双中心粒子群优化算法

粒子群优化(PSO)算法是一种新兴的群体智能优化技术,由于其原理简单、参数少、效果好等优点已经广泛应用于求解各类复杂优化问题.而影响该算法收敛速度和精度的2个主要因素是粒子个体极值与全局极值的更新方式.通过分析粒子的飞行轨迹和引入广义中心粒子和狭义中心粒子,提出双中心粒子群优化(double center particle swarm optimization,DCPSO)算法,在不增加算法复杂度条件下对粒子的个体极值和全局极值更新方式进行更新,从而改善了算法的收敛速度和精度.采用Rosenbrock和Rastrigrin等6个经典测试函数,按照固定迭达次数和固定时间长度运行2种方式进行测试,验证了新算法的可行性和有效性.

一种求解复杂优化问题的改进粒子群优化算法

为了提高粒子群优化算法中粒子搜索最优解的效率,该文在标准粒子群优化算法的基础上,提出一种改进的粒子群优化算法。该方法通过对粒子飞行轨迹的分析,对种群中每个粒子构建了评价粒子性能差异的等级标准,并对认识系数和社会系数设计了对应的动态变化系数模型。通过引入迁徙策略,使迁徙行为随机生成的新粒子更有可能接近全局最优解,更加有利于群体搜索跳出局部最优解和寻找全局最优解。实验结果表明,与其他比较算法相比,该文提出的改进粒子群优化算法具有寻优能力强和搜索精度高等优点,测试准测上的实验数据验证了改进算法的有效性和可行性。

基于离散式多样性评价策略的自适应粒子群优化算法

为了通过增强种群多样性提高对粒子全局寻优能力与寻优速度的平衡能力,该文提出一种自适应粒子群优化(APSO)算法。基于种群熵对标准粒子群优化(SPSO)算法的多样性进行了研究,给出一种离散式多样性评价策略。为了均衡SPSO算法的勘探和开发能力,该文分析了SPSO算法的惯性权值随多样性评价值变化而变化的动态函数关系,并将该函数关系融入APSO算法。为防止算法搜索后期过早陷入局部最优点,采用一种变异策略增强种群的多样性。仿真结果证明:APSO算法相比耗散粒子群优化(DPSO)算法,增加了对未探测空间的搜索能力,加速了粒子在整个解空间的寻优过程。在开发阶段,惯性权值随多样性的减少而递减,在勘探阶段,惯性权值随多样性的增加而增加。APSO算法较好地平衡了算法的全局搜索和局部细致搜索能力,可使粒子在较大范围空间内快速寻找到最优解所在的区域,并展开细致搜索。

一种改进的求解多目标优化问题的进化算法

针对多目标优化问题,传统进化算法维护种群多样性的方法主要依赖于共享函数,但其小生境半径难以进行有效地设置。该文提出一种改进的求解多目标优化问题的进化算法,新算法引入了近邻函数准则(NFC),将其用于选择过程,可以从种群中选择出较好的个体,并确保种群的多样性。此外,新算法中融入了一种基于近邻函数准则的Pareto候选集的维护方法,利用这种方法可以有效地维护候选解集中个体的多样性。对所提出的算法,从时间和空间复杂度进行了理论分析。对一组典型优化问题的测试表明:该文提出的算法具有较高的搜索性能,解集分布的多样性与收敛性均较理想。

蚁群模糊聚类的图像分割

蚁群算法的离散性、并行性、鲁棒性、正反馈性特点,非常适合于图像分割。但基本蚁群算法中蚂蚁运动的随机性使得算法进化速度慢且易于陷入局部最小等缺陷。提出了一种基于改进的蚁群模糊聚类的图像分割方法,给出了多种信息素的更新方式。针对算法循环次数多,计算量大的问题,综合考虑图像中像素的灰度,邻域平均灰度,梯度等特征来设置初始聚类中心进行蚁群模糊聚类。实验结果表明,该方法在图像分割中的确能够得到较好的分割结果。

一种求解约束多目标优化问题的线性进化算法

针对多目标优化问题,提出了一种新的基于实数编码的线性进化算法。新算法将约束优化问题的高维搜索空间通过线性变换映射到二维空间,在二维空间中探索原优化问题的解,并构造出一种线性适应度函数,重新设计了一种基于密度函数的交叉算子。对二组典型优化问题的测试表明,本算法是可行和有效的,解集分布的均匀性与多样性均较理想。

求旅行商问题的幂律变换优化蚁群算法

为解决旅行商问题,依据蚁群系统在蚁群算法中的优化,提出一种基于幂律变换的优化蚁群算法。首先,利用幂律变换优化蚁群算法以改善信息素局部更新公式;然后,在状态转移中使用幂律变换种群走过每条路径的次数,并通过归一化处理来分析信息素局部更新所造成的影响,以加快模型收敛速度;最后,随机加入莱维飞行对全局信息素进行扰乱,防止模型过早陷入局部最优。经过TSPLAB数据库提供的大量实例验证,幂律变换优化蚁群算法在保持较快收敛速度的基础上,能有效避免模型过早陷入局部最优。

基于多样性反馈的自适应粒子群优化算法

为了进一步提高种群多样性在粒子群优化执行中的效率,提出一种基于多样性反馈的自适应粒子群优化算法(APSO)。APSO采用一种新的种群多样性评价策略,使惯性权值在搜索过程中随多样性自适应性地调整,从而均衡算法的勘探和开发过程。此外,最优粒子采用精英学习策略跳出局部最优区域,从而在保证算法收敛速度的同时能够自适应地调整搜索方向,提高解的精确度。通过一组典型测试函数的仿真结果,验证了APSO的有效性。

一种基于空间特征矢量的图像分割方法

针对灰度图像,提出了一种基于空间特征矢量的图像分割方法,构建了以像素的灰度、梯度、像素r的邻域均值为特征的三维特征空间,并将图像像素点对应空间特征点。通过计算像素特征矢量与阈值特征矢量的矢量差,求出矢量差与阈值特征矢量的夹角,然后比较夹角与动态分割参数的关系,判定像素所在区域(目标或背景)。实验表明,该方法可以较快速地实现图像分割,分割的效果也比较好。

基于个体相似性评价策略的改进遗传算法

遗传算法是一种通过模拟自然进化过程搜索最优解的方法。但这种算法在求解最优解过程中总是以计算时间为代价来换得最优解的产生。对此,提出一种基于个体相似`性评价策略的改进遗传算法,融入了一种新的旋转交叉算子,每个子个体根据其与父个体的相似度和可信度来确定个体的适应度值,仅当可信度值低于某个阈值时,个体才做真实的适应度计算。实验结果显示,相似性评价策略计算得到的个体适应度值接近真实的适应度值,并且改进的算法求得最优解需要的评价次数明显要少于传统遗传算法,而在测试准测上的数据表明:提出的改进遗传算法相对于传统遗传算法,性能较好且求得的最优解也较为理想。

一种基于矢量阈值的自适应图像分割方法

针对灰度图像,提出一种基于空间特征矢量的图像分割方法,分割前首先对边缘进行增强处理,并构建以像素的灰度、梯度、像素邻域均值为特征的三维特征空间.将图像像素点引入对应于空间特征点.通过计算像素特征矢量与特征矢量阈值的差矢量,求出矢量差与特征矢量阈值的夹角,比较夹角与动态分割参数的关系,以判定像素所在区域(目标或背景).实验表明,该方法能较快的实现图像分割,分割的效果也较好.

一种求解旅行商问题的改进蚁群算法

蚁群算法作为一种新型的优化算法,具有很强的适应性和鲁棒性,已广泛的应用于系统控制、人工智能、模式识别等工程领域。由于蚁群算法在搜索过程中易于陷入局部最优解,存在着加速收敛和早熟停滞现象的矛盾。文章针对这些问题,在基本蚁群算法的基础上,从参数的动态调整、信息量的更新规则、局部搜索策略进行相应的改进,引入信息素平滑机制,以求在加快收敛和防止早熟停滞之间取得较好的平衡。旅行商问题的仿真表明:改进后的蚁群算法具有较好的收敛性和稳定性,能够克服算法中早熟和停滞现象的过早出现。

一种改进的混沌粒子群优化算法

粒子群优化算法(PSO)自提出以来,已经被广泛地应用于求解各类复杂的优化问题,过去对粒子群算法的研究主要集中在融入新的优化方法或对其相关参数进行调整,但这样只会使得PSO更加复杂。针对这一问题,文中提出一种改进的混沌粒子群优化算法(ICPSO),ICPSO从粒子群优化算法的时间与寻优实时角度出发(即在较短的时间内获得较好的解),对粒子速度更新算子进行了简化,每隔一定代数后,在最优解邻近区域引入混沌扰动以避免种群陷入局部最优解。数值实验结果表明:提出的算法相对于文献给出的PSO改进算法,不仅能够获得较好的最优解,而且还具有较快的收敛速度和较好的稳定性。

基于Pareto的双群体多目标微分进化算法

针对多目标优化问题,微分进化是一种简单、快速且具有鲁棒性的进化算法。提出一种基于Pareto的双群体多目标微分进化算法(DEPDP),DEPDP与传统微分进化区别在于:个体的变异操作和选择方式。DEPDP的变异过程类似于粒子群优化的粒子速度更新操作,即包括可行解个体,也有不可行解个体的参与;在个体的选择过程中,组合修正后的不可行解个体和可行解个体,并采用一种特殊的"非劣排序和等级选择过程"确定出新一代种群。仿真实验表明:相比其他比较算法,DEPDP获得的Pareto最优解有着良好的多样性均匀分布特点,接近真实的Pareto前沿,收敛性也较好。

浅谈C语言的学习方法和技巧

C语言作为目前国际上广泛流行的编程语言,是目前国内众多高校的公共必修课程之一。但从国内高校的近几年教学来看,教学效果明显达不到想要的效果。许多学生课程修完后连一个小程序都难以编写。针对上述情况,在简要介绍C语言内容的基础上,结合笔者多年教授C语言的体会,对C语言的学习方法和编程风格提出了一些个人看法。

一种基于蚁群聚类的图像分割方法

目前聚类技术已成为图像处理,计算机视觉,模式识别等研究邻域的重要方法。本文在群体智能理论和聚类算法的基础上,提出了一种基于蚁群聚类算法的图像分割方法。实验表明,该方法能够较好的分割图像,具有较好的聚类效果。

一种新的基于混合蚁群算法的聚类方法

建立了聚类分析问题模型,分析了K-均值算法、模拟退火算法和基本蚁群算法的优缺点。对蚁群算法作了改进,思路是K-均值方法混合,利用K-均值方法的结果作为初值。经过比较测试,两种混合蚁群算法的效果都比较好,特别混合方法二的效果最好。

粒子群优化算法收敛性分析

对粒子群优化算法的收敛性进行了分析,给出了收敛条件,数值试验计算验证了收敛性分析结果。讨论了粒子群优化算法参数选取的基本原则。

蚁群算法与免疫算法的混合算法

蚁群算法是近些年来启发式算法研究的一个热点,在求解复杂组合优化问题上具有强大的优势。作为一种全局搜索的方法,它具有正反馈性、并行性、分布性、自组织性等特点。但是,蚁群算法也存在一些不足之处:例如,算法需要较长的搜索时间、容易出现早熟、停滞现象。针对上述不足,在深入研究蚁群算法的同时,又对免疫算法进行了一定的研究和分析后,针对蚁群算法中的个体蚂蚁缺乏识别问题特征信息的能力,将免疫算法中疫苗的思想引入到蚁群算法中,提出了蚁群算法与免疫算法的混合算法。将问题的特征信息作为疫苗注射给蚂蚁,使蚂蚁具有"免疫"的能力,旨在借鉴其他仿生算法的长处,利用其优点弥补蚁群算法的不足,从而提高蚁群算法的求解性能。

基于自适应蚁群算法的分布式分类规则挖掘算法

基于分布式数据挖掘技术,提出了一种基于自适应蚁群算法的分布式分类规则算法。该算法采用了不同的启发式函数及信息素改变方法,引入了自适应机制与变异策略,从而达到缩短蚁群算法计算时间、加快算法收敛速度、提高预测准确率的目的。实验结果验证了该算法的有效性。