一种最优粒子逐维变异的粒子群优化算法

针对粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优、收敛速度过慢、精度低等问题,提出一种新的变异策略,对全局最优粒子进行逐维的重心反向学习变异.逐维变异降低了维间干扰,通过更新全局最优位置引领粒子向更好的位置飞行,同时加强了种群的多样性.仿真实验与基于柯西变异的混合粒子群算法(HPSO)及重心反向粒子群优化算法(COPSO)在9个标准测试函数上进行了对比.实验表明逐维重心反向变异算法(DCOPSO)具有较高的收敛速度及精度.     

自适应简化粒子群优化算法及其应用

针对粒子群优化算法（Particle Swarm Optimization，PSO）寻优速度慢、收敛精度不高且搜索结果波动性较大的缺点，提出了一种自适应简化粒子群优化算法（Self-Adjusted Simplified Particle Swarm Optimization，SASPSO）。在每次迭代过程中，粒子只受全局最优解影响，且加入按一定规律分布的锁定因子，令粒子受影响的程度有规律性。同时，利用锁定因子和当前粒子位置令惯性权重自适应配置，更有效地利用惯性权重对粒子群优化算法的影响。引入4种近期提出的改进粒子群算法同时搜索不同维度时的18个基准函数，与SASPSO的搜索结果对比，并使用T-test进行差异性分析。为了进一步分析算法性能，统计5个改进算法搜索100维函数达到期望值时的成功率与平均迭代次数。实验结果证明，SASPSO在无约束问题寻优中的收敛速度、寻优精度有了明显提升，且搜索结果异常值较少，波动性弱。将SASPSO应用于机床主轴结构参数优化问题，结果显示SASPSO优化性能更好。     

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。     

一种新的改进粒子群优化算法

研究神经网络优化问题,为了进一步解决粒子群优化算法本身存在的早熟和局部收敛的问题,提高神经网络训练精度,提出了一种区域选择粒子群算法(Regional Selection Particle Swarm Optimization,RSPSO).算法根据每个粒子所在区域不同,在每个粒子所在区域内,当适应值小于最佳适应值时,依据所在区域,重新进行初始化,从而使算法具有更强的全局收敛性和动态的自适应性.通过对几种典型的测试函数进行仿真结果表明改进算法具有更好的收敛精度,改善了优化性能,并且能够更有效避免早熟收敛问题,寻找到全局最优解.     

融合多种策略的改进粒子群算法

为有效解决粒子群优化算法(Particle Swarm Optimization, PSO)容易陷入局部极值及进化后期收敛速度慢、精度低等缺点, 提出了一种融合多种策略的改进粒子群算法(Improved Particle Swarm Optimization, IPSO). 该算法包括以下4点改进:(1)采取分组控制策略, 按适应度值将种群分为优解组和劣解组, 优解组进行遗传交叉操作, 劣解组进行变异操作; (2)精英策略用来更新种群, 根据适应度值从经过交叉和变异操作后的种群及初始种群中选出前一半粒子作为新种群; (3)改进粒子学习模式, 充分利用种群信息, 以优良种群的均值代替个体最优位置;(4)引入概率控制来控制算法进入交叉和变异操作的概率. 测试函数的仿真结果表明, 与标准PSO及其改进算法相比, IPSO算法能有效兼顾全局探索和局部挖掘能力, 具有收敛速度快、求解精度高、避开局部最优解的优点.     

一种动态调整惯性权重的粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖于参数的选取等缺点,提出了一种非线性指数惯性权重粒子群优化算法(Exponential Inertia Weight in Particle Swarm Optimization,EIW-PSO)。在每次迭代的过程中, 采用粒子最大适应值和最小适应值的指数函数来动态调整 算法中的惯性权重,更有利于算法在寻优过程中跳出局部最优;同时,引入随机因子以确保种群的多样性,使粒子更快地收敛到全局最优位置。为了验证该算法的寻优性能,通过8个基准测试函数将标准PSO、线性递减惯性权重LDIW-PSO、均值自适应惯性权重MAW-PSO在不同维度和种群规模下进行测试比较。实验结果表明,提出的EIW-PSO算法具有更快的收敛速度和更高的求解精度。     

改进粒子群算法在高维复杂函数寻优中的应用

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构,命名为多阶段多子群粒子群算法（Multi-stage Multi-subpopulation Particle Swarm Optimization,MMPSO）,该方法主要通过多子群之间阶段性的重分组策略,强化不同群体之间的信息交流,增大其搜索到全局最优解的概率,同时,为了保留粒子群算法高效优化的特点,通过分阶段搜索模式的转变,将全局最好模型收敛的快速性和局部最好模型收敛的全局最优性进行折中,确保改进后的粒子群算法拥有更强的全局搜索能力和尽量高的收敛速度。仿真实验证明,MMPSO算法相对于基本粒子群算法而言具有明显的精度优势。     

基于混沌变异算子的小生境量子粒子群算法

针对粒子群算法早熟收敛和搜索精度低的问题,提出了基于混沌变异的小生境量子粒子群算法(NCQPSO).该算法结合小生境技术并加入了淘汰机制.使算法具有良好的全局寻优能力.变尺度混沌变异具有精细的局部遍历搜索性能.使算法具有较高的搜索精度,实验结果表明,NCQPSO算法可有效避免标准PSO(Particle Swarm Optimization)算法的早熟收敛,具有寻优能力强、搜索精度高、稳定性好等优点.也优于原始的量子粒子群算法QPSO(Quantum-behaved Particle Swarm Optimization).     

一种综合-合作学习的量子粒子群优化算法

为了改善量子粒子群优化QPSO(Quantum-behaved Particle Swarm Optimization)算法的全局收敛能力,在对综合学习策略QPSO算法研究的基础上,引入合作思想,提出综合-合作QPSO算法(CCQPSO)。在提出的算法中,局部吸引子和粒子最优位置的更新都体现在每一个具体的维度上,避免丢失解向量中最接近最优解的部分维。九个测试函数的仿真实验结果表明,提出的算法能够有效增加群体多样性,改善算法的早熟收敛。     

基于中心位的粒子群优化算法

针对粒子群优化算法(Particle Swarm Optimization,简称PSO)容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,提出了基于中心位的粒子群优化算法(Particle swarm optimization algorithm based on center particle,简称CPPSO).该算法采取双策略更新粒子位置,一种通过随机惯性权重作用的粒子和影响算子作用的个体极值、全局极值来更新粒子位置,另一种在之前更新的粒子位置基础上,通过中心位采用差分算法来更新粒子位置.通过和其他3种优化算法在18个典型基准函数的仿真测试结果表明,该算法具有更好的全局收敛能力,其收敛速度、寻优精度和稳定性都有明显的提升.     

一种混沌优化机制的双量子粒子群优化算法

针对量子粒子群优化算法（quantum delta Particle Swarm Optimization,PSO）在处理高维复杂函数时存在收敛速度慢、易陷入局部最优和算法通用性不强等缺点,提出了一种基于混沌优化机制的双量子粒子群优化算法。它借鉴群体位置方差的早熟判断机制,同时提出了一种逐步缩小搜索变量空间的新方法。典型数值实验表明,该算法效率高、优化性能好、对初始位置具有很强的鲁棒性。尤其是该算法具有很强的避免局部极小能力,其性能远远优于单一优化方法。     

多策略并行学习的异构粒子群优化算法

针对标准粒子群优化(PSO)算法在复杂问题上收敛速度慢和早熟收敛的缺点,提出了一种多策略并行学习的异构PSO算法(MHPSO).该算法首先从种群多样性和跳出局部极值的角度提出了两种新学习策略(局部扰动学习策略和高斯子空间学习策略),并将这两种策略与MBB-PSO策略融合组成高效稳定的策略池.其次提出了一种简单有效的策略更换机制,指导粒子迭代寻优中何时更换学习策略.基准测试函数的实验结果表明,改进的粒子群优化算法在求解精度和收敛速度上得到极大的提高.与一些改进PSO算法(如自适应的粒子群优化(APSO)算法等)相比,所提算法具有更优良的寻优性能.     

面向粒子群优化的贝叶斯网络结构学习算法

提出了一种基于离散粒子群优化的贝叶斯网络结构学习算法——PSBN（Particle Swarm for Bayesian Network）。贝叶斯网络的结构被映射为一种符号编码,通过在迭代过程中对粒子的符号编码进行调整,从而进化得到具有更高适应度值的贝叶斯网络结构。根据贝叶斯网络的结构特点,粒子位置和速度的编码方案和基本操作被设计,使得算法对贝叶斯网络的结构学习有较好的收敛性。实验结果表明,与基于遗传算法的贝叶斯网络结构学习算法相比,PSBN算法具有较好的学习效果。     

多策略粒子群优化算法

为了克服粒子群优化算法易早熟、局部搜索能力弱的问题,提出了一种改进的粒子群优化算法--多策略粒子群优化算法。在群体寻优过程中,各粒子根据搜索到的最优位置的变动情况,从几种备选的策略中抉择出当代的最优搜索策略。其中,最优粒子有最速下降策略、矫正下降策略和随机移动策略可以选择,非最优粒子有聚集策略和扩散策略可以选择。四个典型测试函数的数值实验结果表明,新提出的算法比标准粒子群优化算法具有更强和更稳定的全局搜索能力。     

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。     

基于适应值引导的粒子群改进算法

粒子群算法是一种智能算法,被广泛用于各领域。通过比较几类常见的粒子群算法的优劣,提出了基于适应值引导的粒子群算法,以增加粒子群的多样性,从而加快收敛速度。实验结果证明,与其他算法相比,基于适应值引导的粒子算法的收敛率与收敛速度表现最佳。     

基于分层自主学习的改进粒子群优化算法

针对粒子群优化（PSO）算法容易陷入局部最优、收敛精度不高、收敛速度较慢的问题，提出一种基于分层自主学习的改进粒子群优化（HCPSO）算法。首先，根据粒子适应度值和迭代次数将种群动态地划分为三个不同阶层；然后，根据不同阶层粒子特性，分别采用局部学习模型、标准学习模型以及全局学习模型，增加粒子多样性，反映出个体差异的认知对算法性能的影响，提高算法的收敛速度和收敛精度；最后，将HCPSO算法与PSO算法、自适应多子群粒子群优化（PSO-SMS）算法以及动态多子群粒子群优化（DMS-PSO）算法分别在6个典型的测试函数上进行对比仿真实验。仿真结果表明，HCPSO算法的收敛速度和收敛精度相对给出的对比算法均有明显提升，并且算法执行时间和基本PSO算法执行时间差距在0.001量级内，在不增加算法复杂度的情况下算法性能更高。     

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。     

基于粒子群与支持向量机的隧道变形预测模型

针对粒子群算法易早熟且在算法后期易在全局最优解附近产生振荡现象,提出一种自适应调整惯性权重的优化粒子群算法。该算法引入双曲线正切函数的非线性变化思想,使惯性权重随着迭代次数的增加产生自适应调整,有利于增强粒子搜索能力及收敛速度,不易陷入局部极值点。将该算法应用于基于支持向量机的隧道变形预测模型中,对预测模型的超参数进行优化,并利用稳态与非稳态两组实测工况数据对组合算法进行工程测试,结果表明采用SaωPSO＋SVM算法可有效提高预测模型的计算精度,增强其鲁棒性,有助于隧道变形的工程建模。