基于EM算法和PSO算法的混合优化算法
基于混合PSO算法的桁架动力响应优化
ｔｋｎａ ｅｏｊｃ ｖ ｎ ｔ ｎ ａ ｉ ｅｈ ｖ ｇ ｈ ｅｔ ｔｅｓ ｒｍ ａｓ ａｍ ｗ ｓ ｈ ｓｎａ ｅｓｅ ｉ ａｔ ｌ， ｎ ａ ｅ ｓ ｈ ｂｅｔ ｅｆ ｃ ｏ ．Ａ ｐ ｒｃ ａ ｉ ｅｂｓ ｆｎ ｓ ｆ ｒ ａ ｏｅ ｓ ｈ ｐ ｃ ｌ ｒｃ ａ ｄｉ ｔ ｉ ｕ ｉ ｔｌ ｎ ｔ ｉ ｏ ｗ ｃ ｔ ａ ｐ ｉｅ ｔ
Ｄｙ ｍｉ ｅ ｐｏ ｅ ｏ ｔｍ ｉ ａ ｉ ｎ ｆ ｒ ａ ｔ ｕ ｓｓ ｒ ｃ ｕ ｅ ｂ ｓ ｄ ｏ ｂ ｉ Ｏ ｌ ｏ ｉｈｍ ｎａ ｃ ｒ ｓ ｎｓ ｐ ｉ ｚ ｔｏ ｏ ｒ ｓ ｔ ｕ ｔ ｒ ａ ｅ ｎ ｈｙ ｒ ｄ ＰＳ ａ ｇ ｒ ｔ
ＷＥＩＤｅ ｍ ｉ ， ＷＥＮ ｎ ｙ — ｎ Ｘｉｇ— ｕ （ ．Ｄ ｐｒ ｎ ｆ ｉ ｌ ｎｉｅｒ ｇ ｏｔ Ｃ ｉ ｎｖｒｔ ｏ Ｔ ｃｎｌｇ ， ｕｎｚｏ ６ ０ Ｃ ｉ ； １ ｅａｔ ｔ ｖ ｇ ｅ ｎ ，Ｓｕ ｈｎ Ｕ ｉｅｓｙ ｆ ｅｈｏｏｙ Ｇ ａｇｈｕ５ ０４ ， ｈｎ ｍｅ ｏ Ｃ ｉ Ｅ ｎ ｉ ｈ ａ ｉ １ ａ
摘 要 ：针对以结构动力响应为约束 ， 最小重量为目 标的桁架拓扑优化问题， 提出了一种将微粒群算法和优化准
则法结合 的混合 Ｐ Ｏ算法。利用优化准则法 的迭代关 系找 出群体 中适应度最好 的微粒 ， Ｓ 将其作 为特殊微粒 ， 其他微粒 的
寻优采用 Ｐ Ｏ的基本进化 规则 ， Ｓ 位移响应约束利用特殊微 粒的灵敏度信 息近似计算 。算例 的计算结 果表 明， 合 Ｐ Ｏ算 混 Ｓ
Ａｂｓｒ ｃ ： Ａ ｙ ｒｄ ａｇ ｒｔ ｍ ｓ ｐ ｏ ｏ ｅ ｏ ｙ ａ ｃ ｔ ｐ ｌ ｇ ｐ ｉ ｚ ｔｏ ｆａ ｔ ｓ ｔｕ ｔ ｒ ． Ｉ ｐｔ ｉａ ｉｎ ｔ ａ ｔ ｈ ｂ ｉ ｌｏ ｈ ｗａ ｒ ｐ ｓ ｄ ｆ ｒｄ ｎ ｍｉ ｏ ｏｏ ｙ ｏ ｔｍｉａｉ ｎ ｏ ｒ ｓ ｓｒ ｃｕ ｅ ｎ ｏ ｉ ｚ ｔ ｉ ｕ ｍ ｏ ａ ａｙ ｅ ｈ ｎ ｍｉ ｉｐ ａ ｅ ｎ ｅ ｐ ｎｓ ｓｏ ｏ ｓｗｅ ｅ ｃ ｎ ｔａ ｎｅ ｎ ｈｅｍ ｉ ｉ ｍ ｉ ｈ ｆｔ ｒ ｓ ｔｕ ｔ ｒ ｓ ｎ ｌ ｓ ｓ ｔ ｅｄｙ ａ ｃ ｄ ｓ ｌ ｃ ｍｅ ｔｒ ｓ ｏ ｅ ｆｎ ｄｅ ｒ ｏ ｓｒ ｉ ｔｄ ａ ｄ ｔ ｎ ｍｕ ｗｅｇ ｔｏ ｈｅｔ ｓｓｒ ｃｕ ｅｗａ ｕ
基于改进EM算法的高斯混合模型图像聚类方法
基于改进EM算法的高斯混合模型图像聚类方法
陶叶辉;赵寿为
【期刊名称】《软件导刊》
【年(卷),期】2022(21)12
【摘要】针对现有高斯混合模型对初始值敏感并容易陷入局部最优值的情况,提出一种基于改进EM算法的高斯混合模型图像聚类方法。
该方法首先使用惯性权重先增后减的粒子群完成高斯混合模型参数初始化;然后引入近似骨架理论对EM算法进行改进优化,求解出高斯混合模型的最终参数;最后在图像聚类应用中进行仿真实验。
基于改进EM算法的高斯混合模型图像聚类方法,结构相似度相较于标准EM算法、RSEM算法和PSOEM算法分别提升6.31%、4.20%和1.38%;余弦距离值相较于标准EM算法、RSEM算法和PSOEM算法分别提升4.12%、2.69%和0.94%。
实验结果表明,该方法能够有效提升局部像素区域的聚类效果,获得聚类边界更加清晰的输出图像。
【总页数】5页(P182-186)
【作者】陶叶辉;赵寿为
【作者单位】上海工程技术大学数理与统计学院
【正文语种】中文
【中图分类】TP181
【相关文献】
1.基于改进模糊C均值聚类的心脏图像分割方法
2.一种基于自适应超像素的改进谱聚类图像分割方法
3.基于边缘保持滤波和改进核模糊聚类的脑肿瘤图像分割方法
4.基于边缘保持滤波和改进核模糊聚类的脑肿瘤图像分割方法
5.基于改进RHT 及均值漂移聚类方法的双孢菇图像目标提取研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于EMD-PSO-BP网络模型的大坝变形预测
基于EMD-PSO-BP网络模型的大坝变形预测秦旭元;刘立龙;陈军;陈发德;黄良珂;谢劭峰【摘要】针对大坝变形具有非平稳性、非线性等特点,将经验模态分解(EMD)和粒子群算法(PSO)引入到BP神经网络中,建立EMD-PSO-BP模型.该模型采用EMD 将复杂的大坝变形数据分解成有限个相对平稳的分量,并利用粒子群算法优化BP神经网络对各分量分别建模预测,叠加重构各分量预测值作为最终预测结果.实验结果表明,EMD-PSO-BP模型具有较好的非线性映射能力、学习能力和自适应能力,能有效地提高变形预测精度,其预测精度明显优于BP神经网络模型,较PSO-BP模型也有所提高.%Dam deformations have lots of characteristics such as non-stationary,non-linear.In this paper,we take Empirical Mode Decomposition (EMD) and Particle Swarm Optimization (PSO) into BP neural network,and establish EMD-PSO-BP model to forecast dam deformative values.In this model,EMD is used to decompose complex deformation data into finite and relatively stable components,and to predict each component by BP neural network optimized by Particle Swarm Optimization model,then to stack and reconstruct components as the final results.The experimental results show that the EMD-PSO-BP model has a better nonlinear mapping ability,learning ability and adaptive ability which can improve the predicted accuracy of deformations effectively.Also,the accuracy is obviously better than BP neural network model,a little better than PSO-BP model.【期刊名称】《桂林理工大学学报》【年(卷),期】2017(037)004【总页数】6页(P641-646)【关键词】变形预测;EMD;PSO;BP神经网络【作者】秦旭元;刘立龙;陈军;陈发德;黄良珂;谢劭峰【作者单位】桂林理工大学桂林理工大学测绘地理信息学院,广西桂林541004;桂林理工大学广西空间信息与测绘重点实验室,广西桂林541004;桂林理工大学桂林理工大学测绘地理信息学院,广西桂林541004;桂林理工大学广西空间信息与测绘重点实验室,广西桂林541004;桂林理工大学桂林理工大学测绘地理信息学院,广西桂林541004;桂林理工大学广西空间信息与测绘重点实验室,广西桂林541004;桂林理工大学桂林理工大学测绘地理信息学院,广西桂林541004;桂林理工大学广西空间信息与测绘重点实验室,广西桂林541004;桂林理工大学桂林理工大学测绘地理信息学院,广西桂林541004;桂林理工大学广西空间信息与测绘重点实验室,广西桂林541004;桂林理工大学桂林理工大学测绘地理信息学院,广西桂林541004;桂林理工大学广西空间信息与测绘重点实验室,广西桂林541004【正文语种】中文【中图分类】P207大坝施工和运行阶段都伴随着变形,及时掌握其变形情况对保障大坝安全有着重要意义。
基于自动样本和PSO优化组合核的图像分割
基于自动样本和PSO优化组合核的图像分割李雷;施冬艳【期刊名称】《计算机技术与发展》【年(卷),期】2014(000)006【摘要】Color image segmentation occupies an important position in image processing. To avoid the unreliability of image samples with manual selection,use K-means for image's pre-classification,and then select the image's HSV color space features via Matlab program-ming automatically. Present the idea of the block:process the color image with partitioning firstly;then output the block images that can be judged as background or foreground directly;use Support Vector Machine ( SVM) method for training and segmenting the remaining block images. With the linearly combination of the global and local kernel,select the optimal combination kernel function for image seg-mentation. Introduce the Particle Swarm Optimization ( PSO) to optimize the parameters in combined kernel. The experimental results show that the proposed method is effective. The image segmentation accuracy is satisfactory and stable.%彩色图像分割在图像处理中占据重要的位置。
一种基于PSO算法和ICM模型的图像自动分割算法
一种基于PSO算法和ICM模型的图像自动分割算法卢桂馥;窦易文;王勇【期刊名称】《计量技术》【年(卷),期】2008(000)003【摘要】ICM模型(Intersecting Cortical Model)是一种简化的脉冲耦合神经网络(Pulse Couled Neural Network,PCNN),ICM模型图像分割的效果取决于ICM 模型中各个参数的合理选择,这一般需要通过多次实验获得.而粒子群优化算法(Particle Swarm Optimization,PSO)具有对参数自动寻优的优势,为此,将PSO和ICM模型相结合,以改进的最大类间方差准则函数为适应度函数,提出了一种新的基于PSO和ICM模型图像自动分割算法.实验仿真结果验证了该方法的有效性,即不仅可以正确的实现图像分割,而且参数可以自动设置省去了人工实验的麻烦,同时分割速度也有所提高.【总页数】3页(P3-5)【作者】卢桂馥;窦易文;王勇【作者单位】安徽工程科技学院计算机科学与工程系,芜湖,241000;安徽工程科技学院计算机科学与工程系,芜湖,241000;安徽工程科技学院计算机科学与工程系,芜湖,241000【正文语种】中文【中图分类】TP3【相关文献】1.一种基于改进PSO和FCM的图像分割算法 [J], 高金雍;唐红梅;武翠霞;韩力英2.一种基于PSO优化HWFCM的快速水下图像分割算法 [J], 王士龙; 徐玉如; 庞永杰3.基于PSO-KMeans快速图像分割算法模型的应用 [J], 陈兴志; 王代文; 刘乃瑶; 乐文涛; 黄飞翔4.一种基于空间信息的FSICM图像分割算法 [J], 朱素霞;祖宏亮;孙广路5.基于PSO-KMeans快速图像分割算法模型的应用 [J], 陈兴志;王代文;刘乃瑶;乐文涛;黄飞翔因版权原因，仅展示原文概要，查看原文内容请购买。
PSO混合DE算法求解约束优化问题
PSO混合DE算法求解约束优化问题
张婷;高晓智
【期刊名称】《微型机与应用》
【年(卷),期】2014(33)17
【摘要】提出了一个全新的混合算法并命名为微粒群差分算法,该算法在标准微粒群算法的基础上结合了差分进化算法用于求解约束的数值和工程优化问题.传统的标准微粒群算法由于其种群单一性容易陷入局部最优值,针对这一缺点利用差分进化算法中的变异、交叉、选择3个算子来更新每次迭代每个粒子新生产的位置以使粒子跳出局部优值.融合了标准微粒群算法和差分进化算法优点的混合算法加速了粒子的收敛速度.为了避免惩罚因子的选择对实验结果的影响,采取了可行规则法来处理约束优化问题.最后将微粒群差分算法用于5个基准函数和两个工程问题,并与其他算法作了比较,试验结果表明,微粒群差分算法算法具有很好的精准性、鲁棒性和有效性.
【总页数】5页(P83-87)
【作者】张婷;高晓智
【作者单位】上海海事大学信息工程学院,上海201306;上海海事大学信息工程学院,上海201306;阿尔托大学电气工程与自动化系,赫尔辛基FI-00076
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.应用改进PSO算法求解待约束优化问题 [J], 高显忠;罗文彩;侯中喜
2.一种求解高维约束优化问题的γ-PSO算法 [J], 张慧斌;王鸿斌;邸东泉
3.求解工程约束优化问题的PSO-ABC混合算法 [J], 王珂珂;吕强;赵汗青;白帆
4.约束优化问题带有混沌变异的PSO-DE混合算法 [J], 雷崇民;任再敏;高岳林
5.基于PSO-ABC的混合算法求解复杂约束优化问题 [J], 王珂珂;吕强;赵汗青;张蔚因版权原因，仅展示原文概要，查看原文内容请购买。
基于DE和PSO的混合智能算法及其在模糊EOQ模型中的应用
Ａ ｓ ａｔ ｈｓｐｐｒ ｅｉ ｅ ｏｅ ｈ ｂｉ ｔ ｌ ｅｔ ｌｏｉ ｍ（ Ｅ Ｓ ｂｔ ｃ ：Ｔ ｉ ａｅ ｓ ｎｄａｎｖｌ ｙｒ ｉ ｅｉ ｎ ｇｒｈ Ｄ Ｐ Ｏ）ｂ ｔ ｒｔ ｇａｖｎａｅ ｆ ＥａｄＰ Ｏ ａｇ— ｒ ｄ ｇ ｄ ｎ ｌｇ ａ ｔ ｙｉ ｅ ａ ｎ ｄ ａｔ ｓｏ ｎ Ｓ ｌｏ ｎｇ ｉ ｇ Ｄ
ｆ ｚ ｅｅｄ ｎ— ａｃ ｒｇａ ｍ ｎ Ｏ ｏ ｅ， ｅｉ ｅ ｎｉｔ ｌ ｅｔ ｌ ｒｈ ａ ｕａｅｔｅｃｅｉｉｔ ｏ ｅｆｚｙ ｕ ｙｄ ｐｎ ｅｔ ｈ ｎｅｐｏｒｍ ｉｇＥ Ｑ ｍ ｄｌ ｄ ｓ ｎ ｄａ ｎ ｌｇｎ ａｇ ｉ ｍ ｔ ｃｌ ｌｔ ｈ ｒｄｂｌｙ ｆｔ ｕｚ ｚ ｃ ｇ ｅｉ ｏ ｔ ｏ ｃ ｉ ｈ
ｒｔ ． Ｄｕ ｉ ｇ ｉ ｒ ｔｖ ｒ ｃ ｓ ｎ ｔ ｅ ＰＳ ，ａ ｃ ｒａ ｎ ｒ ｄ ｍｌ ｅｅ ｔｄ ｐａ ｉｌ ｓｗｏ ｌ ｅ ｅｖ ｈｅｄｉ ｅ ｅ ｔａ ｖ ｌ ｉｎ ｏ ｒ — ｉ ｈｍ ｒｎ ｔ ａ ｉｅ ｐ ｏ ｅ ｓｉ ｈ Ｏ ｅ ｅｔ ｉ ａｎ ｏ ｙ ｓ ｌｃｅ ｒ ｃ ｅ ｕ ｄ ｒ ｃ ｉｅ ｔ ｆ ｒ ｎ ｉｌｅ ｏｕｔ ｐｅ ａ ｔ ｆ ｏ ｔｒｔ ｎｃ ｅ ｓ ｈ ｉ ｒ ｉ ｆｐａｔｃ ｅ ． Ｔｈ ｎ，ｐ ｒｉ ｌｓｗｉ ｈ ｏ ａ ｎ ｍｕｍ ｕ ｄ ｅ ｃ ｐ ｏ ｅ ｕ ｅ ｔ ｌ ａ ｏ ｖ ｒ ｅ ｃ ｏ ｏ ｉ ｒ ａ ｅｔ ｅ ｄｖｅｓｔ ｏ ｒｉｌ ｓ ｙ ｅ ａ ｔｃｅ ｔ ｔ ｅ ｌｃ ｌｍｉｉ ｈ ｗｏ ｌ ｓ ａ ｅ ｔ ｎｓ ｒ ｈｅｇｏｂ ｌｃ ｎ ｅ ｇ ｎ ｅ ｏ ｈ ｒ ｐｏ ｅ ｂ ｄ ａｇ ｒｔ ｍ ． Ｔｈ ｒｏ ｍａ ｃ ｆＤＥＰＳ ａ ｇ ｒｔ ｆｔ ｅ ｐ ｏ ｓ ｄ ｈｙ ｒ ｌｏ ｉｈ ｉ ｅ ｐｅｆ ｒ ｎ ｅ ｏ Ｏ ｌｏ ｉｈｍ ｓ ｔｓｅ ｉ ｙ ｃ ｌｔ ｓ ｕｎ ｔｏ ｓ Ａｉ ｎ ｔｔ ｅ ｗａ ｅ ｔ ｄ ｕｓｎｇ ｔｐｉａ ｅ ｔｆ ｃｉ ｎ ． ｍｉ ｇ ａ ｈ
基于高斯模型的EM算法在图像分割中的应用
基于高斯模型的EM算法在图像分割中的应用图像分割是指把图像中不同部分分开的过程，也是计算机视觉和图像处理领域中一个重要的研究方向。
而基于高斯模型的EM算法在图像分割中得到广泛应用，本文就此话题进行探讨。
一、EM算法基础EM算法(Expectation-Maximization Algorithm)，期望最大化算法，是一种基于迭代的数值优化算法，广泛应用于机器学习、计算机视觉以及统计学等领域。
其主要思想是通过未观测变量的期望来解决模型参数的估计问题。
EM算法分为两个步骤：E步，计算未观测变量的期望；M步，最大化似然函数，得到模型的最优参数。
这两个步骤不断迭代，直至收敛为止。
二、高斯混合模型高斯混合模型(Gaussian Mixture Model, GMM)是指由多个高斯分布组成的混合模型。
它可以被广泛应用于图像分割和特征提取等领域中。
在GMM中，每个高斯分布对应于图像中的一个特定区域，从而完成图像分割的任务。
对于一个像素点，其可能属于GMM中的任意一个高斯分布，每个高斯分布都有一个权重参数，表示该高斯分布在混合模型中的占比。
因此，对于每个像素点，我们需要估计这些高斯分布的均值、方差和权重。
三、基于高斯模型的EM算法在图像分割中的应用基于高斯模型的EM算法可以被广泛应用于图像分割中。
在图像分割过程中，首先需要确定高斯混合模型的数量，即选择需要的高斯分布数量。
然后，以图像像素为基础，进行模型初始化，计算像素点和每个高斯分布之间的期望，并采用EM算法优化模型参数。
EM算法迭代过程中，通过计算高斯分布的权重和均值，得到每个像素点属于哪个高斯分布的概率。
这样，对于一个像素点，我们可以知道它属于哪个区域。
通过这种方式，可以完成对图像的自动分割。
四、总结本文介绍了基于高斯模型的EM算法在图像分割中的应用。
通过EM算法优化高斯混合模型的参数，可以实现自动分割图像的任务。
但是，在实际应用中，图像分割还面临着很多挑战，如图像噪声、复杂背景等问题。
EM与PSO算法在图像统计模型拟合中的应用
摘
要
针对期望最大值算法（ Ｅ Ｍ） 对 图像 统计模 型初始值敏感和容 易陷入局部 极值 的弱点， 结合粒子群 优化算 法（ Ｐ Ｓ Ｏ） 全
局寻优 的特 点， 提 出一种有 效解决此 问题 的 Ｅ Ｍ— Ｐ Ｓ Ｏ混合算法。该 算法将粒子 分为最优种群 和进 化种群 ， 分 别用 Ｅ Ｍ 算法和 Ｐ Ｓ Ｏ算法进行更新。然后选取最优粒子群作为 Ｅ Ｍ 算 法的初始值 。仿真结 果表 明， 用Ｅ Ｍ— Ｐ Ｓ Ｏ算 法拟合 图像 统 计模 型比用 Ｅ Ｍ 算法拟合 图像统计模型更准确。
⑥
２ ０ １ ３ Ｓ ｃ ｉ ． Ｔ ｅ ｃ ｈ ． Ｅ ｎ ｇ ｒ ｇ ．
Ｅ Ｍ与Ｐ Ｓ Ｏ算法在图像统计 模 型拟合中的应 用
白彦辉 李旭超
（ 赤峰学 院计算机与信 息工程学院 ， 赤峰 ０ ２ ４ ０ ０ ０ ； 江苏师范大学电气工程及 自 动化学院 ， 徐州 ２ ２ １ １ １ ６ ）
关键词 粒子群优化
期望最大值
图像统计模型
中图法分类号
Ｔ Ｐ ３ ９ １ ． ４ １ ；
文献标志码
Ａ
期望最 大值 （ Ｅ ｘ ｐ ｅ ｃ ｔ ａ ｔ ｉ ｏ ｎ Ｍ ａ ｘ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ， Ｅ Ｍ） 算
法 收敛 速度 快 ， 容 易实现 ， 能 有 效 地 解 决 丢 失数 据 统计模 型参 数估计 问题 ， 在 图像 处 理 和 计算 机 视 觉
ｈ ｕ ． Ｃ Ｏ Ｈ １ 。
完全数据 ， 像素的标号是丢失数据。假设像素的灰 度在标号为 ｚ 的区域服从均值为 ， 方差为 （ ｚ ＝
１ ， ２ ， …， ）的某一 分 布 ， 那 么 整个 图像 的统 计 分 布 可用 有 限混合统 计模 型来拟 合 ， 表 达式 如下
求解聚类问题的混合pso算法设计
求解聚类问题的混合pso算法设计摘要：聚类问题是数据挖掘领域中的一个重要问题，混合PSO算法是一种优化算法，本文将混合PSO算法应用于聚类问题中，提出了一种求解聚类问题的混合PSO算法。
该算法采用了粒子群算法和差分进化算法两种算法的优点，能够更好地避免陷入局部最优解。
实验结果表明，该算法能够有效地解决聚类问题，具有较高的精度和效率。
关键词：聚类问题、混合PSO算法、粒子群算法、差分进化算法一、引言聚类问题是数据挖掘领域中的一个重要问题，它是将数据集合分成若干个不同的类别的过程。
聚类问题在生物学、医学、社会学、金融等领域有着广泛的应用。
传统的聚类算法包括K-means、层次聚类、DBSCAN等，这些算法都有着自己的优点和缺点。
其中，K-means算法是最常用的聚类算法之一，但它容易陷入局部最优解，且对于噪声和异常值敏感。
粒子群优化（PSO）算法是一种优化算法，它是通过模拟鸟群捕食的行为来进行优化的。
PSO算法具有全局搜索能力和收敛速度快等优点，已经成功应用于多个领域中。
但是，PSO算法容易陷入局部最优解，且对于高维问题的求解效果不佳。
差分进化算法是一种优化算法，它通过随机化的方式进行搜索，具有全局搜索能力和收敛速度快等优点。
差分进化算法已经被成功应用于多个领域中，包括聚类问题。
但是，差分进化算法容易陷入局部最优解，且对于高维问题的求解效果不佳。
为了克服传统聚类算法中的缺点，本文提出了一种求解聚类问题的混合PSO算法。
该算法采用了粒子群算法和差分进化算法两种算法的优点，能够更好地避免陷入局部最优解。
实验结果表明，该算法能够有效地解决聚类问题，具有较高的精度和效率。
二、混合PSO算法混合PSO算法是将两种优化算法进行结合，以期能够更好地解决优化问题。
本文提出的混合PSO算法采用了粒子群算法和差分进化算法两种算法的优点，具体做法如下：1. 初始化粒子群的位置和速度。
2. 对每个粒子进行适应度计算，根据适应度大小更新全局最优解和个体最优解。
基于高斯混合模型的EM算法改进与优化
基于高斯混合模型的EM算法改进与优化
王凯南;金立左
【期刊名称】《工业控制计算机》
【年(卷),期】2017(30)5
【摘要】作为聚类分析的一种重要模型,高斯混合模型在模式识别领域得到了广泛的应用.高斯混合模型的参数通常使用EM算法迭代训练获得.然而,传统的EM算法具有稳定性低,容易陷入局部极小值等缺点.针对传统EM算法的不足,改进了相关算法,在迭代过程中引入了自适应模型合并和模型分裂的策略.通过计算各高斯模型的熵,合并权值过低的模型,分裂熵过大的模型.此外,还优化了算法计算过程的相关步骤.相应实验结果表明,与传统EM算法相比,改进后的算法具有更强的适应性和更好的性能.
【总页数】3页(P115-116,118)
【作者】王凯南;金立左
【作者单位】东南大学自动化学院,江苏南京 210096;东南大学自动化学院,江苏南京 210096
【正文语种】中文
【相关文献】
1.样条约束的EMBET中最优化问题与算法改进 [J], 陈伟玉;陈伟利;叶正茂
2.基于EM算法的高斯混合模型的聚类分析——以2015年各省份GDP为例 [J], 范敬雅;邹玉梅
3.基于鲁棒高斯混合模型的加速EM算法研究 [J], 邢长征;赵全颖;王星;王伟
4.一种基于高斯混合模型的改进EM算法研究 [J], 宋磊;郑宝忠;张莹;闫丽;卫宏;刘建鹏;李涛;杨恒
5.基于EM算法的高斯混合模型参数估计 [J], 梁盛楠
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进PSO和DE的混合算法
局优化算法 。经过对 ５个标 准测试 函数 的大量 实验计算表 明，该算法 能有效克服 Ｐ Ｏ算法和 ＤＥ算法的缺陷 ，使寻优精度有较大改进 ，在 Ｓ 高维情况下表现更加突出 。 关健词 ：粒子群优化算法 ；差分进化算法 ；混合算法
Ｈｙ ｒ ｄ Ａｌ ｏ ｉｈ Ｂａ ｅ ｎ Ｉ ｐ ｏ ｅ Ｏ ｎ ｂ ｉ ｇ ｒｔ ｍ ｓ ｄ ｏ ｍ ｒ ｖ ｄ ＰＳ ａ ｄ ＤＥ
ｔ ａ ｈ ｓｎ ｖ ｌｈ ｂ ｉ ｌ ｏ ｉ ｍ ｆｅ ｔｖ ｌ ｖ ｒ ｏ ｈ ｔ ｉ ｏ ｅ ｙ ｒｄ ａ ｇ ｒｔ ｔ ｈ ｅ ｆ ｃ ｉ ｅ ｙ ｏ ｅ ｃ ｍｅ ｈ ｅ ｐｅ ｔ ｅ ｄ ｓ ｄ ａ ｔ ｇ ｓｏ Ｏ ｌ ｏ ｉ ｍ ｎ ｓｔ ｅ ｒ ｓ ｃ ｉ ｉａ ｖ ｎ ａ ｅ ｆＰＳ ａ ｇ ｒｔ ｖ ｈ ａ ｄ ＤＥ ｌ ｏ ｉ ａｇ ｒｔ ｈｍ． ｔｐ ｏ ｕ ｅ ｏ ｐ ｃ ｏ ｓ Ｉ ｒ ｄ ｃ ｓａ ｃ ｎｓ ｉ ｕ ｕ ｅ ｆ ｃ ， ｉ ｈ ｒ ｓ ｌ ａｉｆ ｃｏ ｙ ｏ ｔ ｏ ｎ ｅ ｐ ｒｍｅ ｓｅ ｐｅ ｉ ｌ ｎ ｈ ｇ ｉ ｎ ｉ ｎ ｆｅ ｔ ｗｈ ｃ ｅ ｕ ｔ ｉ ｓ ｔ ａ ｔ ｒ ｕ ｃ ｍｅ ｉ ｘ ｅ ｓｎ ｓ ｉ ｎｔ ｓ ｃ ａ ｌ ｉ ｉ ｈ ｄ ｍｅ ｓ ｏ ． ｙ
第 ３ 卷 第 １ ６ Ｏ期
Ｖ １３ ｏ．６
・
计
算
机
工
程
２１ ０ ０年 ５月
Ｍ ａ ２ ０ ｙ ０１
Ｎｏ１ ．０
Ｃｏ ｐｕｔ ｒＥｎｇ ｎｅ ｒ ｎｇ ｍ ｅ ｉ ｅｉ
人 工 智能及 识 别技 术 ・
文章编号：１０＿ ４８ ００ ｏ＿ ３． ３ 文献标识码； ０ ３２（ １ １＿ ２，＿ ２ ） ｏ ０ Ａ
基于协同memetic PSO算法的传感器-目标分配问题求解
基于协同memetic PSO算法的传感器-目标分配问题求解王一川;单甘霖;童俊
【期刊名称】《系统工程与电子技术》
【年(卷),期】2013(35)5
【摘要】传感器-目标分配问题是防空系统传感器管理的一项重要研究内容.对面向跟踪的防空系统传感器-目标分配问题进行了研究,结合主客观分配原则,利用0-1整数规划模型对问题进行了建模,约束主要考虑传感器的跟踪能力和目标的被执行跟踪容量.构造了一种协同memetic粒子群优化(particle swarm optimization,PSO)算法,分别采用PSO算法和邻域搜索算法作为全局搜索和局部搜索.为了在粒子位置矢量中反映出传感器组合,根据问题设计了一种特殊的粒子编码方法.最后通过仿真实验验证了算法的合理性和有效性.
【总页数】8页(P1000-1007)
【作者】王一川;单甘霖;童俊
【作者单位】军械工程学院电子与光学工程系,河北石家庄050003;军械工程学院电子与光学工程系,河北石家庄050003;军械工程学院电子与光学工程系,河北石家庄050003
【正文语种】中文
【中图分类】V243;TN957.51
【相关文献】
1.基于Memetic算法的动态武器目标分配问题研究 [J], 刘传波
2.基于混沌pso算法的实时动态目标分配 [J], 井洁;冯琦
3.多群协同PSO优化算法的WTA问题求解 [J], 肖嵘;赵成旺;王护利;檀朝彬
4.基于PSO的多无人机协同任务目标分配方法 [J], 魏成巍;裴毅;刘东升;王卫平
5.基于协同 Memetic 自适应 QPSO 算法的传感器目标分配问题求解 [J], 段修生;徐公国;单甘霖
因版权原因，仅展示原文概要，查看原文内容请购买。
基于一类混合PSO算法的函数优化与模型降阶研究
基于一类混合PSO算法的函数优化与模型降阶研究
刘丽姮;王凌;刘波;金以慧
【期刊名称】《化工自动化及仪表》
【年(卷),期】2006(33)2
【摘要】为了克服传统微粒群优化(PSO)算法容易早熟收敛和陷入局部极小的缺点,通过对PSO算法特点和行为的分析,提出一类有机结合模拟退火(SA)算法和PSO 算法的混合算法.混合算法不仅利用PSO的机制进行群体全局搜索,而且利用模拟退火的思想恰当地选择微粒的最好历史位置,保障了群体多样性,并有效平衡了算法的探索和趋化能力,进而改善了算法的优化性能.基于典型复杂函数优化问题和模型降阶问题的仿真结果表明,所提混合算法具有很好的优化质量、搜索效率和鲁棒性.【总页数】5页(P9-13)
【作者】刘丽姮;王凌;刘波;金以慧
【作者单位】清华大学,自动化系,北京,100084;东北电力大学,自动化工程学院,吉林,吉林,132012;清华大学,自动化系,北京,100084;清华大学,自动化系,北京,100084;清华大学,自动化系,北京,100084
【正文语种】中文
【中图分类】TP18
【相关文献】
1.函数优化问题的遗传算法和蚂蚁算法混合算法的研究 [J], 张玉兰;龚建荣;曹亚萍;谢小韦
2.基于EM算法和PSO算法的混合优化算法 [J], 王建龙;孙合明
3.基于改进PSO算法的Rosenbrock函数优化问题的研究 [J], 邵鹏;吴志健
4.基于混合智能学习算法的函数优化研究 [J], 李娟;曾黄麟;韩瑞峰
5.基于粒子群-遗传混合算法的函数优化研究 [J], 刘文英; 张自鲁; 路慎强; 张晓燕因版权原因，仅展示原文概要，查看原文内容请购买。
基于PSO聚类和ELM神经网络机床主轴热误差建模
差 和温度之 间的关系 。
收 稿 日期 ： ２ ０ １ ４— ０ ９—１ ２ ； 修 回 日期 ： ２ ０ １ ４—１ １— ２ ７
基金项目： 国家 自然 科 学 基 金 项 目 （ ５ １ ２ ７ ５ ３ ０ ５ ） ； ２ ０ １ ３年 度 上 海 市 引 进 技 术 的 吸 收 与 创 新 技 术 项 目 （ １ ３ Ｘ Ｉ 一０ ７ ） ； 辽 宁 省 科 技 创 新 重 大 专 项 （ ２ ０ １ ３ ０ １ ０ ０ １ ） ； 国 家科 技 重大 专 项课 题 （ ２ Ｏ ｌ １ Ｚ Ｘ ０ ４ ０ １ ５— ３ １ ）
ｍｏ ｄ ｅ ｌ ｉ ｎ ｇ ｏ ｆ ＥＬＭ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｏｒ ｆ ｔ ｈ ｅ ｍ ａ ｒ ｌ ｅ ｒ ｒ ｏ ｒ ｃ ｏ ｍｐ ｅ ｎｓ ａ ｔ ｉ ｏ ｎ ｉ ｎ ＮＣ ｍａ ｃ ｈ ｉ ｎ ｅ ｔ ｏ ｏ ｌ ｓ ．Ｋ— ｍｅ ａ ｎ ｓ ｃ ｌ ｕ ｓ ｔ ｅ ｉｎ ｒ ｇ ｉ ｓ
ｎ ｅ ｔ ｗｏ ｒ ｋ ｉ Ｓ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄ ｔ ｈ ｅ ｔ ｈ ｅ ｒ ｍａ ｌ ｅ ｒ ｒ ｏ ｒ ｍｏ ｄ ｅ ｌ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｍａ ｉ ｎ ｔ ｅ ｍｐ ｅ ｒ ａ ｔ ｕ ｒ ｅ ｐ ｏ ｉ ｎ ｔ ｓ Ｓ Ｏ ｔ ｈ ａ ｔ ａ ＮＣ ｍａ ｃ ｈ ｉ ｎ ｅ ｔ ｏ ｏ ｌ
ｔ ｏ ｏ ｌ ｓ ．
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ：ＮＣ ｍａ ｃ ｈ ｉ ｎ ｅ ｔ ｏ ｏ ｌ ；ＰＳ Ｏ— Ｋ１ Ｔ ｌ ｅ ａ ｎ ｓ ｃ ｌ ｕ ｓ ｔ ｅ ｉｎ ｒ ｇ；ＥＬＭ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ；ｔ ｈ ｅ ｒ ｍａ ｌ ｅ ｒ ｒ ｏ ｒ ｍｏ ｄ ｅ ｌ ｉ ｎ ｇ
一种改进PSO和遗传算法相结合的企业生产配置算法
一种改进PSO和遗传算法相结合的企业生产配置算法
冯川放
【期刊名称】《洛阳理工学院学报（自然科学版）》
【年(卷),期】2016(026)002
【摘要】将PSO算法引入遗传算法的初始化种群任务中，这样就使得初始解更优化，从而迭代工作更容易，大大提升了算法的有效性。
在解决交换流水生产线配置问题上，改进算法有针对性地完成了编写相关代码等相关工作。
经过仿真实验验证，改进算法可以提高效率，解决了其它算法不稳定的问题，并且算法还具有较强的检索能力，对比单一算法，此算法优势明显。
在生产调度等复杂问题的处理上，改进算法前景广阔。
【总页数】6页(P81-85,89)
【作者】冯川放
【作者单位】淮南联合大学计算机系，安徽淮南232001
【正文语种】中文
【中图分类】F163
【相关文献】
1.一种基于PSO思想的改进量子遗传算法 [J], 王渊博;宋铮;吴伟
2.改进的基于遗传算法与FCSS相结合的模糊球壳聚类算法 [J], 吕一;杨明
3.一种基于PSO的改进型多智能体遗传算法 [J], 吴雪松;宋振雷
4.一种新的改进遗传算法--混合式遗传算法 [J], 令狐选霞;徐德民;张宇文
5.一种改进量子遗传算法在地空反辐射混编群兵力配置优化中的应用 [J], 季军亮; 汪民乐; 商长安; 高嘉乐
因版权原因，仅展示原文概要，查看原文内容请购买。
一个基于PSO和DE的杂凑全局优化算法
一个基于PSO和DE的杂凑全局优化算法王杰文;夏长清【摘要】结合粒子群优化算法和差分进化算法思想提出了一个杂凑的全局优化算法--PSO-DE,通过对4个基准测试函数的实验测试,并与PSO和DE算法比较,证明新算法在低维(≤10维)搜索空间可以获得更高质量的解.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)003【总页数】3页(P46-48)【关键词】粒子群优化算法;差分进化算法;杂凑算法;测试实验【作者】王杰文;夏长清【作者单位】中南大学,材料科学与工程学院,长沙,410083;湖南第一师范学院,信息技术系,长沙,410205;中南大学,材料科学与工程学院,长沙,410083【正文语种】中文【中图分类】TP181 标准PSO1995年，Kennedy和 Eberhart提出原始 PSO（Particle Swarm Optimization）算法[1]，1998 年，Shi等对原始 PSO 算法进行了修改[2]，提出了目前广泛使用的基本粒子群算法（BPSO）。
设在一个D维的目标搜索空间中，有N个粒子组成一个群体，其中第i个粒子表示为一个D维的向量X i=（xi1，xi2，…，xiD），i=1，2，…，N，每个粒子的位置就是一个潜在的解。
将 X i代入一个目标函数就可以算出其适应值，根据适应值的大小衡量解的优劣。
第i个粒子的飞行速度也是D维向量，记为V i=（vi1，vi2，…，viD）。
记第i个粒子迄今为止搜索到的最优位置为Pi=（pi1，pi2，…，piD），整个粒子群迄今为止搜索到的最优位置为Pg=（pg1，pg2，…，pgD）。
则可用下列公式对粒子进行速度和位置更新：式中 i =1，2，…，N，d=1，2，…，D；学习因子 c 1和 c 2是非负常数；randk1和randk2是两个相互独立的在区间[0，1]上均匀分布的伪随机数，速度上限|vid|≤v max id。
2 DE算法1997年，Price和Storn[3-4]提出一个新的用于全局优化的浮点数编码进化算法，称作DE（Differential Evolution）。
基于改进PSO和DE的混合算法
基于改进PSO和DE的混合算法
易文周;张超英;王强;许亚梅;周金玲
【期刊名称】《计算机工程》
【年(卷),期】2010(036)010
【摘要】研究粒子群优化(PSO)算法和差分进化(DE)算法的优缺点,通过改进PSO 算法并与DE算法混合,得到一种双种群的新型混合全局优化算法.经过对5个标准测试函数的大量实验计算表明,该算法能有效克服PSO算法和DE算法的缺陷,使寻优精度有较大改进,在高维情况下表现更加突出.
【总页数】3页(P233-235)
【作者】易文周;张超英;王强;许亚梅;周金玲
【作者单位】广东工程职业技术学院计算机信息系,广州,510520;广西师范大学计算机科学与信息工程学院,桂林,541004;广西师范大学计算机科学与信息工程学院,桂林,541004;广西师范大学计算机科学与信息工程学院,桂林,541004;广东工程职业技术学院计算机信息系,广州,510520;广东工程职业技术学院计算机信息系,广州,510520
【正文语种】中文
【中图分类】TP312
【相关文献】
1.基于改进PSO-BP混合算法的电力变压器故障诊断 [J], 杨道武;李海如;向卫东;任卓;李哲文
2.基于PSO与DE混合算法的水资源优化配置 [J], 邵玲玲;牛文娟;唐凡
3.基于改进GA-PSO混合算法的变电站选址优化 [J], 贺禹强;刘故帅;肖异瑶;张忠会
4.基于分组的PSO与DE的混合算法 [J], 余玉丰;李国;徐晨
5.基于 PSO-DE 混合算法的结构可靠性优化设计 [J], 郑灿赫;孟广伟;李锋;周立明;孔英秀
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于PSO-ABC的全局优化算法
一种基于PSO-ABC的全局优化算法
叶奕茂;赵华生;金龙
【期刊名称】《广西民族大学学报（自然科学版）》
【年(卷),期】2013(019)004
【摘要】针对粒子群算法和蜂群算法在寻优中存在的一些早熟和收敛速精度不高等问题,论文分别时粒子算法和蜂群算法的更新策略以及更新公式进行了改进,利用改进的粒子群算法和改进的蜂群算法同时对一个粒子位置进行部分算术更新的方法,提出了一种新混合的优化算法.并将其在12个多极值基准函数进行全局最优化测试,实验结果表明,笔者提出的混合优化算法收敛的速度和收敛精度大大提高了,其性大大优于改进的粒子群算法(CLPSO算法)和人工蜂群算法,对于高、低维复杂函数的优化均适用.
【总页数】5页(P55-59)
【作者】叶奕茂;赵华生;金龙
【作者单位】广西大学数学与信息科学学院,广西南宁,530004;广西机电职业技术学院,广西南宁,530007;广西气象减灾研究所,广西南宁,530022;广西气象减灾研究所,广西南宁,530022
【正文语种】中文
【中图分类】TP18
【相关文献】
1.一种基于全局-局部双向驱动的改进果蝇优化算法 [J], 王友卫;凤丽洲;朱建明;柴艳妹;吴越
2.一种基于Kriging模型的天线高维全局优化算法 [J], 陈晓辉;裴进明;郭欣欣
3.一种基于菜维飞行的新型改进平衡全局优化算法 [J], 杨柳庆;杨婷婷;王鹏飞;张勇
4.一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法 [J], 栾丽君;谭立静;牛奔
5.一种基于改进蚁群优化算法的载人潜水器全局路径规划 [J], 史先鹏;解方宇;张波涛
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｎ ｉ ｓ ｍ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ａ ｎ ｄ Ｐ ａ ｔ ｒ ｉ ｃ ｌ ｅ Ｓ ｗ ａ ｒ ｍ Ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｗ ａ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ （ Ｅ Ｍ Ｓ Ｐ Ｏ ） ．Ｆ ｉ ｒ ｓ ｔ ｌ ｙ ， ｅ ａ ｃ ｈ ｐ ａ ｔ ｒ ｉ ｃ ｌ ｅ ｗ ａ ｓ ｕ ｐ ｄ ａ ｔ ｅ ｄ
ｔ ｏ Ｐａ ｒ ｔ ｉ ｃ ｌ ｅ Ｓ ｗａ ｒ ｍ Ｏｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ｌｇ ａ ｏ ｉｔ ｒ ｈｍ ． Ａ ｈ ｙ ｂ ｒ ｉ ｄ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｉｔ ｒ ｈｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｅｌ ｅ ｃ ｔ ｒ ｏ ｍａ ｇ ｎｅ ｔ ｉ ｓ ｍ —ｌ ｉ ｋ ｅ Ｍｅ ｃ ｈ ａ —
第３ ０ 卷 第５ 期
文章编号 ： １ ０ ０ ６ — ９ ３ ４ ８ （ ２ ０ １ ３ ） ０ ５ — ０ ３ ３ ０ — ０ ４ 计 Nhomakorabea算
机
仿
真
２ ０ １ ３ 年５ 月
基于 Ｅ Ｍ 算法和 Ｐ Ｓ Ｏ 算 法 的 混 合 优 化 算 法
王建龙 ， 孙合 明
（ 河海大学理学院 ， 江苏 南京 ２ １ １ １ ０ ０ ）
摘 要： 针对粒子群优化算法容易陷入局部最优解并且存在过早收敛 的问题 ， 将类电磁机制算 法中的吸引一 排斥机制引入到粒 子群优化算法 中， 提 出一种类电磁机制算法 和粒子群优化算法 的混合优 化算法 （ Ｅ ＭＰ Ｓ Ｏ） 。首先按 照基本粒子群 优化算法
的 寻 优方 式对 各 粒 子 进 行 更 新 ， 再 利 用类 电磁 机 制 中 的吸 引 一 排斥 机 制 对 个 体 最 优 粒 子 和 群 体 最 优 粒子 进 行 移 动 ， 最 后 通 过 几 个 标 准 测 试 函 数 进行 了测 试 ， 并 与 标 准 粒 子 群算 法 （ Ｐ Ｓ Ｏ） 、 免疫粒 子群算法 （ Ｉ Ｐ Ｓ Ｏ）、 混沌粒 子群算法 （ Ｃ Ｐ Ｓ Ｏ） 进 行 对 比。 测试结果表明 ， 改 进算 法 提 高 了全 局 搜 索 能 力 和 熟 练 速度 ， 改 善 了优 化 性 能 。
ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ ｏ Ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ Ｓ ｗａ ｒ ｍ Ｏｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ．Ｔ ｈ ｅ ｎ ｔ ｈ ｅ ｉ ｎ ｄ ｉ ｖ ｉ ｄ ｕ ｌ ａ ａ ｎ ｄ ｔ ｈ ｅ ｇ ｒ ｏ ｕ ｐ ｏ ｐ ｔ ｉ ｍａ ｌ ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｗｅ ｒ ｅ ｕ ｐ ｄ ａ ｔ ｅ ｄ
ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎｇ ｔ ｏ ｔ ｈｅ ａ ｔ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｎｄ ｒ ｅ ｐｕ ｌ ｓ ｉ ｏ ｎ ｍｅ ｃ ｈａ ｎ ｉ ｓ ｍ ｏ ｆ Ｅｌ ｅ ｃ ｔ ｒ ｏ ｍａ ｇ ｎｅ ｔ ｉ ｓ ｍ－ ｌ ｉ ｋｅ Ｍｅ ｃ ｈ ａ ｎｉ ｓ ｍ ｌｇ ａ ｏ ｉｔ ｒ ｈ ｍ ． Ｆｉ ｎａ ｌ ｌ ｙ，ｔ ｈ ｅ ｐ ｒ ｏ —
ｐ ｏ ｓ ｅ ｄ ｍｅ ｔ ｈ ｏ ｄ ｓ ｗ ｅ ｒ ｅ ｔ ｅ ｓ ｔ ｅ ｄ ｂ ｙ ｓ ｅ ｖ ｅ ｒ ａ ｌ ｈ ｉ ｇ ｈ — ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ａ ｌ ｂ ｅ ｎ ｃ ｈ ｍａ ｒ ｋ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ｓ ，ａ ｎ ｄ ｃ ｏ ｍｐ ａ ｒ ｅ ｄ ｗ ｉ ｔ ｈ ｓ ｔ ａ ｎ ｄ ｒｄ ａ Ｐ Ｓ Ｏ ａ ｌ ｇ ｏ — ｒ ｉ ｔ ｈ ｍ，Ｉ Ｐ Ｓ Ｏ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ａ ｎ ｄ Ｃ Ｐ Ｓ Ｏ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ．Ｅ ｘ ｐ ｅ ｉ ｒ ｍｅ ｎ ｔ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｈ ａ ｖ ｅ ｓ ｈ ｏ ｗ ｎ ｔ ｈ ａ ｔ ＥＭＰ Ｓ Ｏ ｌｇ ａ ｏ ｒ ｉ ｔ ｈ ｍ ｃ ａ ｎ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｉ ｍ— ｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｇ ｌ ｏ ｂ ａ ｌ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ａ ｂ ｉ ｌ ｉ ｔ ｙ ａ ｎ ｄ ｅ ｎ ｈ ａ ｎ ｃ ｅ ｔ ｈ ｅ ｒ ａ ｔ ｅ ｏ ｆ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ．
关键词 ： 类 电磁机制 ； 粒子群优化 ； 混合优化算法
中 图分 类 号 ： Ｔ Ｐ ３ ０ １ ． ６ 文献标识码 ： Ｂ
Ｈｙ ｂ ｒ ｉ ｄ Ｏｐｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｂａ ｓ ｅ ｄ Ｏｎ ＥＭ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ａ ｎｄ ＰＳ Ｏ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈｍ
ＷＡＮＧ Ｊ ｉ ａ ｎ － ｌ ｏ ｎ ｇ ， Ｓ ＵＮ Ｈｅ － ｍｉ ｎ ｇ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ， Ｈ ｏ ｈ ａ ｉ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｎ ａ ｎ ｊ ｉ ｎ ｇ Ｊ ｉ ａ ｎ ｇ ｓ ｕ ２ １ １ １ ０ ０， Ｃ ｈ ｉ ｎ ａ ）
ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ．Ｔ ｈ ｅ ａ ｔ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｒ ｅ ｐ ｕ ｌ ｓ ｉ ｏ ｎ ｍｅ ｃ ｈ ａ ｎ ｉ ｓ ｍ ｏ ｆ Ｅｌ ｅ ｃ ｔ ｒ ｏ ｍａ ｇ ｎ ｅ ｔ ｉ ｓ ｍ— ｌ ｉ ｋ ｅ Ｍｅ ｃ ｈ ａ ｎ ｉ ｓ ｍ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｗ ａ ｓ ｂ ｒ ｏ ｕ ｇ ｈ ｔ ｉ ｎ —