. Comparison of results proved that the proposed algo- rithm can obtain higher quality solutions efficiently in ED problems. A comprehensive software package is developed using MATLAB.     

基于PSO算法的BP神经网络在边坡稳定性评价中的应用

传统的用于边坡稳定性分析的方法较多,但计算过程复杂,计算量大。采用粒子群优化（PSO）算法优化神经网络的连接权值和阂值,可以克服存在的缺陷,减少迭代次数,具有良好的泛化性能,在边坡稳定性评价上具有一定的应用价值。     

粒子群算法在重载齿轮多目标设计中的应用

粒子群优化算法是一种基于群智能的优化方法,规则简单,收敛速度快.将此算法应用于重载齿轮的多目标优化设计,建立基于粒子群优化算法的重载齿轮多目标优化设计的数学模型,实践表明可以快速、有效地求得齿轮优化解.     

中频淬火控制系统的基于PSO的BP网络仿真研究

针对中频淬火传统的控制策略问题,提出一种新的控制策略——基于PSO的BP神经网络.MATLAB仿真表明,此控制策略控制精度高,可靠性高.     

PSO优化的SVM回归在SF_6废气定量分析中的应用

气体绝缘组合电器(GIS)内的绝缘介质SF6及其衍生物的种类与体积严重地影响G IS的绝缘能力,定量分析故障GIS内SF6衍生物有助于评估设备发生故障的原因。为了从GIS设备内SF6气体的红外光谱中获取衍生物的种类及体积,使用支持向量机(SVM)回归法建立了SF6及其部分衍生物的定量分析模型,采用粒子群优化(PSO)算法对支持向量机的参数进行了优化选择,与遍历选择参数方法相比,粒子群优化避免了交叉验证的耗时与盲性。     

蚁群优化算法的理论、改进及应用

蚁群优化算法是一种新型的模拟进化优化算法,为求解复杂的组合优化问题提供了一种新的思路。文章对蚁群优化算法理论及其收敛性进行了分析,并从选择策略、信息素更新、信息素浓度的变异等多方面对蚁群优化算法提出了改进,不仅使其跳出局部最优解的能力更强,而且能较快地收敛到全局最优解,在TSP问题上的应用表明改进算法具有良好的性能。     

粒子群算法在多峰值函数优化中的应用

粒子群算法是一种基于群体的智能算法,具有较强的全局搜索能力,并能通过对一定数量粒子的迭代运算获得问题的全局最优解。将粒子群算法应用于多峰值函数优化中可以避免常规方法难以同时搜索出多个极值而陷于局部极值的问题。基于matlab平台的仿真实验中,引入粒子群初始化位置拥挤距离检测,并在peaks函数上进行测试,可以有效实现全局和局部搜索,并能较好地保持粒子的多样性,从而获得多峰值函数的最优解。     

改进粒子群BP神经网络在高炉炉温预测中的应用

由于BP网络存在学习效率低、收敛速度慢、易陷入局部极小状态、适应能力较差等缺点,而粒子群优化（PSO）算法的收敛速度快（尤其是在进化初始阶段）,运算简单、易于实现,又没有遗传算法的编解码和杂交、变异等复杂运算,因此是一种很好的优化算法。但是,PSO算法也存在不足,该算法进化后期存在速度变慢以及早熟的现象。提出一种改进的粒子群BP神经网络对高炉炉温进行预测。通过调整粒子群算法中学习因子的自适应能力,提高算法的收敛速度和搜索全局最优的能力。通过仿真结果说明改进的粒子群算法要优于BP算法和标准的粒子群算法。