RDPSO算法与K-Means聚类算法相结合的混合集群技术

K-Means算法初始值选取不当容易局部收敛,引入一种随机漂移粒子群优化算法(RDPSO)与K-Means算法相结合的混合集群技术。RDPSO算法是一种具有较强全局搜索能力的粒子群算法,增强了粒子群优化算法的性能,此算法优秀的全局搜索能力优化了初始聚类中心的选取,K-Means算法易于搜索到全局最优的初始值,从而获得全局最优解。与PSO、K-Means的混合算法相比,通过实验分析表明了文中提出的混合集群技术能够更有效地加快收敛速度,提高了全局搜索能力。

基于RDPSO-BP的粮食产后储藏环节损耗预测分析

对产后粮食损耗进行分析与研究,调查获得10多个省份的粮食损耗问卷,对问卷进行统计分析得到影响损耗的各个因素变量,同时进行数据预处理作为模型数据集。最后,将该数据集应用于提出的RDPSO-BP模型中。将随机粒子群(RDPSO)算法与BP神经网络相结合,并优化神经网络参数,从而得到粮食产后储藏环节损耗率预测模型。通过MATLAB仿真实验,发现优化后的RDPSO-BP模型相比传统BP神经网络,具有更高的预测精度,训练与测试误差分别降低了0.041%和0.055%。因此,该模型能够更好地预测粮食产后储藏环节的损失率,在实际粮食损耗分析中具有重要作用。

基于随机漂移粒子群算法的WSNs节点定位

提出了随机漂移粒子群优化(RDPSO)算法,并将该算法应用于接收信号强度指示(RSSI)定位算法中,以降低由RSSI测距产生的定位误差。在仿真实验中,分别比较了基于RDPSO和PSO的RSSI定位算法。实验结果表明:RDPSO算法是在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法收敛速度快,稳定性能好,精度高,适用于WSNs节点定位问题。

带自适应整定参数的机器人达尔文粒子群优化算法

对基数庞大的机器人群族引入达尔文粒子群优化算法(DPSO)。该算法将自然选择应用到粒子群算法中,对整个机器人群族进行动态分割,根据上下文评价指标配合机器人行为对机器人的行为进行预测,提高了机器人群族运动的最优逃脱方案成功率。仿真试验表明,通过对该算法的输入参数进行自适应整定,可以改进系统的收敛率,增加通信的约束,使整个机器人群族在未来更大的范围内有效驱动数量更大的无线机器人群族。

求解多目标社区发现问题的离散化随机漂移粒子群优化算法

针对求解复杂网络的多目标社区发现问题,提出了一种离散化随机漂移粒子群优化(DRDPSO)算法。首先,通过对社区进行随机化编码操作和针对随机漂移算法的离散化操作,来改善局部网络结构并逐渐增强全局模块度值;其次,根据核K均值(KKM)和比例割(RC)两个目标函数来控制网络中的社区规模、缓解模块度分辨率限制;最后,根据多目标求解策略逐步更新Pareto非劣解集,从Pareto非劣解集选取满足需求的目标社区结构。为了验证所提算法的有效性,将DRDPSO算法与其他社区发现算法在三种具有10个不同参数设置的生成网络及三种真实网络上进行对比实验,并采用两个最佳社区评价指标对各算法获得的社区发现结果进行对比分析。实验结果表明,使用DRDPSO算法求解复杂网络的多目标社区发现问题时,获得的社区发现评价指标(归一化互信息和模块度)最高的概率达到95%以上。可见DRDPSO算法在真实网络进行应用能进一步地提高网络社区划分的精确度和鲁棒性。

基于随机漂移粒子群优化算法的三维脑部磁共振图像分割

设计并验证了一种应用于马尔科夫随机场的脑部磁共振图像的分类模型。该模型是基于随机漂移粒子群优化算法。它相对于标准粒子群算法在收敛速度和优化性能方面都有显著提升。针对模拟和临床脑部磁共振图像的实验结果表明,该模型与模拟退火、标准粒子群算法相比,具有更好的收敛性能和分割精度,是一种有效的图像分类模型。

基于随机漂移粒子群优化的随机森林预测模型及水文应用实例

提出一种基于随机漂移粒子群(RDPSO)算法优化的随机森林(RF)预测方法,利用RDPSO算法优化RF决策树数量和分裂属性个数两个关键参数,构建RDPSO-RF预测模型,并与基于RDPSO算法优化的支持向量机(SVM)、BP神经网络预测模型作对比,以某水文站枯水期1～3月月径流预测为例,利用实例前43年和后10年资料对3种模型进行训练和预测.结果表明,RDPSO-RF模型对实例1～3月月径流训练、预测的平均相对误差绝对值分别为4.28%、3.88%、5.67%和3.74%、4.57%、4.88%,训练、预测精度均优于RDPSO-SVM、RDPSO-BP模型,具较好的预测精度和泛化能力,可为相关预测研究提供参考和借鉴.