Logistic动态粒子群优化算法的改进及分析

分析了Kennedy最新提出的高斯动态粒子群优化算法(GDPSO)的寻优模式,针对GDPSO的特点,结合粒子群优化算法的新寻优模式,提出了Logistic动态粒子群优化算法(LDPSO);并基于LDPSO和GDPSO的特性,设计了LDPSO算法的两种改进策略——混合优化策略和最优粒子变异策略,混合优化策略用以提高收敛速度,最优粒子变异策略用以保持群体多样性,避免算法陷入局部最优。实验结果显示了LDPSO及其改进算法的有效性。

求解大规模问题协同进化动态粒子群优化算法

随着工程技术的发展与优化问题数学模型的完善,许多优化问题从低维优化发展成高维的大规模复杂优化,成为实值优化领域的一个热点问题.通过对大规模问题的特点分析,提出了随机动态的协同进化策略,将其加入动态多种群粒子群优化算法中,实现了对种群粒子和决策变量的双重分组.最后,使用CEC2013的大规模全局优化算法的测试集对新算法进行测试,通过和其他算法的对比,验证算法的有效性.

求解高维函数优化的动态粒子群算法

针对基本粒子群优化算法对高维函数优化时搜索精度不高的缺陷,提出了一种动态粒子群优化算法。该算法采用了通过调节阈值对粒子运动轨迹进行动态改变的策略,使得粒子对周围环境的适应能力不受进化代数的影响,从而保证了算法在迭代后期仍具有较强的搜索能力。实验结果表明,与文献算法相比,该算法在处理高维函数优化时具有更强的寻优能力和更高的搜索精度。

基于异构多种群策略的动态概率粒子群优化算法

结合动态概率粒子群优化算法(DPPSO)特点,针对传统的单种群粒子群优化算法易陷入局部最优、收敛速度较慢的缺点,文中提出一种基于异构多种群策略的DPPSO.该算法在进化过程中保持多个子种群,每个子种群以不同的DPPSO变体进行进化,子种群之间根据一定规律进行通信,从而保持整个种群内部的信息交流,进而协调DPPSO的勘探和开采能力.通过典型的Benchmark函数优化问题测试并分析基于异构多种群策略的DPPSO性能,结果显示,使用该策略的算法收敛速度较快,稳定性有较显著提高,具有较强的全局搜索能力.

基于动态多目标粒子群优化算法的资源受限研发项目进度

资源与进度优化调度已成为企业研发项目成功的关键。引入粒子群算法来解决这一问题,将普通粒子群多目标算法进行了改进,提出动态的多目标粒子群算法,通过采用VC++编程语言对模型及其求解算法进行案例仿真,证实了模型及算法的有效性与优越性。

基于动态粒子群小波动态加权多模盲均衡算法

为了提高对高阶正交振幅调制(QAM)信号的均衡效果,提出了基于动态粒子群优化(DPSO)的小波动态加权多模盲均衡算法(DPSO-WTDWMMA).该算法将DPSO算法和正交小波变换结合起来应用于动态加权多模盲均衡算法(DWMMA)中。利用DPSO对均衡器权向量进行优化,利用正交小波变换降低输入信号的自相关性,利用动态加权多模算法来选择合适的误差模型匹配发射的QAM信号,降低了稳态误差。理论分析及水声信道仿真结果表明:DPSO-WTDWMMA算法可获得较快的收敛速度和较低的稳态误差。

改进粒子群算法优化的SVM在恶性肿瘤诊断中的应用

为了提升恶性肿瘤的诊断效率及精准度,基于动态粒子群优化(DPSO)算法和支持向量机提出了DPSO-SVM诊断模型。DPSO在PSO的基础上结合GridSearch,GA等算法对惯性权重的取值以及种群迭代更新方式进行了改进,平衡了算法迭代前期的全局搜索性能与后期的局部搜索性能,提升了迭代后期种群的多样性和收敛速度。仿真实验结果表明,所提出的改进DPSO算法相比传统算法以及标准智能算法寻优效果有明显提升,构建的DPSO-SVM诊断模型与主流诊断模型相比在肿瘤诊断中也有着更优越的性能,提升了诊断效率的同时也降低了诊断误差。

基于改进粒子群算法的路径优化问题研究

把动态约束机制及改进的粒子群优化算法(含交叉策略的动态多组群粒子群优化算法)与Bezier曲线结合来实现路径优化.用三次Bezier曲线来描述路径,测试不同算法下得到的曲线在路径优化问题中的特性,通过比较得出不同算法的优劣性.实验结果表明:动态多组群粒子群优化算法克服了标准粒子群优化算法易于早熟和陷入局部最优的特点,动态约束提高了交叉策略下算法的寻优性能,能够灵活地处理约束条件,克服了以往静态惩罚函数的缺点.

改进粒子群算法集成解决动态单元构建与布局问题（英文）

为了降低产品生命周期缩短对生产系统的影响,对动态单元构建与布局问题同时进行了优化.首先介绍了单元构建与布局问题,考虑到不同阶段的产品需求变化及机器产能限制,适当地将单元进行重新布置.然后,以最小化物料搬运费用为目标函数,建立了数学规划模型.其次,提出了基于沟通学习策略的动态多种群粒子群算法,使各种群粒子重组之前以规定策略进行位置共享,避免陷入局部最优和收敛较慢的困境.最后,在不同条件下进行了仿真对比实验,结果表明,所提出的算法具有更好的收敛稳定性以及更快的收敛速度.

基于ADPSO算法优化LSSVM的高速公路交通量预测方法

针对高速公路交通量与其经济影响因素之间的复杂非线性关系,将最小二乘支持向量机(least squares support vector machines,LSSVM)与自适应动态粒子群优化(adaptive dynamic particle swarm optimization,ADPSO)算法相结合,提出一种ADPSO算法优化LSSVM的高速公路交通量新型预测方法.将建模简单、精度高的LSSVM作为预测模型,通过寻优能力优异的ADPSO算法选择LSSVM最优参数.以某市高速公路交通量为例验证模型的有效性.结果表明,所提方法的预测性能较好,适合于高速公路交通量的短期预测.

基于性能劣化分析的钢桥维护策略优化研究

为保证桥梁的安全性与适用性,同时合理控制全寿命期总成本,在桥梁性能劣化分析的基础上,对钢桥维护策略优化的多目标动态优化方法进行研究。用可靠度指标与状态指标表征桥梁性能状态,考虑环境、荷载及材料特性的影响,提出基于损伤累积的桥梁可靠度指标与状态指标劣化模型;以全寿命成本最小为目标、以可靠度指标和状态指标为约束条件,分别建立加固策略及维修策略的优化模型。通过引入改进的Logistic动态粒子群优化算法结合Monte-Carlo模拟与"乘大数"的惩罚策略实现多目标优化求解。通过对钢拱梁组合体系的天津海河国泰桥主桥运营期维修加固策略进行优化,证明了该方法的有效性和适用性。

基于网络流的嵌入式互联网中流量控制与优化

针对嵌入式互联网中实时应用的受限问题,本文提出优化网络资源,平衡网络流量的解决问题思路.基于此,采用图论中的最大流最小割定理,在最小物理网络拓扑结构中构建流量控制模型,并提出一种动态离散粒子群优化算法(DDPSO).DDPSO通过优化模型中的最大流函数继而优化控制网络流量.仿真实验证明:本文提出的DDPSO算法在定义域内具有较好的收敛性;当采用分级优化策略优化控制网络流量时,本文提出的优化策略可以有效优化网络流量,充分利用网络资源,以保证实时应用要求.

短循环前缀OFDM信号参数估计方法研究

为了克服传统的OFDM信号参数估计方法在短循环前缀条件需要大量OFDM符号、估计性能较低、抗多径衰落能力差等缺点,本文提出了一种新的短循环前缀OFDM信号参数估计方法。该算法利用OFDM信号模型推导出接收端的傅里叶逆变换模型函数,然后在此基础上根据OFDM信号的先验概率密度构造一种多参数融合的极大似然函数,并从理论上说明了可以通过检测似然函数的最小值实现OFDM信号循环前缀长度和有效符号长度的联合估计。同时,本文还利用动态粒子群优化算法(DPSO)降低了搜索复杂度,缩短了估计时间。仿真实验展示本文算法在不同环境下对OFDM信号参数估计的鲁棒性,表明本文算法的识别性能优于传统方法。

一种改进的原油价格组合预测优化策略研究

由于原油的重要性以及原油价格序列的非线性和复杂性,原油价格预测备受关注.组合预测是一项利用多个子模型提供的有用信息产生综合预测从而提高预测准确性的技术.原油价格组合预测研究的主要问题是如何有效地构建具有多样性的子模型,并确定最优组合权重.本文提出一种改进的原油价格组合预测模型.首先,采用多种特征选择技术,包括过滤式,包装式和嵌入式三大类方法,筛选出影响原油价格波动的关键因素.然后,基于不同特征选择方法筛选出的不同特征子集,结合多元线性回归,人工神经网络和支持向量回归预测模型,构建混合预测模型.在此基础上,提出一种动态粒子群优化算法,该算法能够搜索最优组合权值,并捕捉其在时间维度上的动态变化.实验结果表明,本文提出的动态组合预测模型能较大程度地降低计算复杂度,提高原油价格预测性能.