基于正弦惯性权值反向蜉蝣优化算法

针对蜉蝣优化算法(Mayfly Algorithm,MA)早熟问题,提出一种基于正弦惯性权值反向蜉蝣优化算法。该算法采用准反向学习初始化替代随机初始化,在雌雄蜉蝣位置更新过程中引入准反向学习策略,将当前位置与反向位置反向学习,择优选择位置进入下一次迭代。基于正弦函数的周期性,将正弦函数、随机策略与惯性权值融合成正弦惯性权值策略以增强MA的搜索能力。仿真结果表明,所提算法在全局收敛性和收敛速度方面均明显优于其他算法,并在焊接梁设计中验证了该算法的实用性。

基于改进粒子群算法的BP算法的研究

针对BP算法的缺陷以及标准粒子群算法优化BP网络权值的不足,为了提高算法的全局搜索能力,提出了基于自适应动态调整惯性权重的粒子群算法的BP网络算法。算法根据适应度值的改变情况来调整惯性权重,使惯性权重的改变不依赖于最大迭代次数和当代迭代次数,从而使整个网络具有较快的收敛速度和较小的误差。将算法应用于海参疾病的诊断中。实验发现,基于自适应动态调整惯性权重的粒子群算法的BP算法比基本粒子群算法的BP算法收敛速度快,算法的准确率也比较高,同时改进算法训练的BP网络也比基本粒子群算法训练的BP网络稳定。仿真证明,自适应动态调整惯性权重的粒子群算法对BP算法的优化优于基本粒子群算法。

基于改进粒子群优化LS-SVM的卫星钟差预报研究

针对导航卫星短期钟差预报精度和稳定度不高的问题,提出了一种基于改进粒子群优化(PSO)最小二乘支持向量机(LS-SVM)的卫星钟差预报方法。通过引进自适应改变的惯性权重和学习因子来提高粒子群算法的寻优能力,并将其应用到LS-SVM的参数优化中,避免人为选择参数的盲目性,提高了LS-SVM的泛化能力和预报精度。选取国际GPS服务组织(IGS)产品中四颗典型卫星的钟差数据,分别采用LS-SVM模型、神经网络模型和灰色系统模型进行短期钟差预报,计算结果表明:LS-SVM模型的预报精度优于其它两种模型,为导航卫星短期高精度钟差预报提供了新的思路。

带有权重函数学习因子的粒子群算法

粒子群算法(PSO)中惯性权重和学习因子的独自调整策略削弱了算法进化过程的统一性和粒子群的智能特性,很难适应复杂的非线性优化,为此提出一种利用惯性权重来控制学习因子的PSO算法。该算法将学习因子视作惯性权重的线性、非线性以及三角函数,在惯性权重随时间线性或非线性递减的过程中,学习因子发生相应的递减或递增变化,进而通过增强两者之间的相互作用来平衡算法的全局探索和局部开发能力,更好地引导粒子进行优化搜索。同时为了分析惯性权重和学习因子的融合性能,采用线性和非线性权重法进行比较,测试函数的优化结果表明了采用非线性递减权重的优越性。最后通过对多个基准测试函数的优化分析,并与带有异步线性变化和三角函数学习因子调整方法的PSO进行比较发现,该策略利用惯性权重调整学习因子,能达到平衡粒子个体学习能力和向群体学习能力的作用,提高了算法的优化精度。

基于核模糊C-均值和EM混合聚类算法的遥感图像分割

针对聚类算法在应用中分割速度慢、抑制噪声能力弱等问题,本文提出一种基于核模糊C-均值(Kernel Fuzzy Cmeans,KFCM)和融合期望最大化(EM)算法混合聚类的遥感图像分割。首先给原始KFCM算法引入隐含变量来对像素预定义类别,然后利用EM算法评价预定义的类别是否最优,以此完成对遥感图像的聚类分割。在利用EM算法进行评价时,对KFCM引入空间邻域信息,采用惯性权重对其初始化参数进行优化增强算法效率。与传统的聚类分割方法进行比较,研究结果表明,该方法速度快、效果好、精度也能满足应用要求,具有较高的应用价值。

基于改进惯性权重的粒子群优化算法

惯性权重是粒子群算法中平衡全局搜索和局部搜索能力的重要参数,提出了一种基于改进惯性权重的粒子群优化算法。该算法在进化初期采用基于不同粒子不同维的动态自适应惯性权重策略,加快收敛速度,在进化后期采用线性递减权重策略,同时为防止陷入局优,适时引入混沌变异增加种群多样性。对5个典型测试函数的测试结果表明,NPSO在收敛速度、收敛精度、稳定性和全局搜索能力等方面比线性权重PSO(LDIWPSO)均有很大程度上的提高。

改进微粒群算法在梯级电站长期优化调度中的应用

微粒群算法是一种简洁高效的智能优化算法,但基本算法容易陷入局部最优,并且搜索精度不高。本文在基本算法的基础上引入锦标赛选择机制和自适应惯性权重因子,提出了改进微粒群算法(MPSO)。将MPSO算法应用到黄河上游梯级电站的长期调度中,并与动态规划法和基本算法的调度结果相比较。实例表明了MPSO算法的有效性和可靠性,从而为梯级电站水库(群)长期优化调度提供了一种新的、有效的优化方法。

基于改进粒子群算法的BP神经网络在边坡稳定性评价中的应用

边坡稳定性分析与评价是边坡工程的核心内容,具有高度非线性和不确定性特征.首先,选取了多个边坡工程实例构成学习样本集,以土体重度、内摩擦角、粘聚力、坡角、坡高、孔隙比六个主要影响因素作为土坡稳定性的评价判别指标;然后,采用改进的粒子群算法优化BP神经网络模型,将网络权值和阈值粒子化,通过引入粒子群进化度和粒子群聚合度实现惯性权重的动态变化,利用粒子群算法的全局搜索性实现网络权值和阈值的更新,从而增强算法对非线性问题的处理能力,加快了收敛速度;最后,通过与其它边坡稳定性评价算法进行比较分析,表明了本文研究算法的可行性与合理性.

优化的径向基函数(RBF)神经网络实现高场非对称波形离子迁移谱(FAIMS)分离电压温度补偿研究

针对高场非对称波形离子迁移谱仪（FAIMS）分离电压温度漂移造成的其物性表征的不确定性问题,提出了一种采用径向基函数（RBF）神经网络对分离电压进行温度补偿的方法。为了提高算法的实时性,加快函数逼近速度,采用指数下降惯性权重（EDIW）动量因子策略对RBF神经网络参数进行了优化。在20-120℃的温度范围内,对该算法及线性下降惯性权重（LDIW）动量因子策略优化的RBF神经网络和传统RBF神经网络等3种补偿算法进行对比。结果表明,指数下降惯性权重动量因子策略优化的RBF神经网络模型具有更少的迭代次数和更短的运算耗时,使分离电压很好地保证了对特定物质离子表征的唯一性,同时验证了该模型还具有较强的泛化能力。对分离电压采用温度补偿的方法也为实现迁移管无恒温控制提供了理论依据。

基于混沌粒子群算法的无人机航迹规划

为研究无人机航迹规划问题,通过引入混沌映射,对基本粒子群算法(PSO)的初始位置和速度、惯性权重值、随机常数进行了改进.根据无人机航迹规划模型,给出了基于混沌粒子群算法的无人机航迹规划步骤,然后进行了仿真.仿真结果表明,与基本粒子群算法相比,该改进粒子群算法可以有效地规避威胁目标和地形,所需代价更少.

视觉测量数据融合技术研究

结构光测距技术的主要缺点是无法获取摄像机看不到或光源照不到的点的数据。为此 ,采用冗余多传感器构成视觉坐标测量系统。传感器输出各自测得的目标参数和状态参数到数据融合中心 ,特殊设计的惯量计算方法抽提出各路信号的特征参数。利用特征参数阈值进行数据特征融合后 ,再进行加权融合计算 ,使融合后的最终测量结果达到最优。实验证明数据融合技术明显改善测量系统性能 ,对复杂形貌曲面测量有重要意义。

基于粒子群优化算法对PID参数的优化整定

本文首先介绍了PID控制器,在此基础上提出了一种基于智能群算法对PID控制器的比例、积分、微分三个参数进行优化整定的改进PSO算法,并利用Mat lab对PID工业控制器进行模拟仿真,利用仿真曲线进行直观的对比。通过与标准PSO优化算法及常规的Z-N整定法的比较,结果表明基于改进PSO算法对PID的整定方法不仅能快速的从全局搜索出优化的整定参数,而且也能够大大地提升整定效果。实验结果也表明该算法具体良好的收敛速度和稳定性,是一种具有高控制精度、高稳定性和快速性的PID整定算法。

用三线摆测定物体对非质心轴的转动惯量

对三线摆的线性近似模型和转动惯量计算公式的由来作了简要说明.分析了三线摆扭振系统质心偏移对转动惯量测试的影响,给出了扭振系统质心与三线摆中心轴对齐的判别准则和用三线摆测定物体对非质心轴转动惯量的工程实用方法.通过工程实例说明了该方法的有效性与可靠性.最后讨论了提高转动惯量实测精度的几项具体措施.

随机权重复合模型PSO算法

在分析了标准微粒群(PSO)算法速度运动方程的基础上,提出了一种具有随机权重的复合模型PSO算法,采用测试函数进行仿真。实验结果表明,该算法能有效地提高收敛速度和全局搜索能力。

基于信用迁移的贷款组合多目标优化问题研究

针对现有研究大都仅对单个目标进行优化的现状,提出一种优化决策模型,即将企业信用风险迁移引入到贷款收益率的计算中,以限制资产数目、决策变量上下界等为约束条件,建立组合投资的收益最大、同时方差风险最小的优化决策模型。该模型是一个混合0-1变量的多目标规划问题,提出求解该模型的一种自适应改变惯性权重的离散粒子群算法,数值结果表明该算法是有效的,模型是合理的。

基于改进GSA-BP算法的动态称重数据处理

为提高动态称重数据处理的精确度和速度,研究动态称重数据处理相关方法,提出一种改进的引力搜索算法(GSA)对BP神经网络进行优化的方法。通过引入改进黑洞因子(BH)和自适应惯性权重,提高GSA的搜索能力,优化BP神经网络的初始权值和阈值,使动态称重数据的处理速度更快、精确度更高。将改进GSA-BP算法和BP算法、GABP、GSA-BP进行仿真对比,对比结果表明,改进的GSA具有优秀的全局搜索能力,经其优化的BP网络对动态称重数据的处理结果更加精确、性能更好。

基于改进的RBF神经网络车辆动态称重研究

针对道路交通的复杂性,提出利用改进的径向基函数神经网络算法处理车辆的动态称重数据。该算法使用粒子群寻优的方式确定RBF神经网络中心,通过惯性权重因子控制寻优速度,将车辆的动态称重重量、车速、车长、轴数作为辅助神经网络的输入向量预测真实车重。训练结果表明,车辆速度与误差率呈正相关关系,改进的RBF神经网络可以明显提升动态称重数据的精度,在处理高速数据时,改进的RBF算法优化效果更好,在实际应用中具有重大意义。

基于个体位置变异的粒子群算法

针对粒子群算法随着迭代次数的增多,其种群多样性降低,粒子群算法容易陷入局部最优的不足,提出了一种基于个体位置变异的粒子群算法。该算法在保证最终收敛的前提下极大扩展了粒子的空间搜索范围,从而降低了粒子群算法发生早熟的可能,并且程序量较小。仿真实验中,将算法应用于6个典型测试函数中,并与其它改进粒子群算法进行比较,结果表明,该算法具有较强的全局寻优能力和较好的收敛速度,明显提高了粒子群算法的优化性能。