基于模拟退火的自适应粒子群优化算法的改进策略

针对PSO算法在求解问题的优化问题中易陷入局部收敛且收敛速度较慢等缺陷,引入一种初始化改进策略,并将模拟退火算法与PSO算法相结合,提出了一种全新的算法。该算法将寻优过程分为两个阶段:为了提高算法的执行速度,前期使用标准PSO算法进行寻优,后期运用模拟退火思想对PSO中的参数进行优化搜索最优解。最后将该算法应用于八个经典的单峰/多峰函数中。模拟结果表明,该算法有效地避免了早熟收敛现象,并提高了收敛速度,从而提高了PSO算法解决全局优化的性能。     

基于吸引排斥机制的粒子群优化算法

针对标准粒子群优化算法在处理复杂函数优化问题时容易陷入局部最优、收敛精度低的缺点,提出了一种改进的PSO算法,该算法把生物学中的吸引排斥思想引入到PSO算法中,充分利用粒子间的相互影响,修正了其速度更新公式,从而维持了群体的多样性,增强了粒子跳出局部最优解的能力。实验仿真结果表明,改进的PSO算法提高了进化后期的收敛速度,有效避免了PSO算法的早熟收敛问题,而且具有较高的收敛精度。     

应用微粒群算法确定有机化合物分子式

针对基本微粒群优化算法（PSO）存在容易陷入局部最优和收敛速度慢的缺点,在整数空间使用带收缩因子的微粒群优化算法基础上,提出了一种带变异概率的微粒群优化算法（IPSO）,用于提高微粒群的多样性,避免算法陷入局部最优解。实验证明,改进后的微粒群优化算法在防止早熟和加快收敛方面优于基本PSO算法和基本PSO算法加一半微粒随机初始化算法（PSO_HPO算法）。IPSO算法应用到确定有机化合物分子式时,取得了很好的效果。     

基于SWGPSO算法的多序列比对

针对粒子群优化(PSO)易陷入局部最优、收敛速度慢的现象,提出一种新的惯性权重取值方法——分段取值惯性权重(SW)方法。该方法在算法前期增加粒子多样性,后期加速算法收敛。针对PSO仅使用2个最优值寻优的问题,引入第3个最优值GB,将SW与GB结合,改进PSO的进化方程。实验结果表明,该算法解决多序列比对问题时,可以有效地避免算法早熟,并提高解的精度。     

基于聚类分析的微粒群算法

在对基本PSO算法进行分析的基础上,针对PSO算法中的早熟收敛问题,提出了一种基于聚类分析的PSO算法（CPSO）。CPSO算法保证了微粒种群的多样性,使微粒能够有效地进行全局搜索。并证明了它依概率收敛于全局最优解。最后以典型的基准优化问题进行了仿真实验,验证了CPSO的有效性。     

基于自适应驱散机制的粒子群优化算法

为克服粒子群优化算法（PSO）易陷入局部最优导致早熟收敛的问题,提出了一种新型的基于自适应驱散机制的粒子群优化（ADMPSO）算法。基本的粒子群优化算法易陷入局部最优,一般的改进算法在搜索过程之中对个体最优和全局最优结果进行调整,虽然避免了粒子群陷入局部最优,但会很大程度减慢收敛速度。提出的改进算法只有在种群快要陷入局部最优时,才会对粒子群进行有效驱散,这样不仅保证了收敛速度,又不会使粒子群陷入局部最优。对维度30的12个标准测试函数进行测试的结果表明ADMPSO算法相较于经典粒子群（General PSO,GPSO）算法、综合学习粒子群优化算法（Comprehensive Learning PSO,CLPSO）算法和动态多粒子群协调搜索优化算法（Dynamic Multi-Swarm PSO with sub-regional Harmony Search,DMS-PSO-HS）,可以更有效避免陷入局部最优,稳定地找到最优值,同时又能保证一定的收敛速度。ADMPSO算法不容易陷入局部最优和迭代次数更少的特点使得PSO算法更加实用化。     

一种反演问题求解的免疫克隆粒子群优化算法

为了克服标准粒子群优化(PSO)算法易陷入局部最优以及进化后期收敛速度慢等缺陷,分析了标准PSO算法早熟收敛的原因,提出了基于混合变异机制的免疫克隆粒子群优化(ICPSO)算法并将其应用到波阻抗反演问题中.克隆选择算子能够在局部极值点接近全局最优点时有效增强最优粒子跳出局部解的能力;引入混沌映射Tent序列加速最优粒子的变异学习,在局部极值点与全局最优点距离较远时扩大遍历范围,避免陷入局部极值.通过理论模型试算表明,ICPSO算法在进行波阻抗反演时不仅收敛速度快,而且具有较高的反演精度和抗噪性能.     

哈夫曼编码的协同粒子群优化算法

针对粒子群优化（PSO）算法在优化问题过程中易陷入局部最优的问题,提出一种基于哈夫曼编码的协同粒子群优化（HC PSO）算法。采用哈夫曼编码将种群划分成2个子种群并对2个子种群进行独立优化,同时,2子种群之间协同完成搜索种群的全局最优解。采用6个标准测试函数来测试算法性能。实验结果表明,该算法可以有效地避免种群陷入局部最优,具有较好的优化性能和稳定性,收敛精度得到了显著的提高。     

改进PSO算法在二维下料问题中的研究

粒子群优化（PSO）算法是一种基于集群智能的进化计算方法,在该方法中粒子通过追随自己找到的最优解和种群最优解完成优化。文章将PSO算法应用到三角形优化下料问题的研究中,给出了具体的实施流程,为了提高PSO算法的收敛精度,避免早熟现象的产生,对PSO进行了改进,提出一种启发式PSO算法。通过对三角形的优化下料进行仿真,仿真结果显示改进后的启发式粒子群优化算法在收敛效果和材料的利用率方面均有显著的提高。     

一种改进的新颖的粒子群优化算法

针对PSO在寻优过程容易出现“早熟”现象,提出了一种基于Sobol序列的自适应变异PSO算法（SAPSO）。该算法以积分控制粒子群算法（ICPSO）为基础,使用准随机Sobol序列初始化种群个体,并在算法过程中引入基于多样性反馈的Beta分布自适应变异来保持种群的多样性,避免陷入局部最优。仿真结果表明,SAPSO算法在求解复杂优化问题时优势明显,可以有效地避免算法陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力。     

一种改进的小波变异粒子群优化算法

为提高粒子群优化(PSO)算法的优化性能,提出一种改进的小波变异粒子群算法(IPSOWM)。在每次迭代时以一定的概率选中粒子进行小波变异扰动,从而克服PSO算法后期易发生早熟收敛和陷入局部最优的缺点。数值仿真结果表明,IPSOWM算法的搜索精度、收敛速度及稳定性均优于PSO和PSOWM算法。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

具有自适应邻域探测机制的改进型PSO算法

针对基本PSO算法在全局优化中易陷入局部极值和收敛精度低的不足,分析了基本PSO算法早熟收敛的原因,提出具有自适应邻域探测机制的改进型粒子群优化(ANE-PSO)算法.该算法在进化过程中以概率总体递减的方式,选择部分粒子对最佳位置按半径总体递减的规则进行邻域探测,并引入速度变异算子,提高种群的多样性,增强了算法的全局搜索能力.并证明它依概率1收敛到全局最优解.通过与其它三个改进算法比较.结果表明ANE-PSO具有较好的全局搜索能力,收敛速度较快,稳定性较好,且没有增加时间复杂度,较有效的避免了早熟收敛问题.     

基于双指数分布的粒子群算法

针对标准粒子群算法容易陷入局部最优、收敛精度低的缺点,提出了一种改进的粒子群算法。它用双指数分布改进了速度方程度,并用其动态地调整粒子的最大速度,扩大了群体的多样性,增强了粒子跳出局部最优解的能力,保证了整个寻优过程的持续收敛。通过比较和分析5个典型测试函数的实验结果,改进的粒子群算法提高了迭代后期的收敛速度,有效地避免PSO算法的早熟收敛问题,而且具有较高的收敛精度。     

采用改进的k均值聚类分析策略的粒子群算法

对于多维函数的最优解搜索,粒子群优化算法存在前期易陷入局部最优,后期收敛速度缓慢的问题。将改进的k均值聚类分析策略与PSO相结合提出了一种混合粒子群优化算法CA-PSO。在算法中,利用改进的k均值聚类分析方法将粒子群划分成若干个子群,结合PSO的隐含并行搜索的优势增强了寻优性能。不仅增加了粒子间的信息交换,抑制了早熟收敛,并且提高了全局寻优速度和计算精度。理论证明,在一定条件下,CA-PSO具有稳定收敛性。仿真结果表明,CA-PSO性能优于基本粒子群优化算法。     

一种带逆反的粒子群算法

粒子群算法（PSO）是一种典型的基于群体智能的优化算法，但其在速度较小时，容易陷入局部最优解；本文提出一种带逆反的粒子群算法（PSORTP），并对其全局收敛性进行了理论分析，证明该算法能够以概率1收敛于全局最优解，最后以典型的函数优化问题的仿真实验及与经典方法的PSO的对比，验证了PSORTP的有效性。     

基于QPSO算法的RBF神经网络参数优化仿真研究

针对粒子群优化(PSO)算法搜索空间有限，容易陷入局部最优点的缺陷，提出一种以量子粒子群优化(QPSO)算法为基础的RBF神经网络训练算法，将RBF神经网络的参数组成一个多维向量，作为算法中的粒子进行进化，由此在可行解空间范围内搜索最优解。实例仿真表明，该学习算法相比于传统的学习算法计算简单，收敛速度快，并由于其算法模型的自身特性比基于PSO的学习算法具有更好的全局收敛性能。     

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。     

基于高斯扰动的量子粒子群优化算法

针对量子粒子群优化（QPSO）算法在优化过程中面临早熟问题,提出了在粒子的平均位置或全局最优位置上加入高斯扰动的QPSO算法,可以有效地阻止粒子的停滞,因此较容易地使粒子避免陷入局部最优。为了评估算法的性能,利用标准测试函数对标准PSO算法、QPSO算法以及基于高斯扰动的QPSO算法进行了比较测试。其结果表明,该算法具有较强的全局搜索能力和较快的收敛速度。     

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。