一种求解非线性方程组的量子粒子群算法

针对传统非线性方程组的解法对初始值敏感、收敛性差等问题,提出一种求解非线性方程组的量子粒子群算法.用量子位的概率幅对粒子位置编码,通过量子旋转门和量子非门完成粒子的更新与变异.该算法可发挥量子粒子群的群体搜索能力和全局收敛性,在算法中融入拟牛顿法,加强局部搜索能力,提高求解精度.数值模拟实验表明,算法有着可靠的收敛性和较高的收敛速度与精度.     

混沌粒子群在节点定位中的应用

该文基于节点定位中经常用到方程组的求解问题,采用混沌粒子群算法用于最优解的求解。混沌粒子群基于传统粒子群,具有建模容易,算法简单,收敛速度快的优点;考虑到粒子群的局部最优问题,该文在传统粒子群的基础上,添加混沌扰动,扩大粒子群的应用范围,摆脱局部最优。实验结果表明,在相同工作条件下,混沌粒子群算法相比于最小二乘算法,定位误差明显降低,达到了预期的目标。     

粒子群算法在求解方程组中的应用

提出了采用粒子群算法求解线性方程组和非线性方程组的智能算法。采用粒子群算法求解方程组具有形式简单、收敛迅速和容易理解等特点,且能在一次计算中多次发现方程组的解,可以解决非线性方程组多解的求解问题,为线性方程组和非线性方程组的求解提供了一种新的方法。     

混合快速细菌觅食算法求解非线性方程

对于非线性方程组的求解,传统方法有很多,如牛顿法、梯度下降法等,但这些算法存在要求方程组连续可微、初值的选取是否合适等缺点,根据以上缺点将求解的问题转化为优化的问题,提出了新的交叉优化算法,充分利用细菌觅食算法局部搜索能力和粒子群算法的全局搜索能力,充分发挥了这两个算法各自优点。数值实验表明,新的算法可以弥补粒子群算法局部搜索能力弱和细菌觅食算法的全局搜索能力的不足,是求解非线性方程的有效方法。     

基于免疫粒子群算法的广义Nash均衡问题求解

针对广义Nash均衡求解问题, 提出了一种免疫粒子群算法。首先利用非线性互补问题, 将广义Nash均衡问题转换为非线性方程组问题, 然后把免疫算法中抗体的免疫记忆功能和抗体浓度抑制机制引入基本粒子群算法, 设计了一种免疫粒子群算法。最后通过数值实验表明, 该算法保持了粒子群种群多样性, 增强了粒子群算法的全局寻优能力, 加快了算法的收敛速度, 具有较好的性能。     

非线性方程组问题的粒子群-邻近点混合算法

非线性方程组问题是一类经典的数值计算问题,单纯的进化算法不但需要很高的进化代数,而且也不能保证100％收敛到全局最优解。为求解此问题,把粒子群算法和邻近点算法相混合,利用邻近点算法作为外层算法,粒子群算法作为内层算法进行求解。实验结果表明该算法对凸问题有较好的计算效果,是求解非线性方程组问题的一种有效算法。     

利用粒子滤波原理求解非线性方程组

为了提高非线性方程组的求解精度,利用粒子滤波算法对非线性方程组问题进行求解计算。系统地介绍粒子滤波算法的基本原理及其优化算法的实现过程。将非线性方程组的求解问题转化为函数优化问题,并建立基于粒子滤波算法求解非线性方程组的优化模型。通过仿真实例验证所提方法的有效性。实验结果表明该方法能够准确、有效地解决非线性方程组的求解问题,这也为非线性方程组问题的研究提供一种有效的手段。     

基于自适应参数与混沌搜索的PSO算法求解柔性作业车间调度问题

针对传统粒子群优化(PSO)算法在求解柔性作业车间调度问题中的不足,提出了基于自适应参数与混沌搜索的粒子群优化算法。对粒子群算法中的惯性系数等参数采用基于迭代搜索而自适应调整的方式,使粒子在初期以较大惯性进行大范围搜索,后期逐渐减小惯性而转入精细搜索。这种方法改变了传统粒子群算法在求解过程中的盲目随机与求解精度不高的问题;同时,通过在局部搜索过程中引入混沌技术,扩大对最优解的寻找范围,以此避免算法陷入局部最优,有效提高算法的全局寻优能力。实验结果表明,基于自适应参数与混沌搜索的粒子群优化算法在求解柔性作业车间调度问题(FJSP)时能够获得更优粒子适应度平均值及更好的优化目标。所提算法对求解柔性作业车间调度问题可行,有效。     

改进的粒子群算法在偏微分方程中的仿真应用

工程领域中的许多问题都可以转化为微分方程的求解问题.由于存在多个附加条件,求解偏微分方程数值解比较困难.为解决上述问题,根据传统的有限差分法求解过程,提出了粒子群智能优化算法解决问题的求解步骤和具体策略.利用有限差分法将偏微分方程转化为较简单的线性方程组,指出新的适合具体方程组的适应值函数后,用改进的基于变尺度的粒子群优化算法将其转变为变分优化问题进而来求解线性方程组.通过仿真比较,改进的算法求解过程简单,控制参数少,数值实验表明算法有较好的效果和适用性.     

基于双粒子群算法的板式换热器优化设计

在板式换热器优化设计中,针对设计变量为离散变量和方程组无法得到解析解的问题,提出了采用双粒子群算法对板式换热器进行数值求解的优化设计方法。通过实例证明,双粒子群算法在板式换热器优化设计运算中,完全可靠、有效。     

基于莱维飞行的粒子群优化算法

为了有效解决粒子群优化算法易陷入局部最优的缺陷,在粒子群优化优化算法（PSO）的基础上,引入莱维飞行,提出了一种基于莱维飞行的粒子群优化算法（LPSO）。该算法在迭代过程中,对粒子位置进化效果进行判断,若粒子多次迭代后仍无法进化到更优位置,则使用莱维飞行更新粒子位置。改进后的算法增加了粒子位置变化的活力,提高了算法的有效性。仿真实验结果表明,该算法在求解全局最优时,效果优于原始粒子群优化算法,在多峰值函数优化问题中其优越性更加突出。     

基于粒子群算法的污水处理优化控制策略*

针对污水生化处理控制过程中寻优速度较慢、无法实现高质量的污水处理控制等问题,设计了一种新型粒子群算法。通过基于混沌序列的粒子群初始化方法,增强了粒子群的多样性,提高了算法效率;在寻优过程中,当系统陷入局部最优时,引入扰动,有效地克服了早熟。仿真结果表明,本算法不但保证了寻优速度,而且在保持出水水质符合标准的前提下使污水处理的经济成本达到最优。     

星型结构的多目标粒子群算法求解多模态多目标问题

首先,根据多目标粒子群算法中的粒子结构信息,利用非支配解集构造粒子个体邻域之间的拓扑结构,提出星型结构的多目标粒子群算法用于求解多模态多目标问题。其次,针对多目标粒子群中全局最优个体选择困难,提出一种非支配解集分布均匀程度的评价方法,评价结果用于确定当前粒子对应的全局最优个体。最后,结合2种方法提出带均匀计算方法的星型拓扑结构多目标粒子群优化算法STMOPSONCMIU。通过测试函数分析算法的收敛性,表明改进的算法比原来的算法收敛速度快。实验结果表明,该算法可以较好地兼顾问题的目标空间和决策空间的分布,有效解决多模态多目标问题。     

一种新的自适应动态文化粒子群优化算法

为了克服粒子群优化算法在解决复杂问题时易陷入局部最优的缺陷, 提出了一种新的自适应动态文化粒子群优化算法。该算法引入评价粒子群早熟收敛程度的指标来判断种群空间粒子群状态, 以确定影响函数对种群空间粒子群的作用时机, 当算法陷入局部最优时, 自适应地利用影响函数对种群空间进行变异更新, 从而有效发挥文化粒子群算法的双演化双促进机制。并且根据种群的早熟收敛程度自适应地调整粒子的惯性权重, 使种群在进化过程中始终保持惯性权重的多样性, 在算法的全局收敛性与收敛速度之间作一个很好的折中。最后对四个经典的测试函数进行仿真, 结果表明该算法具有很强的搜索能力, 收敛速度和收敛精度也有所提高。     

基于改进量子粒子群算法的Nash均衡研究

在N人非合作博弈Nash均衡问题求解过程中,将量子不确定性原理、协同演化以及免疫算法内的抗体浓度抑制机制引进到经典粒子群算法中,设计了一种新型改进量子粒子群算法来更好地处理Nash均衡问题。该算法在运算过程中,运用抗体浓度以及协同演化的方式来维系粒子群具备的多样性特征,并借助量子不确定性缩减迭代搜索耗时。该算法不仅有效地将粒子群算法运算简单与方便实现的特质承继下来,而且算法的收敛速度以及其全局搜索能力都获得了大幅度的提升。相关数值算例分析表明,改进的算法能够更好地处理粒子早熟,相较遗传算法以及免疫粒子群算法更具性能优越性。     

Ensemble particle swarm optimizer

According to the “No Free Lunch (NFL)” theorem, there is no single optimization algorithm to solve every problem effectively and efficiently. Different algorithms possess capabilities for solving different types of optimization problems. It is difficult to predict the best algorithm for every optimization problem. However, the ensemble of different optimization algorithms could be a potential solution and more efficient than using one single algorithm for solving complex problems. Inspired by this, we propose an ensemble of different particle swarm optimization algorithms called the ensemble particle swarm optimizer (EPSO) to solve real-parameter optimization problems. In each generation, a self-adaptive scheme is employed to identify the top algorithms by learning from their previous experiences in generating promising solutions. Consequently, the best-performing algorithm can be determined adaptively for each generation and assigned to individuals in the population. The performance of the proposed ensemble particle swarm optimization algorithm is evaluated using the CEC2005 real-parameter optimization benchmark problems and compared with each individual algorithm and other state-of-the-art optimization algorithms to show the superiority of the proposed ensemble particle swarm optimization (EPSO) algorithm.     

独立自适应调整参数的粒子群优化算法

针对传统粒子群优化算法在求解复杂优化问题时易陷入局部最优和依赖参数的取值等问题,提出了一种独立自适应参数调整的粒子群优化算法。算法重新定义了粒子进化能力、种群进化能力以及进化率,在此基础上给出了粒子群惯性权重及学习因子的独立调整策略,更好地平衡了算法局部搜索与全局搜索的能力。为保持种群多样性,提高粒子向全局最优位置的收敛速度,在算法迭代过程中,采用粒子重构策略使种群中进化能力较弱的粒子向进化能力较强的粒子进行学习,重新构造生成新粒子。最后通过CEC2013中的10个基准测试函数与4种改进粒子群算法在不同维度下进行测试对比,实验结果验证了该算法在求解复杂函数时具有高效性,通过收敛性分析说明了算法的有效性。     

迭代粒子群算法及其在间歇过程鲁棒优化中的应用

针对无状态独立约束和终端约束的间歇过程鲁棒优化问题，将迭代方法与粒子群优化算法相结合，提出了迭代粒子群算法．对于该算法，首先将控制变量离散化，用标准粒子群优化算法搜索离散控制变量的最优解．然后在随后的迭代过程中将基准移到刚解得的最优值处，同时收缩控制变量的搜索域，使优化性能指标和控制轨线在迭代过程中不断趋于最优解．算法简洁、可行、高效，避免了求解大规模微分方程组的问题．对一个间歇过程的仿真结果证明了迭代粒子群算法可以有效地解决无状态独立约束和终端约束的间歇过程鲁棒优化问题．     

求解模糊机会约束规划的混合智能算法

模糊机会约束规划是一类重要的模糊规划,它广泛地存在于许多领域中,微粒群算法已实现了对其的有效求解,但求解速度仍不能满足大规模模糊机会约束规划问题的求解,为了寻找更为高效的求解模糊机会约束规划的算法,通过采用模糊模拟产生样本训练BP网络以逼近模糊函数,然后应用微粒群算法并以逼近模糊函数的神经网络作为适应值估计及检验解的可行性,从而提出了一种求解模糊机会约束规划的混合智能算法。最后通过仿真结果说明了算法的正确性和有效性。     

基于莱维飞行的改进简化粒子群算法

基于基本粒子群算法易陷入局部最优的不足,提出一种基于莱维飞行的改进简化粒子群算法LISPSO（An Improved and Simplified Particle Swarm Optimization algorithm based on Levy flight）。简化粒子群算法舍去更新公式中的速度项,仅由位置项控制其进化方向。在简化粒子群算法SPSO（Simplified Particle Swarm Optimization）的基础上,采用带有随机性的非线性递减惯性权重动态地更新每个粒子的位置。算法又融合了基于相似度及聚集度分析的莱维飞行。粒子与最优粒子间的相似度越高,或者粒子间的聚集度越高,则粒子利用莱维飞行来重新更新位置的概率也就越大,有效地帮助粒子逃离局部最优。利用matlab语言对11个测试函数进行算法仿真,结果表明,改进的算法在求解精度和收敛速度上有显著的改善。另外,将LISPSO算法应用于求解min-max-min问题,实验结果显示,改进算法在求解效果上明显优于其他对比算法。