复数编码粒子群算法及在函数优化中的应用

为拓展个体基因包含的信息量,将复数编码用到粒子群算法中,用复数来表示粒子的基因,构造双倍体粒子群,提出一种复数粒子群算法(PCPSO)。目标函数自变量的大小由复数的模决定,复数的幅角决定自变量的符号。粒子飞跃分成实部基因和虚部基因两部分,文中给出了复数编码粒子群的更新关系,并对收敛性进行了分析。对典型函数进行实验,结果与实数编码方法相比,验证了方法的有效性。

面向粒子群优化的贝叶斯网络结构学习算法

提出了一种基于离散粒子群优化的贝叶斯网络结构学习算法——PSBN(Particle Swarm for Bayesian Network)。贝叶斯网络的结构被映射为一种符号编码,通过在迭代过程中对粒子的符号编码进行调整,从而进化得到具有更高适应度值的贝叶斯网络结构。根据贝叶斯网络的结构特点,粒子位置和速度的编码方案和基本操作被设计,使得算法对贝叶斯网络的结构学习有较好的收敛性。实验结果表明,与基于遗传算法的贝叶斯网络结构学习算法相比,PSBN算法具有较好的学习效果。

基于MPSO-BP的RBF网络自构建学习算法

采用PSO混合编码,提出了一种基于混合MPSO-BP的RBF自构建学习算法。该算法中,每个粒子由整数与实数两部分构成,分别对RBF的基函数个数及相关参数(中心、宽度和输出层权值)进行编码。同时设计了一个特殊的适应度函数,在保证精度的前提下,使网络的结构相对简单,以增强网络的自适应与泛化能力,减少主观因素设计对网络性能的影响。仿真实验表明,相对于RBF其他学习算法,所提算法隐节点少、精度高、泛化能力强。

一种MPSO-BP-RBF网络模型及其在石油储层预测中的应用

为适应复杂油气储集层非均匀性、非线性及不确定性的响应特征,提高储层预测精度,采用PSO混合编码,提出了一种基于混合MPSO-BP的RBF自构建学习模型。该模型中,每个粒子由整数与实数两部分构成,分别对RBF的基函数的个数及相关参数(中心,宽度,输出层权值)进行编码。同时,设计了一个特殊的适应度函数,在保证精度的前提下,使网络的结构相对简单。应用于储层预测实践中,相对于RBF其他学习算法,该算法隐节点少,精度高,泛化能力强。