基于划分和重分布的粒子群算法及优化策略

提出了一种新的基于划分和重分布的粒子群优化算法.新算法将粒子划分为普通和优化两类.普通粒子随机产生,速度快,侧重全局搜索;优化粒子紧随群体最优并且速度较慢,侧重局部收敛,以提高收敛精度.当群体最优未发生变更的时间过长时,在保持群体最优的同时将粒子重新分布,以摆脱过早的局部收敛.对典型函数的测试结果表明,新算法没有增加复杂度,在摆脱解的早熟和提高解的收敛精度等方面优于基本粒子群算法.

无人机低空数码航测与高分辨率卫星遥感测图精度研究

随着科学技术水平的不断提高,现代化技术种类不断增加,其中无人机技术便被广泛运用在空间探测感知工作中,配合卫星遥感技术的运用能够有效完成低空摄影测量。鉴于此,文章重点围绕无人机低空数码航测与高分辨率卫星遥感测图精度进行研究,并利用实验分析的形式加大对该技术运用的了解,以此为该技术的发展创造良好的条件。

基于搜索空间划分和Sharing函数的粒子群优化算法

传统粒子群优化算法PSO(Particle Swarm Optimization)概念简单,适应性强,但存在早熟等问题.本文提出了新的基于搜索空间划分(Search Space Division)和Sharing函数的智能分布粒子群优化算法(SDSIR-PSO).创新点包括:(1)保优的重布粒子算法;(2)引入Sharing函数阻止重分布的粒子陷入同一局部最优;(3)划分搜索空间,子空间中寻优,再优中选优,作全局最优.通过对典型测试函数的详细测试验证了新算法的有效性,在相同条件下较传统算法的解精度提高了80%以上,并有效避免了早熟,提高了收敛速度.

基于分区和分层搜索的并行粒子群算法

为提高粒子群优化算法在优化问题中的效率,提出了并行粒子群优化算法(SLPSO)。其基本思想是并行机制+解空间压缩+分层搜索。主要工作包括:搜索空间划分为n个区,由n个子群并行搜索,将搜索结果最好的作为指定的搜索空间,即将搜索空间缩小到原解空间的(1/n);提出了粒子群两层划分模型,底层利于扩大搜索范围,上层利于全局精细搜索。在四个基准函数上的优化实验表明,新方法比经典的IPPSO并行粒子群算法在解的精度上提高了80.37%。

基于最佳粒子共享和分层搜索的并行粒子群优化算法

为提高粒子群优化算法在优化问题中的效率,本文提出了并行粒子群优化算法(BLP-SO).基本思想是并行机制+最佳粒子共享+分层搜索.主要工作包括(1)信息共享机制中引入了区域学习,使粒子更新能参考其他粒子的信息;(2)提出了粒子群两层划分模型,底层利于扩大搜索范围,上层利于全局精细搜索;(3)证明了关于粒子群和并行粒子群收敛性定理;(4)在4个基准函数上的优化实验表明,新方法比经典的IPPSO并行粒子群算法在解的精度上提高了51.93%到96.10%.