基于多学习因子粒子群算法的微博用户影响力分析

分析了用户与其所在网络社团之间的关系,将岛屿模型的思想应用于标准粒子群算法的改进,提出了一种多学习因子粒子群算法(MPSO)。该算法综合考量了用户自身属性和社团关系网络特性两种影响因子,克服了网络水军和僵尸粉的干扰,同时这种改进的粒子群算法使得粒子在进化过程后期更具多样性,避免陷入局部最优。最后通过与Page Rank算法、Behavior-Relationship Rank算法进行对比,充分验证了MPSO算法的准确性以及可靠性。

学习因子和时间因子随权重调整的粒子群算法

粒子群优化算法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,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粒子群算法,通过增强权重和学习因子之间的相互作用来平衡算法的全局探索和局部开发能力。在此基础上引入时间因子,将其视做权重的线性函数,以便进一步提高迭代后期的局部开发能力并加快收敛速度。针对粒子群算法收敛性与多样性之间存在的矛盾,提出了边界限制和速度反弹的策略,避免粒子飞离区域造成种群多样性的减少,同时促使粒子快速收敛到全局最优。通过对多个基准测试函数进行优化分析,并将分析结果与其他粒子群算法计算结果进行对比,表明该算法能达到平衡粒子向个体学习和向群体学习能力的作用,提高了算法的寻优能力和收敛精度。

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。

基于非对称学习因子调节的粒子群优化算法

分析粒子群优化算法中2个学习因子对粒子收敛性的影响,通过Benchmark标准测试函数对不同取值的学习因子进行测试,提出一种基于非对称学习因子调节策略的改进粒子群算法。在搜索初期使粒子获得更好的多样性及较强的摆脱局部极值的能力,在搜索后期加快粒子的收敛速度,提高全局寻优能力。该算法已在复合齿轮传动系统的传动比优化设计中得到了成功应用。

一种动态改变学习因子的简化粒子群算法

基本粒子群优化算法(basic particle swarm optimization,简称bPSO)具有容易陷入局部极值,进化后期熟练速度慢,精度低等缺陷,而简化粒子群算法(simple particle swarm optimization,简称sPSO)在保证了熟练速度和精度的同时舍弃了速度项,使算法更加简练。本文提出了一种动态改变学习因子的简化粒子群算法。经过实验证明,该算法在寻优精度和收敛速度上具有明显的优势。

改进学习因子和约束因子的混合粒子群算法

针对传统粒子群优化算法解决复杂问题时收敛速度太快、容易陷入局部最优解的问题,在全局—局部最优解粒子群算法的基础上,提出了一种改进学习因子和约束因子的混合粒子群优化算法。通过将粒子的邻域最优解加入到速度更新公式,使得粒子的速度更新同时受全局最优解和邻域最优解作用,提高了粒子的寻优能力。并改进了学习因子和约束因子,平衡粒子的全局搜索和局部开发能力。通过几个经典测试函数分析比较,该算法能大大提高粒子的寻优能力。

自适应学习因子的混沌二进制粒子群优化算法

针对二进制粒子群优化算法存在求解精度低的问题,提出一种自适应学习因子的混沌二进制粒子群优化算法(SABPSO)。首先,SABPSO算法采用混沌策略初始化粒子种群;其次,根据适应度值以及当前粒子与最优粒子间距离设计粒子成长因子,反映种群的进化状态;再次,通过成长因子和迭代次数设计自适应学习因子更新机制;最后,实验结果表明:在4个经典测试函数上SABPSO算法具有更有效的收敛性能。

基于学习因子自适应改变的粒子群算法研究

标准粒子群算法的学习因子是固定值,但是研究发现这种取法却并不合适,会影响到算法的性能.本文通过研究得到以下结论:为了保证粒子群算法搜索到更广阔的空间以及粒子的收敛性,不管是调整单个学习因子还是两个同时调整,学习因子c1对应的函数都应该先凹后凸,而c2对应的函数应该先凸后凹;绝大多数情况下两个因子一起调整会比只调整一个要好;两种调整策略同样都是c1对应的函数先凹后凸、而c2对应的函数先凸后凹的情况时,非对称性调整优于对称性调整.

一种改进学习因子的粒子群算法

针对高维复杂函数的标准粒子群算法常存在早熟收敛问题,提出一种让初始化粒子群的位置"相对均匀"并且随着搜索阶段不同而改变认知学习因子和社会学习因子的算法。该算法可以在搜索前期增强全局搜索,使之不陷入局部最优,而到搜索后期增强局部搜索能力,使之得到更精确全局最优解。通过五个典型测试函数的实验结果对比,可以清楚地表明改进后的算法得到的最优解更加接近真实的最优解。

基于动态调整学习因子的免疫粒子群算法及其应用

为了使风光水联合发电系统达到经济效益最大化优化调度的目的,针对粒子群算法在进化过程中易早熟、后期收敛速度慢并且精度较低的特点,提出一种动态调整学习因子的免疫粒子群算法。该算法对学习因子进行非对称线性动态调整,增强前期的全局搜索能力,以及后期的局部搜索能力,快速得到全局最优解。该算法在文中联合系统的求解中得到很好的应用,显著提高了搜索精度,表明了模型和算法的有效性。

基于动态调整惯性权重下改进学习因子的粒子群算法

粒子群算法针对高维复杂函数常存在早熟收敛问题,本文提出一种在已有动态调整惯性权重的基础上对学习因子进行改进的粒子群算法,使学习因子随着搜索的不同阶段改变认知学习因子和社会学习因子。比较五个标准测试函数的实验结果,表明改进后的算法得到的结果更优。

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。

基于粒子群优化算法的地震数据品质因子及混合相位子波同时估计

非稳态地震数据高分辨率处理及反演是通过求解包含地震子波滤波效应及地层吸收衰减效应的反演方程,获得地下反射界面的地震响应。为实现高分辨率处理及反演中初始地震子波及数据品质因子Q模型的实施条件,结合地震子波Z变换的根移动编码及等效Q模型的二进制—十进制转换策略,引入粒子群全局优化算法,建立非稳态地震数据混合相位初始地震子波及数据品质因子同时估计的方法。利用井旁道与数据的互相关作为准则函数,判定粒子群是否收敛至最大,输出最佳初始地震子波及Q。应用理论合成数据和实际数据测试进行验证。结果表明:相较于传统常相位地震子波估计及反Q滤波,该方法在复杂干扰条件下能更精确捕获真实的子波波形及衰减参数。利用输出的地震子波及Q进行时变反褶积处理得到高分辨率剖面,说明方法具有准确性、计算效率高且输出结果优,估计的地震子波和Q更符合实际地震波传播特征,为后续高分辨率地震数据处理提供基本参数。

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。

一种带有二维扰动和自适应学习因子的粒子群算法

针对粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优值、后期收敛速度慢和收敛精度低等问题,提出了一种带有二维扰动和自适应学习因子的粒子群算法(TDDALFPSO).首先,提出了自适应惯性权重和学习因子调节算法调节惯性权重、认知系数和社会系数,提高了全局搜索能力和局部搜索能力;然后提出了基于位置、速度二维扰动更新粒子位置的算法,避免了不在最优值区域的全局历史最优值对搜索的误导,提高了算法的收敛速度和精度;最后通过变异一些适应度值最差的粒子,让它们搜索空间中的其他领域,增加了种群的多样性,改善了算法容易陷入早熟的问题.仿真实验表明和基本PSO算法相比,TDDALFPSO在收敛速度、精度和稳定性上有了明显的提高;并且在大多数优化问题上和基于线性惯性权重递减的PSO算法(PSO-W)、基于综合学习的PSO算法(CLPSO)、基于适应值距离比例的PSO算法、基于三角函数动态参数选择的PSO算法(TPSO)和带正弦函数因子的粒子群优化算法(TFPSO)相比,TDDALFPSO在收敛速度、精度和稳定性上都有一定的优势.

混沌映射的禁忌同步随机学习因子粒子群算法

针对粒子群算法初始化个体质量参差不齐,算法后期容易早熟,陷入局部最优值以及后期搜索精度不高、收敛速度缓慢的缺点,本文提出一种基于混沌映射的禁忌同步随机学习因子粒子群算法.利用Logistic映射对算法的粒子种群进行初始化,提高种群个体质量;在算法进入后期搜索寻优时,引入禁忌搜索策略,利用其良好突跳能力,跳出局部最优值,提高算法的全局搜索能力;最后将传统的学习因子通过几个测试函数进行迭代寻优,选取寻优能力突出的区间构建同步随机学习因子,平衡粒子的个体经验和群体经验.将改进的粒子群算法与另外几个智能算法在测试函数上寻优对比验证,仿真实验证明,改进的粒子群算法在寻优能力、收敛速度、搜索精度以及算法的稳定性等性能上,与另外3个智能算法相比都有显著提升.

动态调整学习因子的粒子群优化算法

粒子群优化算法很难适应复杂的非线性优化,为此提出了一种动态调整学习因子的策略——不断调整学习因子来平衡算法的全局探索和局部开放能力,更好地引导粒子进行优化搜索。通过对4个经典的测试函数进行仿真实验,并与其他改进算法进行比较,结果显示,新算法求解精度高、收敛速度快,特别是在多峰值函数中表现优越。

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。

学习因子随权重调整的混合粒子群算法

首先使惯性权重随迭代次数和粒子状态非线性改变平衡算法的全局探测和局部开采的能力,为了解决惯性权重与学习因子独立调整削弱了粒子群算法的统一性和智能性等问题,通过分析惯性权重与学习因子的变化关系,将学习因子表示为惯性权重的logistic回归分析型函数。由于非线性因子的加入会降低粒子的多样性,结合差分进化算法的交叉算子和变异策略,利用交叉算子来提高算法的全局探索能力,保持种群多样性;利用差分进化算法的变异策略产生候选解来更新位置公式,给出了学习因子随权重调整的混合粒子群算法,并对新提出算法的收敛性进行理论分析。将此改进算法与相关算法在四个测试函数上进行对比实验,证明该算法在寻优精度、迭代速度和收敛成功率上有明显改进。

基于学习因子优化的粒子群算法识别结构损伤

采用粒子群算法识别结构损伤时,取得的实际最优解易被局部最优解覆盖。将局部最优解用于结构损伤识别,致使产生识别结果精度低、误判率高等问题。将S型动态变化的学习因子c_(1)和c_(2)引入到粒子群算法中,可使粒子快速、准确地收敛到全局最优解。该方法通过优化个体粒子和群体粒子的学习能力,有效提高了粒子群的寻优效率,实现了结构损伤的高精度识别。数值模拟结果表明:提出的新方法在结构损伤识别方面具有识别精度高、误判少、鲁棒性好等优点,可用于结构单一单元损伤或多单元损伤的识别。研究成果为结构损伤识别及结构健康监测提供了新思路。