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。

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。

基于莱维飞行粒子群算法的异步电机效率优化

异步电机是在各行各业中被广泛使用的电机,通常异步电机只有工作在接近额定负载的情况下时才会以最大效率运行,但是大部分异步电机的工作负载都在其额定负载的50%至100%,导致了严重的电能浪费情况。使用黄金分割法对异步电机进行效率优化是一种较为常见的方法,但其存在响应速度较慢等缺点,为了弥补黄金分割法的不足,文中提出了粒子群优化算法和莱维飞行的粒子群优化算法以提高电机模型的响应速度,优化算法解决了异步电机效率优化中存在的优化精度低,收敛时间长的问题,最后通过搭建MATLAB/Simulink仿真模型证明了方案的可行性,表明了上述优化算法是一种有效的优化控制策略。

基于精英知识引导的多种群协作粒子群优化算法

目的为了解决粒子群优化(particle swarm optimization,PSO)算法易早熟收敛、后期收敛速度慢、精度低等问题,方法提出一种基于精英知识引导的多种群协作粒子群优化算法(multi-group cooperation particle swarm optimization algorithm,MGCPSO)。首先,采用基于幂函数约束的logistic映射得到分布均匀的初始种群,加快寻优速度并提高找到最优解的概率;其次,在算法执行阶段动态划分多种群,并利用精英知识引导劣势粒子飞行,实现粒子间的信息共享和协同进化,降低粒子在解空间探索的盲目性;最后,综合融入精英知识的反向学习和极值扰动策略对粒子施加变异,帮助粒子扩大搜索区域并加强对最优邻域的精细探索。结果为验证MGCPSO的性能,在30维和100维的基准测试函数上进行了仿真实验研究,结果表明,相比于其他几种改进算法,提出的算法在收敛速度和收敛精度上均有良好表现。结论多种群协作粒子群优化可以有效避免算法早熟收敛和陷入局部最优,同时可以提高算法的全局搜索能力和局部开发能力。

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。

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。

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。

基于遗传交叉因子的改进粒子群优化算法

提出一种基于遗传交叉因子的改进粒子群优化算法,通过自适应变化惯性权重来改善算法的收敛性能,借鉴遗传算法中的选择交叉操作增加粒子多样性,通过引入交叉因子增强群体粒子的优良特性,减小了算法陷入局部极值的可能。对几个典型的测试函数进行仿真表明,该算法较标准粒子群优化算法(PSO)提高了全局搜索能力和收敛速度,改善了优化性能。

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。

神经网络基于粒子群优化的学习算法研究

研究神经网络基于粒子群优化的学习算法,将粒子群优化算法用于神经网络的学习训练,并与遗传算法进行了比较结果表明,神经网络基于粒子群优化的学习算法简单容易实现,而且能更快地收敛于最优解.

混合均值中心反向学习粒子群优化算法

为平衡粒子群算法勘探与开发能力,本文提出混合均值中心反向学习粒子群优化算法.算法将所有粒子和部分优质粒子分别构造的均值中心进行贪心选择,得出的混合均值中心将对粒子所在区域进行精细搜索.同时对混合均值中心进行反向学习,使粒子能探索更多新区域.将本文算法与最新改进的粒子群算法、人工蜂群算法和差分算法在多种测试函数集上进行比较,实验结果验证了混合均值中心反向学习策略的有效性,算法的综合优化性能更强.

一种高斯反向学习粒子群优化算法

针对粒子群算法在处理多峰复杂问题时,收敛速度慢且容易陷入局部最优的缺点,提出一种高斯反向学习粒子群优化算法(GOL-PSO).针对历史最优粒子间无法相互交流,增加一种高斯反向学习机制来提高粒子的学习能力,进而提高算法的搜索能力,另外算法在更新公式中引入"历史最优平均值"因子来提高算法的收敛速度.经过在8个测试函数的仿真实验中,与一些改进的粒子群算法进行比较,GOL-PSO有5个测试函数的测试效果最好,且T检验结果表明算法结果有明显提高,同时算法收敛对比分析结果表明,本文算法具有良好的全局搜索能力和较快的收敛速度.

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法。新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化。新算法不依赖于函数梯度信息,不需要手动调节网络结构。粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能。两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度。

基于粒子群优化的BP网络学习算法

本文提出一种新颖的基于粒子群优化的BP网络学习算法 ,该算法是一种全局随机优化算法。用Iris分类问题 ,将所提出的算法与BP算法作了对比实验。实验结果表明 :所提出的算法性能优于BP算法 。

基于扰动的精英反向学习粒子群优化算法

针对粒子群算法容易陷入局部极值、进化后期收敛精度低的缺点,提出了一种基于扰动的精英反向学习粒子群算法。算法采用在粒子迭代的过程中,以一定的概率对当前的最优个体进行动态一般反向学习生成其反向解,引导粒子向最优解空间靠近;用一种非线性递减的方式改变惯性权重,以提高算法的收敛速度和收敛精度;采用扰动的方式增强算法的局部探索能力,帮助粒子跳出局部最优解。在14个标准函数上进行仿真测试,结果表明改进算法具有更高的收敛速度和收敛精度,能有效地避免陷入局部最优,适合求解函数优化的问题。

基于改进粒子群游优化的模糊逻辑系统自学习算法

Eberhart在［1］中提出了粒子群游优化算法（ParticleSwarmOptimizationAlgorithm）。该文将改进后的粒子群游算法应用于模糊逻辑系统自学习。模糊辨识器的计算机模拟证明了改进算法的有效性。

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。

粒子群优化算法中加速因子的设置与试验分析

着重分析了粒子群优化算法中线性变化加速因子对粒子收敛的影响,使用4个著名的基准函数,对加速因子进行了测试,并在此基础上,对加速因子提出了一个推荐的设置值.模拟实验结果表明,该推荐设置值可以使粒子在搜索的初期获得更好的多样性,从而使粒子具有更强的摆脱局部极值的能力,在后期加快粒子的收敛速度以提高PSO算法的性能.

交叉反向学习和同粒社会学习的粒子群优化算法

针对社会学习粒子群优化(SLPSO)算法存在的优化效率低、收敛速度慢等问题,提出了一种改进的SLPSO算法,即基于交叉反向学习和同粒社会学习的PSO算法(CPPSO)。首先,将最优解随机纵向交叉与一般反向学习以及随机反向学习构建交叉反向学习;然后,以此交叉反向学习策略更新种群中的最优粒子位置,增强探索能力,并克服SLPSO中最优粒子无更新导致效率低下的缺点;最后,对于非最优粒子,与SLPSO采用基于维的社会学习不同,均采用新型基于粒子的社会学习机制,在提高全局搜索能力同时,更提高开采能力和搜索效率。在一组不同维基准函数上优化的实验结果表明,CPPSO的优化性能、搜索效率和普适性大幅度领先于SLPSO和其他先进的PSO改进算法,如交叉搜索PSO(CSPSO)算法、自我调节的PSO(SRPSO)算法、异构综合学习的PSO(HCLPSO)算法和反向学习和局部学习能力的PSO(RLPSO)算法。