多策略差分进化的元胞多目标粒子群算法

为了增加Pareto解集的多样性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种多策略差分进化的元胞多目标粒子群算法.该算法在分析粒子群优化原理基础上,将元胞自动机理论融入粒子群算法,研究粒子种群的交流结构和信息传递机制.为了避免粒子飞行速度过快陷入局部收敛,提出一种限制粒子飞行速度的策略,并引入一种多策略差分进化选择算子增加对粒子的扰动.实验证明,该算法相对于比较算法,有更好的收敛性和多样性.     

结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.     

基于折射原理反向学习模型的改进粒子群算法

对于粒子群优化算法易陷入局部最优的缺陷,反向学习策略对其的改进取得了较好的效果.然而,反向学习策略需要结合其它策略来提高算法后期的全局搜索能力,针对此缺陷,根据光的折射原理对反向学习策略的反向过程进行改进,提出反向学习的统一算法模型及基于折射原理反向学习模型的改进粒子群算法.实验与分析表明,与其它基于反向学习的粒子群算法相比,该模型更有效地改进了所提算法的全局搜索能力,提高了种群的多样性,从而提高了算法的收敛速度以及优化精度.     

基于混沌优化的双种群量子粒子群算法

提出了一种基于混沌优化的双种群量子粒子群算法(BCQPSO)。算法利用混沌序列随机生成两个种群,在子种群中惯性权重分别采用不同的更新策略,并通过种群间的融合和变异进行信息交互,提高了算法的收敛速度和解空间的遍历范围。仿真实验结果表明,所提算法具有很好的搜索能力和优化效率。     

精英免疫克隆选择的协同进化粒子群算法

提出一种精英免疫克隆选择的协同进化粒子群算法（Elite immune clonal selection co-evolutionary particle swarm optimization,EICS-CPSO）.算法借鉴了协同进化思想和精英策略,基于精英种群与普通群体并行协同进化框架.高适应度的精英个体组成精英团体,运用自适应小波变异的免疫克隆选择算子对精英团体进行提升引导操作.普通种群间个体极值采用柯西交互学习机制提高微粒个体极值收敛性能;迁移操作进一步推进了整体信息共享与协同进化.实验结果表明该算法收敛精度快且全局搜索能力强,且具有较好的动态优化性能.实验分析表明该算法对参数不敏感,易于使用.     

新的自适应免疫量子粒子群优化算法

为了克服粒子群优化算法早熟收敛以及粒子在进化过程中缺乏很好的方向指导的问题,算法中采用了量子技术以及免疫机制来提高粒子群的收敛速度和寻优能力,从而获得了一个新的自适应免疫量子粒子群优化算法.仿真试验表明该算法具有较好的性能.     

改进协同量子粒子群优化算法在流水车间调度中的应用

作为一类典型的调度问题,流水车间调度是N-P难调度问题,因而引起了众多研究者的兴趣。本文提出了一种改进的协同量子粒子群优化算法,该方法中定义了量子角的表达式,所有的子种群采用优化协同模式以确保算法收敛,采用扰动机制避免算法陷入局部最优,运用了综合学习策略以提高种群的多样性。改进的协同量子粒子群算法应用于流水车间调度,仿真结果验证了改进算法能改善全局收敛能力。     

一种改进的灰狼优化算法

灰狼优化算法是最近提出的一种较有竞争力的优化技术.然而,它的位置更新方程存在开发能力强而探索能力弱的缺点.受差分进化和粒子群优化算法的启发,构建一个修改的个体位置更新方程以增强算法的探索能力;受粒子群优化算法的启发,提出一种控制参数a随机动态调整策略.此外,为了提高算法的全局收敛速度,用混沌初始化方法产生初始种群.采用18个高维测试函数进行仿真实验,结果表明：对于绝大多数情形,在相同最大适应度函数评价次数下,本文算法的性能明显优于标准灰狼优化算法.     

基于直觉模糊熵的混合粒子群优化算法

为了提升粒子群算法的全局寻优与局部精细搜索能力并加快收敛速度,提出了基于直觉模糊熵的混合粒子群优化算法.该算法采用粒子的历史最优解信息构造直觉模糊熵的自适应函数,并将熵值作为扰动因子动态调节惯性权重,同时建立自适应全局最优粒子学习策略对扰动后的粒子进行训练,在保持多样性传播的基础上选择学习对象,使粒子探索更多新区域,实现种群间的协作与并行进化.通过仿真实验,将本文算法与两种衍生算法以及其他改进粒子群算法在11个测试函数上进行比较,结果表明,本算法在求解精度、收敛速度和寻优效率上均有更好表现.     

基于混沌粒子群算法的多目标调度优化研究

针对当前车间调度多目标优化研究存在收敛速度慢、精度低的问题,提出了混沌多目标粒子群优化算法。在算法中,设计了一种新的叠加Logistic扰动的Tent混沌映射算子,通过该算子周期性地更新种群以保证种群的多样性;对收缩粒子群算法进行了扩展使其能够快速收敛到Pareto前沿。通过标准测试问题与实际应用对所提方法进行了验证,实验结果显示混沌多目标粒子群优化算法无论在收敛速度还是在优化精度上都优于其它典型多目标进化算法。     

改进型免疫量子粒子群算法求解TSP问题

为了克服粒子群优化算法早熟收敛以及量子粒子在进化过程中缺乏很好的方向指导的问题,受生物免疫系统与量子计算思想的启发,采用了量子技术以及免疫机制,把免疫思想应用到量子粒子群算法,提出了免疫量子粒子群算法.可以指导粒子朝着更优方向进化,提高了量子粒子群的收敛速度和寻优能力,实验结果表明,仿真实验表明所提算法具有较好的性能,在求解TSP问题时收敛速度和寻优能力都取得了更好的效果.     

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.     

区间长度可变的反向混沌优化算法

针对现有算法在大空间和高维度寻优存在效率较低的问题,提出一种区间长度可变的反向混沌优化算法,并证明了该算法以概率1收敛于全局最优解.算法采用区间长度可变的反向优化策略,利用反向优化方法增大算法进化过程的多样性,使优化的变量区间不断减小.同时,提出基于Fuch混沌映射的反向混沌优化策略增大算法逃逸局部极值的能力,以及两级优化策略提高算法执行后期的寻优精度.通过22个基准函数测试结果表明,本文提出的算法与改进的混沌优化算法以及其他智能优化算法相比,其搜索的综合性能要优于其他算法.     

基于量子混沌粒子群优化算法的分数阶超混沌系统参数估计

为了对分数阶超混沌系统中的未知参数进行准确估计,提出一种量子混沌粒子群优化算法（Quantum chaos particle swarm optimization,QCPSO）.该算法通过对量子粒子群优化算法（Quantum behaved particle swarm optimization,QPSO）的实现机理进行分析,并结合量子纠缠与混沌系统之间的相关性而实现.首先,将量子势阱中心视为混沌吸引子围绕的不动点,处于吸引子外部的粒子会逐渐聚集于吸引子之内,而处于吸引子内部的粒子会出现快速分离扩散的现象;然后,采用基于随机映射的粒子更新机制,充分保证混沌粒子的初值多样性;最后,提出了基于不动点中心的尺度自适应策略,解决了算法后期的搜索停滞问题.运用QCPSO算法对典型分数阶超混沌系统参数进行估计,结果表明,该算法在收敛速度与精度上优于改进的差分进化算法、自适应人工蜂群算法以及改进的量子粒子群优化算法.     

基于GIS和差分进化粒子群的变电站选址方法

文中提出了一种基于地理信息系统(GIS)和差分进化改进粒子群的配电网变电站优化选址方法。该方法利用GIS确定变电站数量,基于变电站投资运行费用建立有约束条件的目标函数,采用粒子群算法进行变电站选址优化。针对粒子群算法易陷入局部最优且收敛速度慢的问题,借助差分进化引入两个变异因子,在提升粒子群算法收敛速度的同时,避免其陷入局部最优。算例分析结果表明,该方法具有较好的寻优能力和收敛特性,能够有效实现变电站选址优化。     

一种基于反向学习的约束差分进化算法

差分进化算法是一种结构简单、易用且鲁棒性强的全局搜索启发式优化算法,它可以结合约束处理技术来解决约束优化问题.机器学习在进化算法中,经常可以引导种群的进化,而且被广泛地应用于无约束的差分进化算法中,但对于约束差分进化算法却很少有应用.针对这一情况,提出了一种基于反向学习的约束差分进化算法框架.该算法框架采用基于反向学习的机器学习方法,提高约束差分进化算法的多样性和加速全局收敛速度.最后把该算法框架植入了两个著名的约束差分进化算法:(μ+λ)-CDE和ECHT,并采用CEC 2010的18个Benchmark函数进行了实验评估,实验结果表明:与(μ+λ)-CDE和ECHT相比,植入后的算法具有更强的全局搜索能力、更快的收敛速度和更高的收敛精度.     

一种改进的混沌粒子群优化算法

粒子群优化算法（PSO）自提出以来,已经被广泛地应用于求解各类复杂的优化问题,过去对粒子群算法的研究主要集中在融入新的优化方法或对其相关参数进行调整,但这样只会使得PSO更加复杂.针对这一问题,文中提出一种改进的混沌粒子群优化算法（ICPSO）,ICPSO从粒子群优化算法的时间与寻优实时角度出发（即在较短的时间内获得较好的解）,对粒子速度更新算子进行了简化,每隔一定代数后,在最优解邻近区域引入混沌扰动以避免种群陷入局部最优解.数值实验结果表明：提出的算法相对于文献给出的PSO改进算法,不仅能够获得较好的最优解,而且还具有较快的收敛速度和较好的稳定性.     

精英反向黄金正弦被囊群优化算法

针对被囊群算法(Tunicate Swarm Algorithm,TSA)存在的收敛精度低,寻优性能不足等问题,结合精英反向学习策略与黄金正弦算法,提出了精英反向黄金正弦被囊群算法(Elite Opposition-based Golden-Sine Tunicate Swarm Algorithm,EGold?en-STSA).该算法通过提高种群多样性及其质量,提升了算法收敛速度与寻优精度.通过对10个基本测试函数进行寻优实验,且与单一策略改进算法进行对比,结果显示出精英反向黄金正弦被囊群优化算法具有更好的寻优能力,验证了优化方法的有效性.将改进的算法进一步用于求解高维问题,实验结果同样显示了其具有良好的寻优性能,算法改进效果明显.     

一种邻域重心反向学习的粒子群优化算法

粒子群优化算法使用反向学习技术可以提高性能.然而,现有的反向学习粒子群优化算法仅采用粒子最大最小边界计算反向解,没有充分利用群体搜索经验.针对此问题,提出了一种邻域重心反向学习策略,使用邻域重心作为参考点计算反向解,充分吸收群体搜索经验的同时保持种群多样性;采用收缩因子拓展反向解搜索范围,增加找到更高质量解的机率.在典型的基准测试函数、CEC'13测试函数和一个实际工程优化问题上进行验证,实验结果说明了邻域重心反向学习策略的有效性和本文算法的竞争力.     

基于K-Means变异算子的混合PSO算法聚类研究

提出了基于K-Means算子的混合粒子群优化算法聚类,将K-Means算法的局部搜索能力与粒子群优化算法的全局寻优搜索能力相结合,根据群体适应度变化的情况自适应调整权重,并对种群中性能较差的粒子进行交叉选择,能充分挖掘群体本身信息,又能不断引入附加信息.数据集仿真实验表明,该算法有效的克服了传统粒子群优化算法过慢收敛和K-Means算法陷入局部收敛的问题,从而得到更好的聚类效果.