一种自适应的微粒群算法

研究发现，种群中个体间交换信息的方式对微粒群算法的性能影响很大。我们定义种群拓扑结构（population topology）为种群内部不同个体之间交流信息的网络。不同的种群拓扑结构有着各自的特点，有些利于加速收敛，有些利于扩展搜索空间。在分析种群拓扑结构变化特点的基础上，提出了一种新的自适应的微粒群算法。和通过调节惯性权重的自适应微粒群算法不同，本算法是通过改变种群拓扑结构来达到自适应优化目的的。     

一种基于单纯形法的改进微粒群优化算法及其收敛性分析

针对现有微粒群优化算法难以兼顾进化速度和求解质量这一难题, 提出一种基于单纯形法的改进微粒群优化算法(Simplex method based improved particle swarm optimization, SM-IPSO). 该算法采用多个优化种群, 分别在奇数种群和偶数种群上并行运行微粒群算法和单纯形法, 并通过周期性迁移相邻种群间的最优信息, 达到微粒群算法和单纯形法的协同搜索: 单纯形借助微粒群算法跳出局部收敛点, 微粒群依靠单纯形提高局部开发能力. 为强化两种算法所起作用, 一种改进的微粒速度逃逸策略和Nelder-Mead单纯形法也被提出. 最后, 在Linux集群系统上运行所提算法, 通过优化五个典型测试函数验证了算法的有效性.     

基于微粒群优化的有限通信多机器人气味寻源

考虑机器人间的通信受限约束,将机器人抽象为微粒,提出基于微粒群优化的多机器人气味寻源方法.首先,采用结合斥力函数的策略,引导机器人快速搜索烟羽;然后,基于无线信号对数距离损耗模型,估计机器人间的通讯范围,据此形成微粒群的动态拓扑结构,并确定微粒的全局极值;最后,将传感器的采样/恢复时间融入微粒更新公式,以跟踪烟羽.将所提出方法应用于3个不同场景的气味寻源,实验结果验证了该方法的有效性.     

基于部分微粒更新改进的具有非线性动态惯性因子的微粒群新算法

微粒群算法是基于群体智能的全局优化算法,在许多领域得到广泛的应用.该算法具有简单易于实现的优点,但是容易陷入局部极值尤其是采用动态惯性因子.采用动态惯性因子有利于提高微粒群算法的收敛速度,但降低了其全局搜索能力.针对具有惯性因子微粒群算法在进化过程中微粒群多样性减弱容易陷入局部最优值的问题,以非线性动态惯性因子的微粒群算法为基础,提出1种基于部分微粒更新的微粒群算法,以提高微粒群的多样性,进而提高了算法的全局搜索能力.新算法利用Sphere、Rastrigin、Rosenbrock、Schaffer、Freudenstein-Roth、Goldstern-Price 6个经典测试函数进行测试,并与基本微粒群算法和具有线性动态惯性因子微粒群算法比较.通过模拟优化比较,新算法寻优效率高、全局性能好、优化结果稳定,新算法能有效提高微粒群的多样性,具有较好的收敛性能和全局优化能力,尤其适合多峰函数的优化.     

改进微粒群算法在光子晶体优化中的应用

针对标准微粒群算法无法合理控制全局搜索和局部开发之间的关系,容易出现早熟收敛和全局收敛放慢的现象,提出了一种基于吸引力排斥力平衡机制的改进微粒群算法.改进算法将优化过程分为三个阶段,设定了每个阶段的目标,以此为指导来分别调整引力斥力大小和极优值传播速度,有重点地进行全局搜索或局部开发,以达到提高优化效率的目的.采用四个典型测试函数对改进算法进行了测试,并将该算法应用在光子晶体带隙优化设计?实验结果表明,改进微粒群算法很好地避免了早熟收敛和全局收敛放慢的现象,相比标准算法具有较高的可靠性和稳定性,是一种高效的优化算法.     

基于遗传微粒群混合算法的灰度图像增强

文中提出了一种基于遗传算法和微粒群算法的混合算法,该算法兼有遗传算法和微粒群算法的优点.混合算法以微粒群算法为主体,同时应用遗传算子操作来优化参数搜索,并引进了摒弃因子来调整微粒的随机性,最终得到最优值.本算法中交叉和变异算子采用了概率自适应策略,微粒群算法使用了动态惯性因子来控制微粒的速度更新.通过对标准试验函数的测试,与标准遗传算法及微粒群算法的结果比较,证明了该混合算法的有效性,并应用于图像增强处理,获得了较为满意的结果.     

小世界模型的个体决策微粒群算法

微粒群算法是一种模拟动物行为的群智能优化算法.由于微粒(个体)在不同环境中生存与觅食,积累了不同的经验,因此不同个体在觅食或者其他行为中会做出不同的决策,但是这种决策机制在标准微粒群算法中并没有体现出来.微粒在决策时会考虑周围其它粒子的信息,因此本文通过引入个体决策机制与小世界模型的邻域结构来改进微粒群算法,同时利用李雅普诺夫稳定性理论对改进的算法进行稳定性分析,并给出相应的参数选择方式.在改进的微粒群算法中,微粒被周围理想微粒的位置和群体最优位置所吸引,改变了传统微粒群算法只被群体最优位置吸引的弊端.对常用的几个测试函数进行仿真,与其它两种改进的微粒群算法相比,结果表明该算法有更好的性能.     

基于群体多样性反馈控制的自组织微粒群算法

微粒群算法是一种新型的群智能算法,已被广泛用于各种复杂优化问题的求解,但算法依然面临着过早收敛问题.为克服算法的早熟问题,提出了自组织微粒群算法.将微粒群体视为自组织系统,引入负反馈机制.群体多样性是影响微粒群算法全局优化性能的关键因素,把群体多样性作为个体微粒可感知的群体动态信息,用于动态调整惯性权重或加速度系数,通过不同的特性参数实现微粒的集聚或分散,使群体维持适当的多样性水平以利于全局搜索.用于复杂函数优化问题的求解,并与其他典型改进算法进行了性能比较.仿真结果表明,基于多样性控制的自组织微粒群算法可以有效避免早熟问题,提高微粒群算法求解复杂函数的全局优化性能.     

智能优化算法在图像分割中的性能分析

在阈值分割算法中,确定最优阈值是图像分割的关键.但阈值的选取大多采用穷尽的搜索方式,运算效率较低,抗噪能力不强,容易产生误分割.针对这些问题,考虑采用智能优化算法来搜寻最优阈值,旨在最大限度地提高寻优效率和寻优精度.微粒群算法和蚂蚁算法是具有代表性的仿生优化算法,将它们实施于图像分割的应用领域,对微粒群算法和蚂蚁算法的阈值分割效果进行了比较分析,实验数据表明,微粒群算法更容易实现,在寻优阈值和运行时间方面取得了更好效果.     

二次微粒群算法及其参数选择

在对标准微粒群算法模型及其机理进行分析的基础上改进了标准微粒群算法的进化方程,提出了二次微粒群算法,由于其几个主要参数的选择很大程度上影响到算法的性能,故用标准微粒群算法对二次微粒群算法参数的选择进行优化,得到其参数的选取范围,并在仿真所得的范围内选取一组参数对典型测试函数进行仿真,将结果与标准微粒群算法的仿真结果进行比较,结果表明性能有很大提高,且二次微粒群算法能更快更好的找到全局最优点,这说明了这种算法的正确性和有效性.     

基于进食粒子群和共轭梯度的混合优化策略

传统粒子群算法初期搜索过程中,种群过快地向当前最优粒子飞行,易导致早熟收敛;而算法后期,粒子大量聚集,算法收敛速度慢。通过引入种群进食和二次飞行,提出一种全局性的进食粒子群算法(EPSO),使局部最优附近的粒子进食后快速飞离,以改善种群多样性。并将共轭梯度法(CG)与EPSO相结合形成一种混合优化策略,其中CG用于EPSO的局部搜索过程,以提高收敛速度和精度。利用高维标准测试函数进行寻优实验,并与近年文献方法进行对比,实验结果表明该算法能够克服局部最优的不足,同时继承了CG局部寻优精度高和收敛速度快的特点。     

An extended particle swarm optimization algorithm for pattern synthesis of conformal phased arrays

In this article, an extended particle swarm optimization (EPSO) algorithm is proposed for designing conformal phased arrays. On the basis of traditional particle swarm optimization (PSO), novel velocity updating mechanism, new exceeding boundary control operator, and global best perturbation are introduced in EPSO to overcome the drawbacks of PSO. To validate the efficiency of the proposed algorithm, both the classical test functions and the scenarios concerning a 1 × 9‐element cylindrical conformal phased array and a 3 × 9(27)‐element cylindrical conformal array with flat‐top shaped‐beam pattern are presented. Simulation results show that the proposed method is superior to genetic algorithm (GA) and PSO when applied to both the classical test functions and the practical problems of conformal antenna array synthesis. © 2010 Wiley Periodicals, Inc. Int J RF and Microwave CAE, 2010.     

基于EPSO-BP 的Elman 网络及其在飞行轨迹预测中的应用

针对BP 训练方式采用梯度法易导致局部收敛的不足, 提出一种融合进食粒子群算法(EPSO) 和梯度法的Elman 网络优化方法. 首先, 通过模拟鸟群进食行为得到一种EPSO 算法, 以改善标准PSO 的全局性能; 然后, 将EPSO 用于Elman 网络权值的全局优化, 同时将梯度法用于EPSO 的进食过程局部搜索, 以提高解的局部收敛性能; 最后, 将该网络优化方法用于飞行轨迹预测实验, 仿真结果表明了其有效性.

     

新型分阶段粒子群优化算法

针对粒子群优化算法的“早熟”问题,提出了一种新型分阶段粒子群优化算法。该算法通过调整惯性权重和加速系数使粒子自组织地跟踪局部吸引域和全局吸引域来扩大粒子的搜索空间和提高粒子的收敛精度,同时根据粒子处于不同的阶段实施相应的变异策略来增加种群的多样性。通过经典函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟问题。     

Efficient Particle Swarm Optimized Particle Filter Based Improved Multiple Model Tracking Algorithm

To meet the requirements of modern radar maneuvering target tracking system and remedy the defects of interacting multiple model based on particle filter, noninteracting multiple model (NIMM) and enhanced particle swarm optimized particle filter (EPSO‐PF) are proposed. The improved maneuvering target tracking algorithm (NIMM‐EPSO‐PF) in this article combines the advantages of NIMM with those of EPSO‐PF. NIMM is used to figure out the index of particles to avoid the high computing complexity resulting from particle interaction, and EPSO‐PF can not only improve the equation of particle update through the rules individuals develop an understanding of group but also enhance particle diversity and accuracy of particle filter through the small variation probability of superior velocity. Besides, the random assignment of inferior velocity is capable of upgrading filter efficiency. As shown by the experimental result, the NIMM‐EPSO‐PF not only improves target tracking accuracy but also maintains high real‐time performance. Therefore, the improved algorithm can be applied to modern radar maneuvering target tracking field efficiently.     

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.     

A novel Hough transform based on eliminating particle swarm optimization and its applications

Hough transform (HT) is a well established method for curve detection and recognition due to its robustness and parallel processing capability. However, HT is quite time-consuming. In this paper, an eliminating particle swarm optimization (EPSO) algorithm is employed to improve the speed of a HT. The parameters of the solution after Hough transformation are considered as the particle positions, and the EPSO algorithm searches the optimum solution by eliminating the “weakest” particles to speed up the computation. An accumulation array in Hough transformation is utilized as a fitness function of the EPSO algorithm. The experiments on numerous images show that the proposed approach can detect curves or contours of both noise-free and noisy images with much better performance. Especially, for noisy images, it can archive much better results than that obtained by using the existing HT algorithms.     

增强型微粒群优化算法及其在软测量中的应用

对微粒群优化算法(PSO)进行分析,提出一种增强型微粒群优化算法(EPSO),用EPSO和PSO对几种常用函数的优化问题进行测试比较,结果表明EPSO比PSO更容易找到全局最优解,优化效率和优化性能明显提高,将EPSO用于催化裂化装置主分馏塔粗汽油干点软测量,建立了基于EPSO算法的粗汽油干点神经网络软测量模型,研究结果表明,基于EPSONN的软测量模型比基于BPNN的软测量模型具有更高的精度和更好的性能。     

粒子群算法求解连续优化问题的性能分析

粒子群优化(PSO)算法是一类有效的随机全局优化技术,适用于求解连续优化问题.它利用一个粒子群搜索解空间,通过粒子间的相互作用发现复杂搜索空间中的最优区域.本文介绍了基本的PSO算法,使用3类代表性的标准测试函数对粒子群算法进行了实验分析,并进一步讨论了PSO算法的寻优性能,提出了PSO求解连续优化问题的性能分析策略.     

一种含驻留粒子的改进粒子群算法

为了避免粒子群算法过早收敛,提出一种包含局部驻留粒子的改进粒子群算法（CRPSO）。该算法将基本的粒子群算法的粒子称为主粒子,而当算法每找到一个新的全体最优点之后,将会在这个最优点附近产生几个称为驻留粒子的搜索粒子。2种粒子分工协作,主粒子负责全局搜索而驻留粒子负责局部搜索。驻留粒子帮助主粒子群避免过早收敛,提高整个粒子群多样性。仿真结果表明,该算法能有效地改善粒子群算法在非线性全局优化问题上的早熟现象,增强粒子群算法的全局搜索能力。