基于IAEPSO-IAWNN的高温低氧燃烧火焰稳定性识别

在对高温低氧燃烧条件下的煤粉火焰图像分析的基础上,提出了利用改进的自适应逃逸微粒群算法训练的改进的自适应小波神经网络对燃烧火焰的稳定性进行实时识别的算法。计算结果与实验数据基本吻合,说明该方法是可行的,可以用它对高温低氧技术下的燃烧稳定性进行识别。

一种改进的自适应逃逸微粒群算法及实验分析

分析了变异操作对微粒群算法(particleswarmoptimization,简称PSO)的影响,针对收敛速度慢、容易陷入局部极小等缺点,结合生物界中物种发现生存密度过大时会自动分家迁移的习性,给出了一种自适应逃逸微粒群算法,并证明了它依概率收敛到全局最优解.算法中的逃逸行为是一种简化的确定变异操作.当微粒飞行速度过小时,通过逃逸运动使微粒能够有效地进行全局和局部搜索,减弱了随机变异操作带来的不稳定性.典型复杂函数优化的仿真结果表明,该算法不仅具有更快的收敛速度,而且能更有效地进行全局搜索.

改进的粒子群算法及收敛性分析

针对PSO算法对多峰值函数搜索易陷入局部极值点的缺点,提出一种改进的粒子群(MPSO)算法。MPSO算法采用逃逸策略和免疫学习策略来保证种群多样性,使算法能有效进行全局搜索。并讨论MPSO算法的收敛性,证明其能以概率1全局收敛。最后用3个常用的测试函数进行仿真,实验结果表明MPSO算法比PSO算法有更好的收敛性和更快的收敛速度。

一种基于单纯形法的改进微粒群优化算法及其收敛性分析

针对现有微粒群优化算法难以兼顾进化速度和求解质量这一难题,提出一种基于单纯形法的改进微粒群优化算法(Simplex method based improved particle swarm optimization,SM-IPSO).该算法采用多个优化种群,分别在奇数种群和偶数种群上并行运行微粒群算法和单纯形法,并通过周期性迁移相邻种群间的最优信息,达到微粒群算法和单纯形法的协同搜索:单纯形借助微粒群算法跳出局部收敛点,微粒群依靠单纯形提高局部开发能力.为强化两种算法所起作用,一种改进的微粒速度逃逸策略和Nelder-Mead单纯形法也被提出.最后,在Linux集群系统上运行所提算法,通过优化五个典型测试函数验证了算法的有效性.

具有快速收敛和自适应逃逸功能的粒子群优化算法

为了克服标准粒子群优化算法(PSO)后期收敛速度慢、容易陷入局部最优等缺点,借鉴人工蜂群算法的思想,提出了一种提高收敛速度并且带有自适应逃逸功能的粒子群优化算法(FAPSO)。算法中每进化一次粒子搜索两次:一次全局搜索,一次局部搜索。当粒子陷入局部最优时,通过逃逸功能使粒子重新搜索。8个经典基准测试函数仿真结果表明,改进的粒子群优化算法在收敛速度和寻优精度上均有提高,相对于目前常用的改进粒子群优化算法如CLPSO等,t检验结果说明,新算法具有明显的优势。

动态环境下基于种群多样性的微粒群算法

针对现有环境检测和环境响应方法存在的不足,提出了改进的基于微粒自身信息的检测方法,不仅降低了的算法复杂度,而且弥补了常用检测方法的局限性。同时还提出了种群多样性和微粒逃逸行为相结合的新型响应方法,将改进的检测和响应方法应用于各种复杂变化的抛物线函数中,结果表明该算法在动态环境中的有效性。

求解TSP问题的自逃逸混合离散粒子群算法研究

通过对旅行商问题(TSP)局部最优解与个体最优解、群体最优解之间的关系分析,针对DPSO算法易早熟和收敛慢的缺点,重新定义了离散粒子群DPSO的速度、位置公式,结合生物界中物种在生存密度过大时个体会自动分散迁徙的特性和局部搜索算法(SEC)后,提出了一种新的自逃逸混合离散粒子群算法(SEHDPSO)。自逃逸思想是一种确定性变异操作,能使算法中陷入局部极小区域的粒子通过自逃逸行为进行全局寻优,从而克服算法易早熟的缺陷。仿真结果表明,SEHDPSO算法比混合蚁群算法(ACS+2-OPT)具有更好的收敛性和搜索效率。

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法。通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态:若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率。在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等。

双种群变异粒子群算法

利用变异机制可以增加遗传算法全局寻优能力的特性,结合惯性权值线性递减PSO算法具有较快收敛速度的优点,提出了一种双种群变异PSO算法,对该算法与其他PSO算法进行了比较,仿真结果表明其性能优越。

一种具有捕食逃逸的粒子群优化算法

早熟收敛是粒子群优化算法面临的一大难题,其主要原因是群体最优gBest的唯一支配性信息供香模式无法对称调整社会认知能力,因此,借鉴生物界普遍存在的捕食与被捕食现象,提出一种具有捕食逃逸的粒子群优化算法。算法通过在群体中引入捕食粒子来增大逃逸粒子的捕食风险,各逃逸粒子根据捕食风险和自身能量状态的权衡结果产生相应逃逸行为,提高了粒子群对称调整社会认知能力,能有效保持群体多样性,平衡群体的探索和开发能力,使群体避免陷入早熟收敛。实验结果表明新算法能够有效抑制早熟收敛。

基于混合粒子群优化算法的聚类分析

针对模糊C-均值聚类算法易陷入局部最优和算法收敛速度慢等问题,提出了一种新的基于混合粒子群优化的模糊C-均值聚类算法。新算法在基本粒子群优化的模糊C-均值聚类算法的基础上结合了遗传算法的交叉、变异算子及混沌优化算法,并引入逃逸算子。仿真结果表明,该算法有效地避免了通常聚类方法易出现的早熟现象,同时也具有较快的收敛速度和较高的准确度。

基于粒子群优化的DV-Hop定位算法研究

针对无线传感器网络(WSN)定位算法中的经典DV-Hop算法存在较大定位误差的问题,提出一种基于粒子群优化修正平均每跳距离的DV-Hop优化算法。该算法在以下三个方面进行改进:对于每个锚节点平均跳距计算,加入各个锚节点权重;提出主节点定义,网络拓扑结构将被考虑得更加全面,更好地权衡局部和全局特点,以此方法计算节点估计距离;提出中心学习策略,加入逃逸因子,避免粒子陷入局部寻优,最后用改进的粒子群算法代替极大似然估计法定位节点坐标。通过Matlab仿真软件验证,与原始DV-Hop和PSO-DVhop比较,结果分析此算法具有优越性和可行性。

基于智能粒子群优化算法的人员疏散问题研究

针对建筑物内发生火灾时人员疏散的逃逸行为进行了研究,将智能粒子群优化算法应用在人员逃逸的过程中,提出了一种智能粒子群逃逸模型。将行人群比拟为粒子群,并将粒子赋予一定的维能力,此时的智能粒子将会具有类似行人的一些特征如行为特征和心理特征。智能粒子在受灾害模型与自身思维特征模型的影响下,确定其逃逸的速度包括速度的大小和方向,然后改变自己目前的位置。在建模的过程中,还考虑了智能粒子间的碰撞及建筑物内诱导信息的作用。最后通过应用智能粒子群优化算法对某一建筑物内发生火灾时人员逃逸行为的二维仿真实验来验证模型的有效性及算法的可行性。

基于捕食逃逸PSO的贝叶斯网络分类器

构造精确的贝叶斯网络分类器已被证明为NP难问题,提出了一种基于捕食逃逸粒子群优化(PSO)算法的通用贝叶斯网络分类器,能有效避免数据预处理时的属性约简对分类效果的直接影响,实现对贝叶斯网络结构的精确学习和搜索。另外,将所提出的分类器应用于高职院校就业预测分析,并在Weka平台上实现对该分类器的构建和验证,与其他几种贝叶斯网络分类器的对比实验结果表明,该分类器具有更好的性能。

具有自适应逃逸的环状全互连结构粒子群算法

为了提升粒子群算法在解空间中的寻优性能,提出了一种具有自适应逃逸机制的基于环状全互连拓扑结构的粒子群算法(RSEPSO).该算法首先将种群中的粒子组成环状结构后再连接成全互连结构,其次加入自适应逃逸功能,为防止算法进化时陷入局部极值,同时选取适应值差的粒子进行重新分布,并融入优质粒子环作为学习对象,最后产生足够多的点进行重新搜索,获得全局最优值.通过4个标准测试函数优化,与其他优化算法比较,可以看出RSEPSO能够明显的提升粒子群算法的寻优性能.

一种火电厂SCR系统的级联型机理仿真模型

针对火电厂SCR系统仿真模型的建模难点,提出了一种基于级联结构的SCR系统仿真建模方法,设计了基于粒子群算法的SCR系统仿真模型参数辨识方法,用于辨识气体吸附与解吸附、NO消耗速率和NH3氧化速率等相关动力学方程的参数,可以兼顾SCR出口NOx质量浓度和氨逃逸量2个关键目标,并通过某600 MW超临界机组SCR系统的建模算例对所提方法的有效性进行验证。结果表明:此方法有效解决了仿真模型与仿真步长的匹配问题,可为喷氨系统控制器全面优化设计研究提供支撑。

基于双层微粒群优化的机器人全局路径规划

采用微粒群优化解决机器人全局路径规划问题,近年来得到国内外学者广泛关注,并已经取得丰硕的研究成果。但是,已有成果往往难以应用于含有密集障碍物的环境。针对解决含有密集障碍物环境的机器人全局路径规划问题,提出一种双层微粒群优化方法。该方法通过底层微粒群优化,得到若干最优路径;通过顶层微粒群优化,在这些最优路径附近局部搜索,从而得到机器人的全局最优路径;通过对不可行路径实施脱障操作,使其成为可行路径。将所提方法应用于多场景的机器人路径规划,并与已有方法进行比较。实验结果表明,该方法能够找到机器人的全局最优路径。

采用分等级学习策略的二进制粒子群优化算法

针对二进制粒子群优化算法在寻优后期存在多样性丢失、收敛精度低等问题,提出一种分等级学习策略的二进制粒子群优化算法(HLBPSO)。首先,HLBPSO算法借鉴鸡群优化算法中的等级思想,根据适应度值将粒子种群分为优势、中间和劣势三个等级,并依次采用探索、全局和混合学习策略;其次,对于劣势粒子,使其在向优势等级最优粒子与中间等级最优粒子的差分向量进行学习的同时,设计逃逸算子,赋予劣势粒子以一定的概率逃逸;最后,通过计算粒子与全局最优粒子间的距离实现惯性权重更新。实验结果验证了HLBPSO算法比其他算法具有更高的寻优精度和更好的鲁棒性。

Ad Hoc网络中基于捕食逃逸PSO的QoS多播路由算法

求解两个或多个限制参数的QoS多播路由问题,已被证明为NP-complete问题,而随着Ad hoc网络中多媒体和实时应用需求的不断提升,有效的QoS多播路由算法成为重要研究内容.针对Ad hoc网络的动态性和QoS参数的多样性,给出一种解决该问题的捕食逃逸PSO方法,算法通过对MAODV路由发现过程发现的QoS有效路径进行编码和寻优处理,借助于捕食逃逸行为使算法能够以较大概率获取全局最优QoS多播路由.在NS2平台上的仿真结果表明了捕食逃逸PSO解决Ad hoc网络QoS多播路由问题的可胜任性.

铰链四杆刚体导引机构综合的区间逃逸粒子群算法

根据杆长约束条件,给出了铰链四杆刚体导引机构近似运动综合的无约束优化模型,并应用粒子群算法(PSO)求解此优化问题。针对PSO直接在整个解空间内寻优时很难求得全部解的缺点,提出了求刚体导引铰链四杆机构近似解的混合智能算法——区间逃逸粒子群算法(EPSObIS)。数值实例表明,EPSObIS能求出近似满足刚体导引要求的铰链四杆机构。