粒子群算法优化的广义回归神经网络求解流形学习样本外点问题

目前流形学习已成功应用于降维和数据可视化领域,但在监督分类中的应用效果并不理想,解决好样本外点问题对其应用效果至关重要。基于此,采用粒子群算法优化广义回归神经网络计算测试样本的低维嵌入,获得的结果可直接用于分类。借助粒子群算法的全局搜索能力对处理样本外点问题具有较好的预测性能;在使用糖尿病、虹膜和声呐三个公开数据集的实验中,粒子群算法优化广义回归神经网络的分类总体精度分别为77.63%、100%和88.89%,优于其他8种分类方法,表明该算法可行、有效;同时,该算法能显著降低数据复杂度,提高了预测、模式分类和机器学习的准确性。

种群熵启动反向学习的动态多种群粒子群算法

针对传统粒子群优化算法在求解复杂优化问题时容易陷入局部最优和停滞的问题,提出采用种群熵启动反向学习的动态多种群粒子群算法。借鉴狮群算法划分狮群的思想,采用动态多种群划分策略,将粒子划分成3个不同行为子群,对其实施不同的位置更新公式,保持粒子在搜索过程中的多样性;在迭代阶段,为避免算法早熟,构建了各维重心反向变异策略丰富变异备选个体,并结合种群熵指标进行种群状态评价适时启动变异策略,帮助粒子跳出局部最优。最后,通过8个基准测试函数与同种类6种经典和新型改进算法,在不同维度下进行测试对比。数值实验结果表明,改进策略显著提升了粒子群算法搜索能力,在搜索精度和搜索速度方面均优于其他对比算法。

基于改进粒子群算法优化的染色木材颜色检测算法研究

为提高染色木材颜色的检测精度和速度,对樟子松木材单板进行染色,选取染色单板的光谱反射率作为输入,以极限学习机模型为基础构建预测模型,对染色单板的色度参数L^(*)、a^(*)、b^(*)进行预测,运用粒子群算法对ELM权值和阈值进行寻优,并引入非线性惯性权重和新的位置与速度更新策略改进粒子群算法,以消除其易陷入局部最优的缺点。此外,以L^(*)、a^(*)、b^(*)平均绝对误差为评价指标,与基础ELM模型及其他模型作对比,发现优化后的模型平均绝对误差为0.16,测色效果相较于基础ELM的0.68、麻雀算法优化的ELM的0.37等具有明显优势,这对于提高木材染色生产效率具有重要意义。

移动机器人导航路径的自主学习粒子群规划方法

为了减小移动机器人行驶路径长度,提出了基于自主学习粒子群算法的导航路径规划方法。以减小路径长度为目标建立了路径规划模型;为了防止机器人发生碰撞,给出了障碍物膨化处理方法。在粒子群算法中引入了由多种粒子学习策略组成的学习策略池,并给出了粒子对学习策略进行选择的自主学习策略,从而提出了具有较强进化能力的自主学习粒子群算法。经算法性能测试,自主学习粒子群算法的优化能力强于传统粒子群算法和文献[11]改进粒子群算法;将自主学习粒子群算法应用于简单场景和复杂场景的路径规划,该算法规划的路径均值和标准差均小于传统粒子群算法,验证了自主学习粒子群算法在机器人路径规划中的优越性。

融入重心反向学习和单纯形搜索的粒子群优化算法

针对粒子群优化PSO算法后期种群多样性差和易陷入局部最优解等问题,提出具备重心反向学习和单纯形搜索行为的粒子群优化COLS-PSO算法。初始时,基于混沌策略构造出搜索空间。进化过程中,基于Spearman系数选择需要进行重心反向学习的粒子,以帮助算法逃离局部极值区域。进一步引入局部搜索能力较强的单纯形搜索方法增强对最优粒子邻近区域的开发,以提高搜索精度。实验先在若干标准测试函数上进行,之后将COLS-PSO算法应用于软件测试数据生成问题。实验结果表明,COLS-PSO算法在求解精度、收敛速度和有效性方面表现较好,能够有效平衡种群多样性和算法收敛性的矛盾。

基于粒子群优化的面向数据异构的联邦学习方法

联邦学习是一种新兴的面向隐私保护的分布式机器学习框架,其核心特点是能够在不获取客户端原始数据的条件下实现分布式机器学习。客户端利用本地数据进行模型训练,然后将模型参数上传至服务端进行聚合,从而确保客户端数据始终得到保护。在此过程中,存在频繁的参数传输导致的通信成本高昂问题和各客户端所拥有的非独立同分布异构数据问题,两者严重制约了联邦学习的应用。针对上述问题,提出了一种基于粒子群优化的面向数据异构的联邦学习方法——FedPSG,将客户端传输到服务器的数据形式由模型参数转变为模型分值,在每轮训练中只需要少部分客户端向服务器上传模型参数,从而降低通信成本;同时,提出了一种模型再训练策略,使用服务器数据对全局模型进行二次迭代训练,通过缓解数据异构问题对联邦学习的影响来进一步提升模型性能。模拟不同的数据异构环境,在MNIST,FashionMNIST与CIFAR-10数据集上进行实验,结果表明FedPSG能够有效提高模型在不同数据异构环境下的准确率,并且验证了模型再训练策略能有效解决客户端数据异构问题。

免疫粒子群算法的测试数据生成

为有效改善粒子群算法进化后期收敛速度慢,克服易陷入局部极值的缺陷,提出一种自适应免疫粒子群算法并在面向路径的测试数据生成中得到应用。本文提出自适应的惯性权重的调整方法和学习因子的调节策略,加快算法的搜索速率;引入免疫算法中的免疫算子,提出抗体的浓度调节机制,使得粒子群的多样性更加丰富,提升算法的寻优能力;通过免疫选择操作,避免算法的早熟收敛;以分支函数叠加法构造适应度函数。实验结果表明,该算法避免了粒子群算法早熟收敛现象的发生,有效地提高了测试数据自动生成的效率。

改进粒子群算法的自动充电机械臂时间最优轨迹研究

针对桁架充电机械臂关节空间轨迹规划的时间优化问题,提出了一种非线性动态学习因子的粒子群算法。通过运动学分析获取工作空间,引入3-5-3多项式插值进行轨迹规划。结合运动过程中的速度与加速度约束,寻求运动过程中的最短时间。对比改进粒子群算法和基本粒子群算法的收敛速度,分析各关节优化前后运动时间的变化情况,并进行仿真实验验证。结果表明:改进粒子群算法的收敛性能较基本粒子群算法更快,整体运动时间缩短约33%,证实改进粒子群算法的可行性。

基于改进粒子群算法优化LSTM的短期电力负荷预测

电力负荷数据具备时序性和非线性特征,长短时记忆神经网络(LSTM,long short-term memory)可以有效处理上述数据特性。然而LSTM算法性能对预置参数具有极大的依赖性,依靠经验设定的参数会使模型具有较低的泛化性能,降低了预测效果。为解决上述问题,提出非线性动态调整惯性权重粒子群算法(NIWPSO,nonlinear dynamic inertia weight strategy particle swarm optimization)与LSTM相结合的预测模型NIWPSO-LSTM。利用非线性动态调整惯性权重的方法来提升PSO的全局寻优能力,再通过NIWPSO对LSTM的参数进行优化。实验结果表明,NIWPSO-LSTM预测精度要远高于其他模型,验证了所提方案的可行性。

基于粒子群优化极限学习机的隧道地表沉降预测

为了提高地表沉降预测的精度和速度,提出了一种改进的极限学习机模型用于预测地表沉降。引入粒子群算法优化极限学习机的权值和阈值,提高极限学习机的预测效果。以济南轨道交通4号线燕山立交桥站为例,进行模型实证分析,利用改进的极限学习机进行盾构隧道地表沉降预测,并与传统的极限学习机模型进行对比。经过粒子群算法改进的极限学习机模型MSE降低了22%,RMSE降低了28%,MAPE降低了5.3%,验证了经粒子群算法改进后的极限学习机具有较好的预测精度和预测速度。对改进的极限学习机进行了泛化能力实证,验证了该模型具有较好的泛化能力。

基于改进粒子群优化算法和极限学习机的锂离子电池健康状态预测

锂离子电池健康状态(SOH)的准确预测能够保障电池安全稳定的运行。针对目前SOH预测模型准确性不高的问题,提出了一种改进粒子群优化算法(IPSOVP)和极限学习机(ELM)的SOH预测模型。首先,对电池数据进行分析,选择能够映射SOH变化趋势的健康特征;然后,采用Pearson相关系数分析法选出与SOH具有极高相关性的3个健康特征作为模型的输入,SOH作为输出;利用IPSOVP算法对ELM进行优化,建立IPSOVP-ELM模型进行SOH预测;最后,利用NASA电池数据集对IPSOVP-ELM模型进行验证,并与ELM模型、PSO-ELM模型、反向神经网络(BP)以及长短期记忆网络(LSTM)模型进行比较。实验结果表明,IPSOVP-ELM模型误差稳定在2%以内,具有更高的预测精度和鲁棒性,性能更好。

基于学习型粒子群算法的巡航导弹路径规划仿真验证

巡航导弹路径规划旨在提高巡航导弹突防能力和生存能力,确保命中精度,在保证作战任务的有效完成方面起着重要作用。其问题实质是在给定的约束条件下确定一条飞行路线,在满足巡航导弹机动特性的情况下,使巡航导弹能够最大程度下安全地到达目标位置。针对巡航导弹路径规划问题中易陷入局部最优、收敛性能较差、生成路径效能较低等问题,提出基于学习型粒子群算法的巡航导弹路径规划方法。首先对巡航导弹路径规划空间进行划分,确定生成路径的适应度函数;借鉴强化学习思想,在粒子群算法中引入Q学习机制,实现算法局部搜索和全局搜索的平衡。仿真结果表明,基于学习型粒子群算法的巡航导弹路径算法能够比较好地解决巡航导弹路径规划问题,相比经典粒子群算法,能够更加快速、稳定地搜索到最优路径。

基于边界自适应技术的精英交互学习粒子群算法

粒子群优化(PSO)算法依靠粒子之间的合作行为,使其在解决诸多优化问题上显示出极大的智能。然而,由于寻优机制,粒子很容易突破可行域的边界限制,若能使该行为在寻优过程中具有明确的指导意义将有助于提高算法的优化性能;更关键的是,原始粒子群优化算法中粒子的学习对象主要集中在全局最佳粒子上,这种更新机制无疑加速了种群多样性的损失,并使种群倾向于陷入局部最优。为了进一步提高求解复杂问题时的种群多样性和收敛精度,提出了一种基于边界自适应技术的精英交互学习粒子群算法(A-EIPSO)。该算法首先在原有的PSO算法中引入了新的边界处理技术,根据越界粒子的历史位置信息和越界距离自适应地赋予粒子在解空间内的分布特征;接着在多种群技术的基础上设计了一种精英学习策略来促进子群间社会信息的交换,并由精英粒子代替全局最佳粒子指导各子群内粒子的优化行为。实验结果表明,在大多数情况下,自适应处理技术保证粒子在搜索空间内实现均匀探索的同时显著提升了PSO算法的性能。此外,还将A-EIPSO在CEC2017基准测试套件上与5种先进的粒子群变体算法及2种主流的进化算法进行了比较。结果表明,A-EIPSO在不同类型函数上均表现出了优越的性能,改进了大多数优化问题的收敛精度,优于其他代表性的PSO变体算法和进化算法。

基于反向学习和精英提升的无速度项动态粒子群算法

针对粒子群优化算法在处理复杂优化问题时搜索精度低、收敛速度慢且易陷入局部最优的问题,提出一种基于反向学习和精英提升的动态多种群无速度项粒子群算法。首先基于无速度项的粒子位置更新模式,动态划分子群并采用不同的进化策略,利用反向学习为子群拓宽搜索范围,保证种群多样性的同时避免粒子过早陷入局部最优。然后为充分利用优秀粒子的信息并提高搜索精度,改进精英提升策略优化个体历史最优粒子,使用差分进化算法对种群最优粒子进行更新。最后通过CEC2006提出的22个测试函数进行性能测试。结果表明,本文提出的算法相比于其他算法在搜索精度和稳定性上拥有更加出色的性能,并能有效提升算法收敛速度。

融合反向学习和黄金正弦的改进粒子群算法

提出一种融合反向学习和黄金正弦的改进粒子群算法。通过反向学习策略优化初始种群的质量,提高算法的收敛速度;结合黄金正弦算法优化位置更新公式,并通过双面镜理论处理边界外的粒子,使粒子在搜索空间内分布更均匀,增强算法的搜索能力;利用柯西变异的方法对全局最优粒子的位置进行扰动,提高粒子跳出局部最优的能力。对8个测试函数进行实验,并与其他的五种算法进行比较,结果表明,本文改进之后的粒子群优化算法有着更快的收敛速度和更高的寻优精度。

NOMA系统中基于全面学习粒子群算法的功率分配优化

针对非正交多址接入系统中的能耗问题,提出了一种基于全面学习粒子群算法的功率分配优化方案。通过建立满足用户最低速率要求的优化模型,采用全面学习粒子群算法进行功率分配,得到最优功率分配因子。在保证用户频谱效率的前提下,使系统能量效率得到优化。仿真结果表明,在相同功率分配条件下,采用全面学习粒子群算法进行功率分配相较于现有算法进行功率分配获得了更优的能量效率。

基于社会学习粒子群的大规模多目标优化算法

现实世界中存在大量多目标优化问题,其中大规模多目标优化问题是目前研究的热点,然而现有多目标进化算法缺少有效进化算子来处理大规模优化问题。因此,本文提出了一种基于社会学习粒子群的大规模多目标优化算法(A largescale multi-objective algorithm based on a social learning particle swarm optimization algorithm,LMOSLPSO)。LMOSLPSO首先采用转换的密度估计策略求解每个粒子的适应值;然后基于社会学习粒子群思想,设计了一种有效的粒子进化的方法;最后执行多目标优化算法RVEA(a reference vector guided evolutionary algorithm)的环境选择操作来选择下一代个体。其中,转换的密度估计策略有利于平衡算法种群收敛性和多样性,新设计的粒子进化的方法有利于提高算法的搜索能力。在9个标准的大规模优化测试问题上,与多个近期提出的多目标优化算法进行对比。实验结果表明,该文所提出的LMOSLPSO算法具有较好的收敛性及分布多样性。

基于粒子群优化和卷积神经网络的电力系统运行状态辨识

随着“双碳”目标的提出,高比例可再生能源和高比例电力电子设备正成为电力系统发展的重要趋势和关键特征,其间歇性、不确定性使电力系统实时运行状态辨识面临严峻挑战。为此,该文提出一种基于粒子群优化和卷积神经网络(particle swarm optimization and convolutional neural network,PSO-CNN)的高精度电力系统实时运行状态辨识方法。首先,该方法同时考虑电力系统安全域与稳定域下的暂态问题,适用于暂态稳定故障前、故障中及故障后多场景的电力系统运行状态辨识。其次,为确保样本数据中新能源机组出力方式的全面性,采用拉丁超立方抽样方法对精细化仿真数据采样,考虑到实际电力系统中存在状态类别极端不平衡问题,引入PSO算法调节模型不同类别损失函数权重以提高模型对极端不均衡样本的辨识效果。最后,分别在IEEE39节点系统及某省级电网系统中对所提方法进行评估,实验结果证明了所提状态辨识方法的有效性及鲁棒性。

改进自适应惯性权重粒子群算法及其在核动力管道布置中的应用

[目的]旨在研究非线性自适应惯性权重粒子群优化算法,实现船用核动力一回路系统管道路径的布置优化设计。[方法]根据船用核动力一回路系统的管道布局设计特点,建立一回路系统的管道布局空间模型、约束条件和评价函数;基于管道节点数量,提出一种粒子群优化(PSO)算法的新型定长编码方法,然后结合该编码方法建立方向引导机制;在此基础上,针对粒子群优化算法易陷入局部最优解、收敛速度慢的缺点,结合辅助线性变化的学习因子,提出一种基于非线性自适应惯性权重的改进粒子群优化算法;将改进粒子群优化算法与协同进化算法相结合,提出一种用于求解分支管道布局问题的协同进化粒子群优化算法,以用于核动力一回路系统的管道布局优化。[结果]仿真结果显示,所提的改进算法与标准算法相比收敛速度提高了40%~50%,不仅能够得到更好的管道布局效果,还解决了标准粒子群优化算法容易陷入局部最优解的问题。[结论]研究成果可为船用核动力一回路系统管道布置的优化设计提供有益的参考。

基于改进粒子群算法的机械臂逆运动学求解

为了克服一般传统方法在求解机器人逆运动学问题时的不足,通过构建合理的适应函数将机械手逆运动学问题转变为目标优化问题,然后通过群智能算法加以优化,进而求解逆运动学问题。给出一种粒子群算法的优化方法,通过动态惯性权重来调节算法全局搜索和局部搜索的能力,同时引入收缩学习因子来避免算法陷入局部最优。以机器人末端执行设备的位置误差最小,设机器人在运动过程中的能量消耗最小为优化目标,在一种串联仿人机械臂上进行了仿真实验。通过计算机仿真结果便可发现,与其他粒子群算法对比,经过改进的粒子群算法具有较好的收敛速率和求解精度。可以看出,该方案能够合理地进行机器人逆运动学问题的解决。