基于惯性权重优化的测试用例生成方法

针对组合测试测试用例生成环节中局部最优的问题,提出一种基于惯性权重优化的测试用例生成方法。结合粒子群算法的优点,以生成最小规模覆盖表为目标,改进适应值函数,设计一种惯性权重微分递减策略;在此基础上,更新调优后的惯性权重值,使用测试用例演化策略迭代生成测试用例集,提升生成更小规模覆盖表的能力。实验结果表明,该方法在高覆盖需求下,覆盖表最小生成规模和平均生成规模优于其它方法。

基于线性递减系数粒子群优化算法的组卷实现

为了避免目前常用的组卷算法组卷时间长、程序结构复杂、收敛速度慢等缺陷,提出基于线性递减系数粒子群优化算法的组卷策略。通过调整惯性系数,使得步长较小,惯性权系数的变化幅度小,这种减小趋势较为缓慢的方法能够避免陷入局部最优。并对数学模型以及线性递减惯性权系数进行了理论设计,同时通过编程实现了该算法。测试结果表明加入线性递减系数后运算迭代次数明显减少,证明加入线性递减系数后的组卷策略收敛性好,能够高效准确地按照一定的预期条件进行组卷,符合预期要求。

基于改进布谷鸟算法的微电网优化调度

为提高微电网日运行经济效益及环保效益,同时解决传统布谷鸟算法寻优精度差、易陷入局部最优的问题,提出了一种基于复合混沌映射的维间反向扰动学习布谷鸟算法。首先,引入统计参数映射、动态步长因子策略及指数递减惯性权重偏好游走策略以提高寻优精度和收敛速度;其次,采用动态自适应发现概率来控制全局搜索和局部搜索的切换频率。将所提算法通过10个典型测试函数进行仿真,结果表明改进的布谷鸟算法相比灰狼等元启发式算法具有更好的寻优精度、求解稳定性、收敛速度;最后,再将改进的布谷鸟算法用于求解微电网并网模式下的多目标优化调度问题。仿真结果表明,改进的布谷鸟算法能有效提高微电网日运行总效益及系统运行稳定性。

无人机安全路径规划的混沌粒子群优化研究

针对无人机(unmanned aerial vehicle,UAV)在存在多种威胁的三维环境下的安全路径规划问题,提出了一种改进的混沌粒子群优化增强算法(improvedchaotic,velocityand nonlinear decreasing inertia weight particle swarm optimization,IC-VANDIWPSO)。首先,建立一个具有地形约束和无人机性能约束的威胁环境模型,把路径规划问题转化为成本函数的优化问题。再利用IC-VANDIWPSO算法与约束的对应关系,高效搜索复杂的环境,找到安全性高且成本函数小的最优路径。仿真结果表明,IC-VANDIWPSO算法在收敛速度、初始化时间、路径平滑性以及稳定性等方面都具有显著的优势,获得了更优的路径。

基于改进粒子群优化算法的PID温度串级控制

针对电站锅炉主蒸汽温度控制系统中存在的易超调、滞后性、抗干扰性差、非线性等问题,提出一种改进粒子群优化算法(Improved Particle Swarm Optimization,IPSO)的PID串级控制方法,该算法先采用线性递减惯性权重的IPSO算法,避免陷入局部极值点,并能有效提升全局搜索能力,再利用改进算法优化PID控制器的参数。通过MATLAB仿真结果表明,相较于普通PID算法,该控制方法在超调量、调节时间、抗干扰能力等方面具有明显优势,系统的响应速度明显提升,鲁棒性好,对复杂温度系统具有较好的适应性。

基于指数惯性权重和自适应变异的樽海鞘算法

针对樽海鞘算法(SSA)求解精度低,收敛速度慢,易陷入局部最优等缺陷,提出一种基于指数惯性权重和自适应t分布变异的改进樽海鞘算法。通过用最优位置替代个体位置改进了跟随者位置更新公式,提升了其寻优能力。将带有随机扰动项的指数递减惯性权重引入到改进后的跟随者位置更新公式中,平衡了算法全局搜索和局部搜索能力。在搜索过程中对每次更新后的位置以一定概率进行自适应t分布变异,避免其陷入局部最优。将改进算法与4种算法在8个不同维度、峰度的测试函数上进行了对比测试,并将其应用到2种工程设计问题中,结果表明:改进算法具有更好的全局和局部搜索能力,以及更高的寻优精度和更快的收敛速度,同时在求解实际问题时也表现出良好性能。

基于佳点集和惯性权重的改进麻雀算法

针对麻雀算法(SSA)局部搜索能力差的问题,提出一种改进的麻雀算法(GSSA)。首先,采用佳点集的方法初始化麻雀个体,增强种群多样性;其次,在发现者位置更新上采用对数惯性权重来协调局部搜索和全局搜索能力,加快收敛速度;同时在跟随者位置更新方式中引入t分布策略,加强全局搜索能力;最后,对6个基准测试函数进行仿真实验表明,GSSA寻优精度与SSA算法相比可提高约51个数量级,与同类改进算法相比精度可提高2个数量级,且寻优速度加快。

一种改进的粒子群算法在交通分配上的应用

针对粒子群算法收敛速度慢、求解精度低和算法在迭代后期容易陷入局部最优的问题,首先,采用仅以位置项来控制粒子进化方向的简化粒子群算法,以此避免粒子速度过大时导致的粒子发散的现象;其次,引入随迭代次数增加自适应改变的线性惯性权重来消除惯性分量的影响,同时引入莱维飞行策略来改变粒子位置以帮助粒子逃离局部最优;最后,通过四种测试函数对固定权重的粒子群算法、标准粒子群算法和改进算法的性能进行比较。实验证明,改进后的算法在收敛速度、精度和稳定性上都有所提升。在验证了改进算法的有效性后,使用改进后的算法求解单一OD对多路径路网的用户最优模型并与标准粒子群算法求解结果进行对比,改进后的算法求解结果更加稳定均衡,验证了算法的可行性。

融合多策略人工水母算法及工程应用研究

针对人工水母群算法(JS)在求解较为复杂问题和部分工程问题时存在易陷入局部最优和寻优精度低等问题,提出一种融合多策略的人工水母算法。首先,该算法利用莱维飞行的扰动策略对洋流运动和被动运动阶段位置更新方式进行扰动,增强算法跳出局部最优的能力;其次,对水母跟随洋流和群内被动运动阶段引入指数递减惯性权重,使算法扩大全局搜索范围,提高寻优收敛速度;最后,将黄金正弦引导机制引入至被动运动阶段,替换原有被动运动位置更新方式,提升算法在探索和开发阶段的寻优能力。通过对6个基准测试函数进行测试分析,采用Wilcoxon秩和检验证明改进算法的寻优能力强、收敛速度快,将其应用于压力弹簧设计工程实际问题中,进一步验证了改进算法的适应性和有效性。

基于双树复小波变换—最大熵谱估计和参数优化概率神经网络的齿轮箱故障诊断研究

齿轮振动信号具有非平稳性和非线性的特点。为了准确提取其故障特征并进行故障诊断,提出一种基于双树复小波变换(DTCWT)-最大熵谱估计(MESE)和惯性权重线性递减粒子群优化(LDWPSO)算法-参数优化概率神经网络(PNN)的齿轮故障诊断方法。首先,利用DTCWT把状态已知的齿轮振动信号分解为不同频带的模态分量。其次,采用MESE得到每个分量的最小偏差频谱估计,计算出不同频段的能量熵作为故障特征矩阵。然后利用LDWPSO算法寻找出最优神经网络参数——平滑因子。最后,将故障特征矩阵输入优化后的PNN模型,建立起故障特征和齿轮运行状况之间的数值化映射关系,进而完成齿轮故障诊断模型。经试验数据分析表明,采用提出的DTCWT处理齿轮的振动信号,并引入MESE处理关键分量,可以提取稳定的信号特征并降低噪声干扰。另外,相比于传统的PNN,基于改进的PNN的齿轮故障状态的数值化判别具有更高的诊断精度和稳定性。

基于改进PSO的LLC谐振变换器自抗扰控制优化

针对传统比例积分微分(PID)控制LLC谐振变换器存在抗干扰能力差、动态性能不佳等问题,提出采用改进粒子群算法优化(PSO)自抗扰控制(ADRC)模型参数,达到优化LLC谐振变换器控制目的。为解耦自抗扰系统参数,对LLC谐振变换器进行小信号建模,将拟建ADRC模型视为二自由度系统,利用PID与ADRC传递函数存在的等效关系,使用频域法获得ADRC模型参数初始值。针对传统粒子易在全局最优位置周边产生振荡现象,采用线性递减惯性权重(LDIW)的粒子群在扩展范围内对ADRC模型参数进行优选重组,提升整定效度。实验证明优化后LLC谐振变换器ADRC动态性能明显改善。启动时电压到达标值减少5 ms,负载突变时电压恢复稳态减少2 ms。

采用改进粒子群优化的SVM方法实现中文文本情感分类

近年来,随着网络用户量的不断增加,用户评论数量也呈爆炸式增长,伴随而来的是大量可用于参考和深度挖掘的信息,文本情感分类应运而生。分类模型的预测精度和执行速度是衡量模型优劣的关键。使用传统的SVM进行文本情感分类,算法简单,易于实现,但其模型参数决定了分类准确率。针对这种情况,文中将改进粒子群优化算法与SVM分类方法相结合,采用了改进粒子群算法优化的SVM方法对影视剧评论的情感进行了研究分析。首先,通过网络爬虫获取豆瓣电影评论数据,将数据预处理后利用加权word2vec向量化文本信息,将其作为支持向量机可识别的输入;然后,使用自适应惯性递减策略并引入交叉算子来改进粒子群算法,并对SVM模型的损失函数、惩罚参数及核函数的参数进行优化;最后,实现文本的情感分类。在同一数据集上的实验结果表明,所提方法有效规避了传统的情感词典方法受词语顺序和不同语境影响的缺陷及使用卷积出现梯度消失或弥散的问题,同时也克服了粒子群算法易陷入局部最优的不足。相较于其他方法,所提分类模型的执行速度更快,有效地提高了分类准确率。

基于遗传算子的粒子群优化算法的比较分析

为了深入分析探讨改进的粒子群优化算法的性能,针对典型的函数优化问题,设计了3种方案:(1)采用线性递减惯性权重的PSO;(2)基于遗传算子的PSO;(3)在方案(2)基础上,加入收缩因子χ。在MATLAB7.0中对常用的测试函数进行优化仿真,发现当融合遗传算子和收缩因子时,算法性能最优。

粒子群优化算法在公交车智能调度中的应用

运营车辆的智能排班是公交车辆智能调度需要解决的问题之一,关系到公交企业的经济效益与社会效益。采用兼顾公交公司与乘客双方利益的公交车辆调度模型,将带收缩因子和线性递减惯性权重的粒子群优化算法(W-K-PSO)应用到公交智能排班中。实例仿真结果表明该算法具有比其它优化算法更好的效率,是解决公交车智能调度问题的一个有效方法。

基于改进粒子群算法的水库中长期调度函数研究

在应用改进粒子群算法求解水电站水库中长期优化调度问题时,为了克服基本粒子群存在早熟、后期收敛速度慢等不足,通过采用线性递减权重系数并引入杂交算子,对基本PSO进行了改进,并将其应用于水库中长期优化调度函数研究中。与基于POA优化结果的回归分析建立的调度模型的对比分析表明,该算法原理简单,易于编程,求解精度高,从而为解决水库中长期优化调度问题提供了一种有效方法。

基于改进PSO算法的最大熵阈值图像分割

图像分割是目标识别的首要和关键步骤。目前的图像分割方法有多种,其中阈值方法优点比较突出,但是采用阈值方法分割的关键是要能高效率地找到被分图像的最佳熵阈值。针对这一问题,将Geese-LDW-PSO算法的位置更新公式作了改进,即用当前种群的全局极值取代所有粒子的当前位置,并将之用于熵阈值图像分割中。仿真实验表明,该算法可以快速稳定地获得一幅图像的最佳分割阈值。仿真结果显示,该方法对车牌分割具有较好的性能。

基于改进PSO_LSSVM机械结构疲劳裂纹扩展预测

机械结构在长期的存储中,疲劳裂纹的变化受到多种环境因素的影响,针对目前疲劳裂纹预测准确率低的问题,提出一种基于最小二乘支持向量机方法(LSSVM)来预测机械结构的疲劳裂纹长度,通过改进的粒子群优化算法对LSSVM进行参数优化。改进的粒子群参数优化算法采用二次型惯性权重递减策略,使粒子群优化算法的优化过程更接近实际的非线性和高复杂过程。经仿真实验验证,结果表明,基于改进的粒子群参数优化的最小二乘支持向量机(PSO_LSSVM)对于机械结构的疲劳裂纹长度预测优于传统方法,收敛速度快,预测准确。

基于改进PSO算法的Otsu快速多阈值图像分割

为了确定图像分割的最佳阈值,基于改进粒子群优化算法,提出了一种快速多阈值图像分割方法。首先引入独立峰值将直方图划分为若干区域,然后在各个区域使用最大类间方差法得到优化的目标函数,用具有非均匀变异特性和雁群飞行启示的线性递减惯性权重粒子群算法对目标函数进行优化,得到分割的最佳阈值,并用该阈值对图像进行分割。将分割结果与常规最大类间方差法的多阈值分割结果相比较,证明该算法不仅可以正确地实现图像分割,并可使分割速度大大提高。

基于粒子群算法的伪卫星布站优化设计

针对伪卫星布站问题,采用粒子群智能优化算法,以导航定位中精度因子作为粒子群适应度函数,采用线性递减惯性权值策略,通过适当次数的进化与迭代,最终寻找到最优化的伪卫星布站设计方案。通过对两条竖直平面内的抛物线轨迹进行仿真验证,结果表明,基于粒子群算法的伪卫星布站优化设计方案可以减小全程精度因子,提高了伪卫星独立定位系统的定位精度。

一个新的动态约束因子PSO算法

根据带约束因子PSO算法,推导出认知因子c1、社会因子c2和惯性权重w之间应满足的关系.提出新的DCF-PSO算法,随着其中的惯性权重非线性递减,动态调整c1和c2值.通过Benchmark验证了改进后算法的高效性能.实验结果表明,算法表现优异.