粒子群优化算法用于高光谱遥感影像分类的自动波段选择

粒子群算法在电网中的调度

资源简答，内容相对短小精悍，更有利于初学者对于该算法的掌握。该算法对于一些基本的需求都能得到满足，且对需承载的平台要求不高。希望能对初学者有一点帮助！

PSO应用

为解决当前测量设备在估计海浪方向谱方面存在的易损坏、易丢失且费用昂贵等问题,利用船舶运动响应数据通过参数化方法对海浪方向谱进行估计,并提出粒子群优化算法对八参数海浪方向谱模型进行参数整定,该方法只需要简单的测量设备和硬件即可完成方向谱的估计工作.最后利用实船数学模型对2种海况情况进行了仿真验证,仿真结果表明该方法可以精确地估计出海浪方向谱.

粒子群算法发展历史简介 由Kennedy和Eberhart于1995年提出． 群体迭代，粒子在解空间追随最优的粒子进行搜索. 简单易行 粒子群算法: 收敛速度快 设置参数少 已成为现代优化方法领域研究的热点．

针对目前云计算服务中用户体验的要求不断提高，工作流业务繁多且复杂的现状，本文为了改善工作流中各子任务执行效率不平均以及计算资源利用率低的问题，通过云工作流仿真环境，结合群体智能优化算法理论，根据科学工作流模型，创建任务集合，提出一种改进粒子群优化算法（PSO）用以优化工作流中任务调度策略，并进行仿真。仿真结果表明，本文提出的改进粒子群优化算法，与模拟退火粒子群优化算法（SA-PSO）对比，特别在面对云工作流节点多而复杂的情况时，执行成本可以减少20%，调度效果更好。

在肺结节诊断方法研究中,传统机器学习诊断方法存在诊断性能不稳定的问题.为了提高孤立性肺结节的识别准确率,提出基于粒子群优化(particle swarm optimization,PSO)参数的极限学习机(extreme learning machine,ELM)辅助诊断方法.首先采用PSO选取ELM最佳的初始权重ω和偏置b;然后利用最佳参数ω和b对ELM进行训练;再利用PSO-ELM对通过稀疏自编码得到的肺结节特征进行分类识别.实验中,将传统机器学习算法与本文方法进行对比,结果表明,利用粒子群优化算法进行优化的极限学习机在孤立性肺结节诊断方面具有较高识别准确率和稳定的分类性能,可以作为一种有效的肺结节诊断工具.

针对非线性隐式极限状态方程的可靠度指标计算,将支持向量机和粒子群优化算法相结合,提出了一种结构可靠度算法.首先结合支持向量机不受样本点限制的优点,将历次迭代产生样本点加入本次迭代样本点中,采用支持向量机对样本点进行训练,然后引入粒子群优化算法计算可靠度指标,解决迭代过程中支持向量机回归模型可靠度指标计算震荡不收敛的情况,最后根据可靠度指标收敛得到的支持向量机回归模型,采用重要抽样法计算失效概率.计算结果表明:该方法得出的失效概率具有较好的精度,特别是针对迭代过程中可靠度指标不收敛的情况具有良好的适用性.

13种粒子群优化算法，包括协同，混合，局部，全局，繁殖等，对应的博客地址http://www.cnblogs.com/hxsyl/p/4521778.html