ACCQPSO:一种改进的量子粒子群优化算法及其应用

针对量子粒子群优化算法前期易陷入局部极值点、后期寻优精度不高等问题,文章提出一种自适应交叉算子的混沌量子粒子群优化算法,并将其应用于BP神经网络超参数寻优。首先,利用Logistics映射初始种群为混沌序列进行最优解搜索,增强初始种群的随机性与遍历性,提高算法寻优能力;然后,通过纵向交叉操作进行种群中个体的信息交换,并引入自适应交叉概率公式,增加种群多样性,提高算法的寻优精度;最后,在实验中,一方面,选取8个函数在高低两个维度进行验证,同时进行Wilcoxon秩和检验分析以及消融实验,验证该算法相较其他算法的有效性;另一方面,通过算法优化BP神经网络应用到网络安全态势预测任务中,实验结果表明该算法收敛速度相较于对比算法有大幅度提升。

自适应的混沌粒子群算法优化XML文档聚类策略

为了提高海量XML文档集的聚类质量,提出了一种基于粒子群的XML自适应混沌聚类算法(简称ACPSO);为了简化XML文档相似性判定,该算法以XML键为基础,结合混沌原理与粒子群算法划分XML文档;为了加速算法的收敛性,通过对算法相关参数的自适应学习与权重调整,增强XML文档的全局寻优能力,改善XML文档聚类的质量。对比其它聚类算法,仿真表明本算法不仅能有效避免聚类停滞现象的发生,而且是一种高效的XML文档聚类方法。

自适应多策略粒子群优化算法的研究综述

粒子群优化(particle swarm optimization,PSO)算法模拟鸟群或鱼群中生物体的运动行为,是一类优秀的元启发式算法。PSO算法的研究现状是进行自适应多策略的探索。所谓多策略是指采用多种策略分别实现保持多样性、逃脱停滞/局部极值、加速收敛和局部搜索等目的,而自适应是指根据种群/粒子的演化状态动态地更新各策略中用到的关键参数以及恰当地进行策略的调用、转换和设置。通过对文献中各种自适应多策略PSO算法进行综述,分析得出PSO算法的发展趋势是结合维和更小尺度的搜索经验知识进行自适应多策略的研究。

多自适应策略粒子群优化算法及应用

为了平衡粒子群优化算法的全局和局部搜索能力,提出了一种多自适应策略粒子群优化算法。该算法在粒子进化过程中,采用了基于粒子进化度和局部开启混沌搜索相结合的速度自适应调节策略。将算法应用于模拟电路故障诊断的BP神经网络训练中,有效地解决了常规BP算法收敛速度慢、易陷入局部极小的问题。仿真结果表明算法具有较快的收敛速度和较高的诊断精度。

一维下料的基于贪心策略的多目标自适应粒子群算法优化

针对一维下料问题,提出一种基于贪心策略的多目标自适应粒子群算法,在余料率最低和下料方式数量最少两个目标上进行优化。通过将贪心策略应用于粒子群算法,把一维下料问题分割成多个子问题,对每个子问题依次求全局最优解,有效缩小单次处理问题的规模,由所有子问题的最优解取得原问题的近似最优解。为解决种群过早收敛而因此陷入局部最优,设计一种自适应策略。此外,考虑到切换下料方式会产生一定成本,通过最大化当前下料方式使用次数优化下料方式数量。仿真实验结果表明,该算法收敛速度快,取得的下料方案利用率高且下料方式数量较少,具备较好的实用性,并能够为企业带来显著的经济效益。

基于动态自适应变参的粒子群优化算法分析

本文探讨了基于动态自适应变参的粒子群优化算法。首先介绍了粒子群优化算法的基础概念和其工作原理。重点讨论了自适应策略在粒子群优化中的应用,以及动态参数调整方法的重要性。文章后半部分深入描述了动态自适应变参策略,包括动态参数的定义、自适应策略的设计原理和变参的更新与调整方法。最后,提供了一种实现动态调整策略的粒子群优化算法,并进行了详细的描述。 。

基于多策略自适应粒子群算法的电网无功优化

针对无功优化中确定无功补偿点和无功补偿容量的问题,本文提出了一种基于奇异值分解理论和多策略自适应粒子群优化算法(MS-APSO)的无功优化法。首先基于潮流计算中的雅可比矩阵奇异值分解以确定电压稳定性较弱的节点作为无功补偿节点;然后以线路有功损耗、负荷节点电压偏差最小以及节点稳定度最大为目标优化无功补偿量。为解决迭代后期算法收敛速度降低、粒子群多样性下降等问题,提出了多策略自适应改进算法以寻求全局最优解,综合考虑了粒子群多样性、惯性权重、越限重置和变异的影响,有效提高了算法前期的收敛速度和后期的寻优能力。最后,改进算法的有效性在IEEE 118算例中得到了验证。结果表明,改进后算法降损率与传统方法相比可以提高38.6%。

基于异构多种群策略的动态概率粒子群优化算法

结合动态概率粒子群优化算法(DPPSO)特点,针对传统的单种群粒子群优化算法易陷入局部最优、收敛速度较慢的缺点,文中提出一种基于异构多种群策略的DPPSO.该算法在进化过程中保持多个子种群,每个子种群以不同的DPPSO变体进行进化,子种群之间根据一定规律进行通信,从而保持整个种群内部的信息交流,进而协调DPPSO的勘探和开采能力.通过典型的Benchmark函数优化问题测试并分析基于异构多种群策略的DPPSO性能,结果显示,使用该策略的算法收敛速度较快,稳定性有较显著提高,具有较强的全局搜索能力.

一种自适应模拟退火粒子群优化算法

为了提高粒子群算法的寻优速度和精度,避免陷入局部优解,提出一种自适应模拟退火粒子群优化算法。采用双曲正切函数来控制惯性权重系数,进行非线性自适应变化;利用线性变化策略控制社会学习因子和自我学习因子,达到改变不同阶段寻优重点的目的;引入模拟退火操作,根据种群的初始状态设置一个温度,根据米特罗波利斯准则和温度指导种群以一定的概率接受差解,保证了算法跳出局部最优解的能力。为验证这种算法的效果,选择7种典型测试函数与已有文献中提出的5种粒子优化算法进行对比实验,根据寻优结果的平均值、标准差以及迭代次数等数据,证明文中所提算法在迭代精度、收敛速度以及稳定性上都有很大的提升,有效地弥补了经典粒子群算法的缺陷。

基于自适应粒子群优化的组合测试用例生成方法

最小覆盖表生成是组合测试研究的关键问题。基于演化搜索的粒子群算法在生成覆盖表时能得到较优的结果,但其性能受配置参数的影响。针对此问题,将one-test-at-a-time策略和自适应粒子群算法相结合,以种群粒子优劣为依据对惯性权重进行自适应调整,使其在覆盖表生成上具有更强的适用能力。为进一步提升算法性能,构造了一个优先级度量函数用于度量每个组合的权值,优先选取权值最高的组合用于单条测试用例的生成。最后,编程实现该算法,并将其与原有粒子群算法在组合测试用例集生成上展开对比性实验分析,结果证实该算法在规模和执行时间上具有竞争力。

基于改进粒子群优化极限学习机的弹丸参数辨识

针对随机产生输入权重和隐含层神经元阈值导致利用极限学习机辨识弹丸气动参数时会出现辨识结果发散问题,本文将粒子群算法与极限学习机结合,并且引入自适应更新策略以及粒子变异策略,提出了一种自适应变异粒子群优化极限学习机算法。该算法利用自适应变异粒子群算法寻优产生极限学习机的输入权重和隐含层阈值,有效改善算法性能。仿真实验表明,利用自适应变异粒子群优化极限学习机算法辨识弹丸气动参数,精度高、收敛速度快,能够充分满足实际工程需要。

基于自适应粒子群优化BP神经网络的氨法烟气脱硫效率预测

针对氨法烟气脱硫效率的预测问题,建立了以脱硫系统运行中8个主要参数作为输入变量的BP神经网络模型,采用粒子群优化算法(PSO)对建立的BP神经网络模型的权值进行优化,提出基于粒子群优化算法的BP神经网络(PSO-BP)预测新模型,并利用某电厂脱硫系统20组运行数据对该模型进行了验证.结果表明:采用PSO算法对BP神经网络的权值和阈值进行寻优,避免了网络局部极小值的出现,提高了网络的泛化能力,采用PSO-BP预测模型可以对氨法烟气脱硫效率进行较高精度的预测.

基于动态交换策略的快速多目标粒子群优化算法研究

本文提出了一种基于动态交换策略的快速多目标粒子群优化算法,通过把初始种群分割成Pareto和Non_Pareto集合,并在迭代过程中对Pareto解集进行动态调整,从而较好地完成了多目标优化算法对Pareto解集的搜索和逼近。实验和应用实例均表明了该算法的有效性和快速性,并通过性能指标ER的计算验证了本算法优于某些同类的多目标优化算法。

基于自适应变异的混沌粒子群优化算法

粒子群优化算法参数少,寻优速度快,但其寻优效率低且在寻优后期易早熟收敛。为改善其寻优性能,在标准粒子群优化算法中,通过引入混沌映射和自适应变异策略,提出具有自适应变异的混沌粒子群优化(ACPSO)算法,以增强种群的全局寻优性能和局部寻优效率。六个基准测试函数的仿真结果表明,ACPSO算法比已有的五个算法具有更好的寻优能力。

基于拟熵自适应启动局部搜索策略的混合粒子群算法

在继承综合学习粒子群算法(Comprehensive Learning Particle Swarm Optimizer,CLPSO)全局探索优势的基础上,引入具有高效收敛性能的传统局部搜索(Orthodox Local Search,OLS)方法,提出了基于拟熵自适应启动局部搜索策略的混合粒子群算法(Hybrid Particle Swarm Optimization algorithm with Adaptive starting strategy of Local Search based on Quasi-Entropy,ALSQE-HPSO).采用拟熵指标解决何时启动OLS这一关键问题.对8个标准函数的10维和20维问题的测试结果,表明了ALSQE-HPSO算法的性能优势.本文提出的算法也与包含两种基于CLPSO的改进算法和一种带OLS的粒子群算法在内的其他6种改进粒子群算法进行了对比,实验结果表明ALSQE-HPSO算法的性能优于对比算法.

差分和扰动混合的多策略粒子群优化算法

通常的粒子群优化算法采取单一的学习策略,不利于搜索信息的有效保留,因此将改进的差分变异策略引入到粒子的速度更新中以增强算法的群体多样性;综合利用差分变异与扰动策略两种不同的产生新解的方式,提出了一种多策略交叉学习机制算法DPPSO(hybrid particle swarm optimization with differential and perturbation)。每一个粒子通过引进的差分变异操作和扰动操作分别产生一个中间粒子,再选择较好的粒子作为当前粒子的新位置,从而实现所有粒子动态地选择更好的生成策略来更新自己的位置和速度,因此该交叉策略能够有效提高PSO算法的群体多样性和搜索路径的多样性,粒子可以获取更好的启发式信息,沿着不同的路径被引向更有潜力的搜索区域。实验结果表明了两种策略的有效性和互补性,DPPSO算法比其他三种算法有更好的综合表现,具有有效的全局收敛能力和准确定位能力。

高斯过程回归超参数自适应选择粒子群优化算法

超参数优化是减少高斯过程回归(Gaussian process regression,GPR)学习方法计算量,提高高斯模型性能的一个重要问题。为解决超参数优化问题中先验知识匮乏,对初始值过分依赖且易陷入局部最优等问题,文章引入粒子群优化(particle swarm optimization,PSO)算法,并结合差分速度更新公式及自适应变异策略,提出了一种自适应差分粒子群-高斯过程回归优化(adaptive differential particle swarm optimization-Gaussian process regression,ADPSO-GPR)算法对GPR中超参数进行自适应优化。该算法在线性与非线性两类时序回归序列上与多种主流超参数优化算法进行对比,实验结果表明,采用该文算法优化超参数后的GPR具有较高的拟合精度及泛化能力。

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。

一种带停滞信息的自适应粒子群优化方法

为了提高粒子群优化算法的性能,设计了优化粒子带停滞信息的年龄结构网,并利用这种年龄结构网信息自适应地更改粒子群优化算法的3个关键参数.构建了一种带停滞信息的自适应粒子群优化方法,给出了该方法的具体优化步骤.采用4个经典的低维及高维Benchmark测试函数验证该优化方法的求解性能,并同引力搜索算法以及传统的不带停滞信息的粒子群优化算法进行求解对比.通过对比可知,该方法在低维多峰函数优化时,其搜索效率均2倍于其他文献中的方法,对于维数高于2维的高维函数,该方法的优化效率同其他文献中的方法基本相同,但在获得全局解及局部解的能力以及所求解的精度方面均远高于其他文献中的方法.

一种基于离散粒子群优化的战场动态频谱指配策略

针对战场频谱动态指配问题,建立了基于用频冲突等级最小的频谱指配数学模型,提出了一种采用粒子编码和交叉更新位置的离散粒子群优化算法,根据本问题特征设计了合适的适应度函数和局部搜索策略。实验结果表明,提出的算法能够有效地求解频率指配问题。