一种改进的完全信息粒子群算法研究

为了提升粒子群算法求解复杂的多峰问题的能力,提出一种改进的完全信息粒子群算法(IFIPSO).对粒子自身最优位置的运行,进行变异操作以增加种群的多样性;同时,引入并改进完全信息粒子群算法,使得粒子充分地向自身邻居的历史最优位置进行学习,提升种群向最优解飞行的概率.在基准函数的测试中,结果显示IFIPSO算法相比其它算法有更好的性能.

不完全判断矩阵权值的粒子群优化算法计算

不完全判断矩阵权值求解是一个重要问题。在分析不完全判断矩阵权值求解的各种方法基础上,提出以使判断矩阵的最大特征值达到最小为目标,建立求解权值准则。给出利用粒子群优化算法解决此问题,实例表明该方法比较有效。

基于粒子群优化算法的不完全数据的处理

不完全信息下的数据挖掘是一个困难的问题,但它在实际决策中是不可避免的。在介绍几种处理方法的基础上,提出了基于粒子群优化算法的处理方法。对适应函数进行了讨论,实例表明该方法比较有效。

粒子群优化算法的改进及数值仿真

提出一种改进的粒子群优化算法,该算法采用使全局探索与局部开发合理平衡的方法,降低了粒子群优化易陷入早熟收敛的可能性.先用Beta分布初始化种群,再用逆不完全Γ函数更新惯性权重,然后基于差分进化的新算子实现速率更新,最后采用基于边界对称映射的方法处理粒子的越界.数值仿真结果表明,改进算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和蚁群优化算法.

基于粒子群优化算法的测试选择优化方法研究

测试选择优化问题作为复杂电子装备的诊断设计优化过程中的一个关键问题,是一个典型的集合覆盖问题,属于经典的N—P难题;针对现有优化方法存在的不足,通过对测试选择问题的分析,提出一种基于二进制粒子群优化算法的测试选择优化方法,将备选测试集合采用二进制粒子编码,构造粒子适应度函数,通过粒子群搜索实现了快速求解;与传统方法相比较,该方法搜索速度快,优化效果明显,该方法已在工程实践中得到应用。

改进的粒子群算法及在数值函数优化中应用

为提高粒子群算法的优化能力,提出了一种改进的粒子群优化算法。在该算法中,采用Beta分布初始化种群,采用逆不完全伽马函数更新惯性权重,在速度更新式中,引入了基于差分进化的新算子,对于粒子的越界处理,采用了基于边界对称映射的新方法。以50个不同类型的数值函数作为优化实例,基于威尔柯克斯符号秩检验的测试结果表明,该算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和量子行为粒子群算法。

基于粒子群算法的水文适线法研究

将粒子群算法应用到水文优化适线中,使用连分式计算不完全Γ函数,二分迭代法计算Φ值。最后以实例证明了上述算法可行并具有一定的优越性。

求解学习型员工项目调度问题的HPSO算法

为提高工作效率并最小化项目工期,研究学习型员工项目调度问题的求解算法。建立相应的0-1型整数非线性规划模型,提出一种混合粒子群优化算法。该算法应用基于优先规则的启发式算法生成优良的初始粒子,引入离散型算子修正经典的粒子速度和位置方程,采用改进的前向递归算法求解粒子目标函数值。数值实验结果表明,在相同运行时间内,该算法能得到比粒子群优化算法更优的解。

基于改进型粒子群算法的全扭矩换挡冲击抑制研究

对于无离合器电控机械式自动变速器(AMT)电动汽车而言,提升换挡品质、减小车辆换挡时冲击度一直是研究的热点问题。本文针对全扭矩换挡过程中对车辆冲击度影响最大的控制对象驱动电机,结合完全学习型粒子群算法搜索速度快、调节的参数少、对全局收敛能力强,且容易实现的优势,将其应用于永磁同步电机矢量控制的速度环调节器上。模拟整车空载和满载急加速急减速2种工况。实验结果表明,采用完全学习型粒子群算法优化后可以大大改善电机的输出性能,从而减小了电机对车辆的冲击度。

P2P分层流媒体数据分配的粒子群遗传算法

现有P2P分层流媒体中的数据分配算法是基于贪婪思想的确定性启发式算法,不能得到全局最优解。为此,提出一种基于备选数据块编码方式的粒子群遗传算法。定义备选数据块,建立问题的无约束整数规划模型。仿真实验表明,该算法在优化效果上能比现有算法提高5%～25%。

基于不完全信息博弈的云制造群智能优化方法

为解决云制造过程中云平台经营方与需求方之间的不完全信息以及相互竞争制约的关系导致制造服务难以抉择的问题,提出了一种基于不完全信息博弈模型的云制造群智能优化方法。以各自理性追求自身收益函数最大化为目标,针对需求方与云平台之间的利益竞争关系建立了基于不完全信息的静态博弈模型,并提出了需求方与云平台之间的竞争规则,通过海萨尼转换引入自然,将其转换为完全信息下的动态博弈得到贝叶斯扩展式,并证明了贝叶斯纳什均衡的存在性和唯一性。提出了一种基于高斯函数与扰动策略更新的粒子群算法对上述模型进行求解。仿真结果表明:改进算法相对其他算法有较快的收敛速度与较高的云制造系统总收益,不完全信息博弈模型能够兼顾不同类型的需求方提高云制造系统的总收益。

基于语言判断矩阵的信息不完全的群决策方法

针对方案间的比较信息为确定语言等级或位于两个连续语言等级之间,甚至缺失,以及决策者权系数信息不完全确定的群决策问题,提出一种基于证据推理和二元语义的群决策方法。该方法根据决策者的原始评价矩阵信息得到属于语言等级的信任度,利用证据推理算法得到各方案在各语言等级下的信任度,将其转化为二元语义形式,根据决策者权系数的不完全确定信息和二元语义的距离等构建非线性规划模型,并利用改进的粒子群算法进行求解,根据求解结果得到方案集的一个排序。最后实例说明了该方法的可行性和有效性。

基于粒子群优化的图像自适应增强方法

将免疫粒子群优化算法和非完全Beta函数结合,提出了一种自适应图像对比度增强方法。该免疫粒子群优化算法结合了粒子群优化算法具有的全局寻优能力和免疫系统的免疫信息处理机制,改善了粒子群优化算法摆脱局部极值点的能力。利用免疫粒子群优化算法自动搜索最佳的灰度变换参数,从而获得一条最佳的灰度变换曲线,实现对图像进行全局增强处理。实验结果表明,该算法不仅能有效地提高图像整体对比度和视觉效果,而且适合图像的自动化处理。

不完全确定信息的群体语言指派问题的求解方法

针对决策者权重和准则权重为不完全确定信息且评价语言值确定或位于二个标准语言值之间甚至缺失的多准则指派问题,提出了一种求解方法。首先利用证据推理算法计算得到各候选人完成各任务的优劣程度属于各个语言评价等级的信任度,并据此利用二元语义的Δ函数及其函数Δ-1将其集成为群体在所有准则下的综合评价矩阵,然后结合决策者权重和准则权重的不完全确定信息等构建非线性混合整数规则模型,并利用粒子群算法与匈牙利算法联合进行求解。最后实例说明该方法的可行性和有效性。

信息不完全确定的多准则语言群体指派方法

针对决策者权重和准则权重信息不完全确定且评价信息为语言值的多准则指派问题,提出了一种新的求解方法。该方法利用二元语义对语言评价信息进行处理和运算。首先将决策者在各准则下给出的语言评价矩阵转化为二元语义,并利用二元语义的Δ函数及其逆函数Δ-1将其结集为群体在不同准则下的评价矩阵,然后利用二元语义的算术平均算子将不同准则下的评价矩阵结集为综合效率矩阵,再结合决策者权重和准则权重的不完全确定信息等构建非线性混合整数规划模型,并利用粒子群算法与匈牙利算法联合进行求解。最后实例说明该方法的可行性和有效性。

信息不完全确定的群体多准则语言聚类方法

针对决策者权重和准则权重信息不完全确定,且评价信息为语言值的多准则聚类问题,提出了一种新的求解方法。首先通过证据推理算法,将方案集的群体多准则语言评价信息转化为方案集模式样本,该模式样本是决策者权重和准则权重的不确定信息的非线性函数,然后根据K-均值方法,利用惯性粒子群算子对模式样本集进行聚类,得到最优聚类中心和方案集的最优聚类。最后实例说明该方法的可行性和有效性。

基于QPSO算法的准完全重构余弦调制滤波器组的优化设计

提出了一种准完全重构的余弦调制滤波器组的设计方法,使用优化方法设计原型滤波器。该方法固定原型滤波器的阻带截止频率为ωs=π/M,以通带截止频率ωp为参数变量,用量子粒子群优化算法(QPSO)优化满足重构条件的目标函数,间接设计原型滤波器,然后通过调制得到余弦调制滤波器组。稍微放宽余弦调制滤波器组的精确条件,从而大大降低了设计的复杂性,减少运行时间。仿真实验结果表明,该算法简单有效,可获得具有高阻带衰减、低混叠误差和重构误差的余弦调制滤波器组。

一种基于多重信息的不完全数据的模糊C均值聚类算法

在当今信息爆炸的大数据时代,不完全数据是数据聚类分析中一个普遍存在的问题.然而,传统模糊C均值(fuzzy c means,FCM)算法的很多缺点,如易陷入局部最优,缺乏对特征信息的充分考虑等,当出现信息缺失尤其是面对稀疏数据时,都将严重影响聚类结果.为了解决该问题,本文提出一种基于多重信息的不完全数据的FCM算法.该算法首先引入部分距离策略,给出了不完全数据的簇内距离平方和计算公式;其次,充分利用动态特征权重和簇间距离信息,有效地提高该算法的准确性;再者,运用粒子群优化算法进行聚类,借助其强大的全局寻优能力解决传统FCM算法对初始聚类中心敏感和容易陷入局部最优的缺陷;最后,通过不同缺失率UCI公共数据集的对比实验,验证了本文提出算法在不完全数据的聚类研究中不仅能避免陷入局部最优还能有效提高聚类准确性.

信息不完全确定的多准则区间直觉模糊决策方法

提出了一种权系数信息不完全确定且准则值为区间直觉模糊集的多准则排序方法.该方法利用证据推理算法对准则进行集成,得到各方案的区间直觉模糊集,计算各方案与理想方案和负理想方案的距离,并结合不完全确定的权系数信息建立非线性规划模型,利用粒子群算法求解所得优化模型,得出最优准则权系数,通过比较方案的区间直觉模糊集与理想方案和负理想方案的距离,得到方案集的排序.最后的数值算例说明了该方法的有效性和可行性.

基于改进核极限学习机的风电功率短期预测

针对环境变化造成风力发电功率波动大和核极限学习机易陷入局部最优解的问题,构建了一种基于完全噪声辅助聚合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis,CEEMDAN)、小波阈值去噪和粒子群算法优化核极限学习机的风电功率短期预测模型。首先,利用CEEMDAN对风力发电输出功率密切相关的环境因素进行分解,得到若干个规律性较强的模态分量,利用阈值去噪法对含噪声较多的第一模态分量进行去噪,削弱环境因素的非平稳性;然后,将分解后的子分量和风电功率历史数据作为粒子群优化后的核极限学习机算法的输入进行预测;最后,选用河北张家口某风电场的实测数据进行实验对比分析。实验结果表明:所提出的改进风电功率预测组合模型的预测精度更高,适应于不同季节环境下的风电功率预测。