一种基于优胜劣汰的多粒子群替代优化算法的设计

微粒群算法是一种新颖的优化算法,已成功应用于许多优化问题,但该算法容易陷入局部极值.针对这种缺陷,提出了一种基于优胜劣汰的多粒子群替代算法,该算法先通过多个种群彼此独立地搜索解空间,增强全局搜索能力;各种群每次进化完成后,核心种群中的最差微粒与其他种群的最好微粒互相替代.通过对3种常用测试函数进行测试和比较,结果表明该算法比标准微粒群算法具有更低的平均最好适应值,可快速收敛到全局最优解,优化效率明显提高.     

基于免疫原理的粒子群排样优化方法

针对排样优化中种群个体多样性保持及全域寻优存在的问题,将免疫系统的免疫信息处理机制引入到粒子群优化算法中,建立求解排样问题的粒子群免疫优化方法。该方法借鉴人工免疫中抗体的多样性保持机制及免疫记忆功能,强调优势基因的进化和浓度稳定,提高了算法的全域搜索速度并保持了群体多样性。实验表明,在对船舶不规则件排样优化问题求解中,免疫机制对粒子群优化的最优搜索具有较好的有效性和较高的可行性。     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点，根据混沌运动的随机性、遍历性特点，提出一种基于混沌思想的粒子群优化算法（CPSO）、该算法利用种群适应度方差进行早熟收敛判断，实现对进化过程的监视，当发现种群陷入局部最优时，对种群进行混沌初始化，帮助种群摆脱局部最优点．对4种典型测试函数的仿真结果表明，改进算法明显减少了种群陷入局部最优的可能性．其全局寻优能力明显强于标准粒子群优化算法．     

一种新改进的粒子群优化算法

由于粒子群优化算法对多极值复杂问题求解时容易陷入局部极值,提出一种新改进的粒子群优化算法。该改进算法是将粒子群进化过程分为两个不同的阶段,每个阶段应用不同的进化模型,通过结合这两种进化模型的各自优点有效地降低群体陷入局部最优。由仿真实验结果可知,对于复杂多极值函数优化问题,本文算法比标准粒子群优化算法的全局寻优能力更强。     

一种动态分群带熵权的粒子群优化方法

为提高粒子群优化的求解性能,提出了一种动态分群带熵权的粒子群优化求解方法．该方法采用k的均值聚类获得子群总数,在子群粗搜索过程中充分利用其他粒子的熵信息,采用子群及其他子群搜索的最优解信息构建熵权以调整惯性权重,利用自身群粒子经过m次迭代时的优化信息构建熵权以调整本群的全局最优值．在子群精搜索过程中,利用各子群获得的最优解信息作为新群的初始设置,利用其他粒子的迭代信息构建熵权来调整全局最优值．采用传统的粒子群优化算法、其他文献中的方法以及新提出的方法分别对4个经典的测试函数进行对比实验,从获得解的最优值、平均值、标准差以及平均迭代数作对比,从而验证了该方法具有求解精度高以及优化求解迭代次数少等优点．     

基于q-高斯分布的自适应变异粒子群算法

针对粒子群算法易陷入局部极值和早熟收敛的缺陷,提出了基于q-高斯分布的自适应变异粒子群算法.采用q-高斯作为变异算子对粒子的全局最优位置进行q-高斯变异,克服了因种群遗失多样性所导致的早熟收敛缺陷,随着种群的进化,非广延熵指数 q 的自适应调整平衡了算法的全局搜索能力和局部开发能力.测试了4个标准复杂函数和优化BP神经网络参数,结果表明,基于 q-高斯分布的自适应变异粒子群算法的优化性能最好,收敛速度快.     

一种基于粒子群算法的聚类算法

提出一种基于粒子群算法的聚类算法,该算法利用粒子群算法随机搜索解空间的能力找到最优解．首先,将样本所属类号的组合作为粒子,构成种群,同时引入极小化误差平方和来指导种群进化的方向．其次,通过对全局极值的调整,搜索到全局最优值．最后,通过仿真实验的对比,验证了该算法在有效性和稳定性上要好于K-means算法．     

一种改进的粒子群与人工蜂群融合算法

针对标准的粒子群算法和人工蜂群算法收敛性能差、在复杂优化问题易陷入局部最优的缺点,提出了一种改进的融合算法.改进融合算法拥有双种群并行进化,其中粒子群采用改进的反向学习策略,以增加群体的多样性;蜂群中跟随蜂根据个体停滞次数,自适应地改变进化策略,以平衡全局探索与局部开发能力.同时算法将交替共享两个种群的全局最优位置,通过相互引导使融合算法具有更好的寻优能力.8个经典函数和CEC2013的8个复合函数的实验结果表明,与最新的一些改进粒子群和人工蜂群算法相比,该算法的收敛速度和收敛精度均有较显著的优势.     

基于多量子粒子群协同进化算法的敏捷供应链伙伴选择

针对敏捷供应链组建过程中伙伴选择的特点,提出了一种基于多种群协同进化的改进量子粒子群算法．在对该算法的设计中,首先将整个量子粒子种群分解为多个子种群,然后使各个子种群进行独立的演化,并通过周期性的共享搜索信息获得对自身信息的更新,最后通过具体的算例对该算法进行了仿真验证．研究结果表明,在算法的收敛性、最优性等方面,基于多量子粒子种群协同进化算法均达到了良好的效果．     

基于双子群和分区采样的果蝇优化新算法

针对传统果蝇优化算法面临的搜索半径依赖性大、收敛稳定性差、难以协调全局搜索能力及局部搜索能力等问题,提出基于双子群和分区采样的果蝇优化新算法.将果蝇种群划分为搜索果蝇子群和跟随果蝇子群并分别使用这2个子群进行全局化搜索与局部精细化搜索;在每次迭代过程中利用基于分区采样的搜索果蝇位置更新策略,提高算法全局搜索的稳定性;定义了群体聚集度的概念并将其用于协调果蝇的全局搜索能力和局部搜索能力.针对6种典型函数及工业控制系统的测试结果表明,该算法收敛精度高、稳定性好、收敛速度快,与传统算法相比,表现出明显优势.     

二维排样中小生境粒子群算法的研究与应用

提出将基于小生境技术的粒子群算法引入二维不规则零件排样求解问题的方法,通过二维图 形坐标离散化的方式,将不规则零件轮廓转化为一系列的坐标区间,在经典粒子群优化算法的基础 上加入小生境的思想,运用基于小生境的粒子群算法来搜索排样结果．实验表明：该算法具有良好 的搜索性能,它为解决二维不规则零件排样提供了有效的决策方案．     

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

一种改进的混合蛙跳算法

针对基本混合蛙跳算法存在的易陷入局部最优、随着迭代次数增加种群退化的缺点,提出了一种改进的混合蛙跳算法。该算法将混合蛙跳算法中子群体内最差解根据子群内最优解和全局最优解进行更新的方式转换为最差个体根据子群内中心点和全局最优解进行更新的方式,使得最差解通过获得来自子种群内其他解的更多信息量来调整自身的状态。同时,算法在完成一次内迭代合并之后利用选择算子对整个种群进行选择更新。中值策略较好地平衡了算法的全局搜索与局部搜索能力,选择策略保持了进化过程中种群的多样性。实验结果表明:改进后的算法具有更好的优化性能。     

适于混合整数非线性规划的混合粒子群优化算法

通过加强粒子群优化（PSO）算法处理约束和整数变量的能力,使其适于求解混合整数非线性规划（MINLP）,构建了一种混合粒子群优化（HPSO）算法.建立了种群的约束矩阵来反映其解满足约束的情况,运用Pareto支配概念评价解的优劣,确定种群的局部最优点和全局最优点.通过增设基于距离函数的概率取整操作和随机变异的解修复操作,加快了搜优速率.利用各粒子的局部最优点信息更新速度,采用多粒子群策略增强了种群多样性.实例测试结果显示,与其他算法相比,HPSO算法具有更好的全局寻优能力,收敛速度更快.     

基于动态权值的粒子群算法的多样性分析

种群的多样性是保证粒子群优化算法收敛的前提条件,基于此提出了一个概念清晰、运算量小的多样性定义,并从粒子在寻优过程中粒子聚合程度和速度进化程度出发分析粒子群的多样性。在此基础上,提出了一种基于动态权值的改进算法,算法能自适应的调整惯性因子以保持种群多样性,有效地避免了早熟收敛。仿真实验表明该算法不仅能加快种群的进化速度,而且还能增强算法的全局收敛性,收敛概率也从15％增加到100％。     

基于多粒子信息共享策略的PSO小波网络模型

针对粒子群优化算法在训练小波网络存在的早熟收敛问题,提出一种改进的粒子群优化算法.该算法通过引入多粒子信息共享策略,使种群中各粒子共享多个粒子的有用信息,以期增加种群多样性,减少各粒子在进化早期被吸引到最优粒子附近的可能性,提高小波网络的建模质量.仿真表明,相对于BP算法和标准粒子群优化算法,本文算法在训练小波网络方面估计精度更高,收敛速度更快,并有效解决了早熟收敛和局部最优问题.     

基于组合混沌序列动态粒子群算法的电力系统无功优化

无功优化对提高电力系统的安全性和稳定性具有重要意义.针对传统粒子群算法在求解大规模、强非线性无功优化时易陷入早熟、局部收敛等问题,应用Logistic混沌优化方法,充分利用其遍历性进行寻优.另外,为保障粒子群算法初值的均匀性,结合Chebyshev映射和Logistic映射,引入一种组合混沌映射并将其应用于粒子初始化,提高初始变量的均匀性,从而提高算法全局寻优能力.对粒子群速度更新过程中存在的惯性取值问题,引入一种基于种群速度的动态惯性权重策略.最后将这一算法应用于电力系统无功优化.算例表明,算法具有较强的全局搜索能力和较高的效率.     

基于动态种群的双重学习粒子群优化算法

粒子群算法的全局勘探能力和局部开发能力的不协调往往会导致算法收敛不精、陷入早熟。针对上述问题,提出了基于动态种群的双重学习粒子群优化算法(DP-DLPSO)。首先将粒子种群划分为勘探子种群和开发子种群,让两个子种群以不同的学习机制引导粒子运动,粒子处于寻优期间时,子群体间无信息交流,如果开发种群陷入局部最优也不会影响到勘探种群的寻优能力;其次,采用动态种群思想,勘探种群将会把好的粒子输送到开发种群中去,增加开发种群中有效解的几率,提高粒子的收敛精度;最后,对开发种群采用高斯扰动策略以提高粒子跳出局部最优的能力。将DP-DLPSO与5个改进粒子群算法进行比较,实验结果表明DP-DLPSO在收敛精度和收敛速度上具有更大的优势。     

基于改进QPSO算法的小波神经网络参数优化

暋针对传统的小波神经网络在参数优化过程中所采用的梯度下降法容易产生局部最优,提出了一种改 进的量子行为PSO 算法。新算法通过在最优平均值的全局搜索点中加入权重系数,用于改善粒子群的全局、局部搜 索能力和收敛速度,当粒子进化到后期,满足早熟条件时,粒子群在该维上发生变异,重新初始化后的位置均匀分布 在可行区域上,用于提高搜索精度。仿真实验结果表明,改进QPSO 算法比常规网络训练方法在寻优能力方面更加 有效。     

一种新的双策略进化果蝇优化算法

标准果蝇优化算法(fruit fly optimization algorithm, FOA)在迭代寻优的过程中,整个果蝇群体只向最优个体靠近,这导致算法极易陷入局部最优,从而引起早熟收敛的问题。针对该问题,提出一种新的双策略进化果蝇优化算法(a novel double strategies evolutionary fruit fly optimization algorithm, DSEFOA)。提出的一种新的群体分割策略,将果蝇群体动态地划分为精英子群和普通子群;对于精英子群,引入混沌变量引导果蝇个体在其附近搜索食物,优化其局部搜索能力;对于普通子群,引入权重因子改进标准FOA的随机搜索方式,执行全局搜索,加快收敛速度。DSEFOA算法针对不同进化水平的果蝇个体采用不同的策略更新进化,充分地提升了整个群体的寻优搜索能力。8个测试函数的仿真试验结果表明, DSEFOA算法有比标准FOA算法更好的优化性能。