粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化(PSO)算法的一种改进算法:用于约束优化问题的启发式粒子群优化(HPSO)算法.针对HPSO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析.对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍.     

协调粒子群优化算法--HPSO

粒子群优化算法(PSO)是模拟生物群体智能的优化算法、具有良好优化性能。但是由于信息的单一传递,群体的迅速收缩和群体多样性降低,导致算法早熟收敛．该文采用多样性控制与交叉操作,使粒子群在细化搜索与扩展新区之间进行协调,提出了协调粒子群优化算法HPSO。实验结果表明：HPSO比PSO有更好的性能。     

粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化（PSO）算法的一种改进算法：用于约束优化问题的启发式粒子群优化（HPSO）算法。针对HP-SO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析。对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍。     

一种多策略混合的粒子群优化算法

针对传统粒子群优化算法在解决一些复杂优化问题时易陷入局部最优且收敛速度较慢的问题,提出一种多策略混合的粒子群优化算法(Hybrid Particle Swarm Optimization with Multiply Strategies,HPSO)。该算法利用反向学习策略产生反向解群,扩大粒子群搜索的范围,增强算法的全局勘探能力;同时,为避免种群陷入局部最优,算法对种群中部分较差的个体实施柯西变异,以产生远离局部极值的个体,而对群体中较好的个体施以差分进化变异,以增强算法的局部开采能力。对这3种策略进行了有机结合以更好地平衡粒子群算法全局勘探和局部开采的能力。将HPSO算法与其他3种知名的粒子群算法在10个标准测试函数上进行了性能比较实验,结果表明HPSO算法在求解精度和收敛速度上具有较显著的优势。     

基于混合粒子群算法的PID参数寻优

提出一种将单纯形法SM与粒子群算法PSO结合的混合粒子群算法HPSO。通过对3种常用测试函数进行优化和比较．结果表明HPSO比PSO和SM都更容易找到全局最优解。然后用HPSO优化算法对某涡扇发动机PID控制中的参数进行优化并将结果与混合遗传算法HGA的结果进行比较，结果表明HPSO在找寻最优解效率上好于HGA。且算法实现简单，具有很高的可靠性，是一种PID控制参数寻优的有效方法。     

群搜索优化算法在桁架结构优化中的应用

介绍一种改进的群搜索优化算法（IGSO）及适用于它的一种约束处理方法,并将其应用到两个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析。对于每个算例,IGSO和HPSO算法各运行10次,从10次运行的统计分析中可以看出,IGSO算法的优化效果和稳定性稍逊于HPSO算法,但其收敛速度比HPSO算法快,且其使用的约束处理方法大大减少有限元分析的次数,提高程序运行的速度。     

基于知识空间的分组式粒子群算法

为了提高粒子群算法中粒子搜索全局最优解的准确度,确保粒子的收敛性,提出了基于知识空间的分组式粒子群算法(KGPSO).该算法使用K-means算法对粒子群进行分组,利用较小的最大飞行速度(Vmax)加强粒子在组内的局部搜索能力,并将"知识空间"的概念带入到分组中,由知识空间中的粒子来引导群中粒子前往更好的解空间搜索.实验结果表明,KGPSO算法在测试函数的表现整体优于过去学者提出的标准PSO,HPSO、FPSO.     

求解旅行商问题的多尺度量子自由粒子优化算法

针对目前元启发式算法在求解组合优化问题中的旅行商问题(TSP)时求解缓慢的问题,受量子理论中波函数的启发提出一种多尺度自适应的量子自由粒子优化算法。首先,在可行域中随机初始化表示城市序列的粒子,作为初始的搜索中心;然后,以每个粒子为中心进行当前尺度下的均匀分布函数的采样,并交换采样位置上的城市编号产生新解;最后,根据新解相较上一次迭代中最优解的优劣进行搜索尺度的自适应调整,并在不同的尺度下进行迭代搜索直到满足算法结束条件。将该算法和混合粒子群优化(HPSO)算法、模拟退火(SA)算法、遗传算法(GA)和蚁群优化算法应用在TSP上进行性能测试,实验结果表明自由粒子模型算法适合求解组合优化问题,在TSP数据集上相比目前较优算法在求解速度上平均提升50%以上。     

改进的混沌粒子群算法在TSP中的应用

针对基本粒子群(PSO)算法不能较好地解决旅行商优化问题(TSP),分析了基本粒子群算法的优化机理,在新定义粒子群进化方程中进化算子的基础上利用混沌运动的随机性、遍历性等特点,提出一种结合混沌优化和粒子群算法的改进混沌粒子群算法.该算法对惯性权重进行自适应调整,引入混沌载波调整搜索策略避免陷入局部最优,形成一种同时满足全局和局部寻优搜索的混合离散粒子群算法,使其适合解决TSP此类组合优化问题.利用MATLAB对其进行了仿真.仿真结果说明此算法的搜索精度、收敛速度及优化效率均较优,证明了此算法在TSP中应用的有效性,且为求解TSP提供了一种参考方法.     

一种改进的禁忌-粒子群算法及应用

针对粒子群优化算法(PSO)的局部搜索能力差和存在早熟收敛的问题,将禁忌搜索(TS)思想融入到粒子群算法中,提出一种新的禁忌搜索的粒子群优化算法.新算法结合了PSO和TS各自的优点,在寻优前期利用粒子群算法得到较好的初始值,同时将个体极值pbest放人禁忌表,在寻优后期,当粒子的搜索能力减弱时,利用禁忌搜索算法中禁忌表的短期记忆功能,使其跳出局部最优解,并且在搜索过程中允许接受劣解.将改进的算法应用于函数的优化,仿真结果表明,改进算法具有计算精度高、稳定性强的特点,是一种非常有效的计算智能方法.     

混沌时间序列的混合粒子群优化预测

提出一种混合粒子群优化算法,即在改进粒子群优化算法全局搜索模型参数的基础上,利用梯度下降法进一步确定径向基神经网络模型参数,以提高网络的收敛精度和网络性能.采用基于RBFNN的混合粒子群优化算法进行离散Henon和连续Mackey-Glass混沌时间序列预测仿真,结果表明该算法能快速精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法.     

电力系统经济负荷分配的混合粒子群优化算法

为解决电力系统中的经济负荷分配问题,提出一种将约束优化与粒子群优化算法相结合的混合算法,同时引入直接搜索方法。使得混合后的粒子群优化算法不但具有高效的全局搜索能力,而且具有较强的局部搜索能力,避免陷入局部最优,提高求解精度。对两个实例进行测试,与其他智能算法的结果比较,证明提出的算法可以有效找到可行解,避免陷入局部最优,实现问题的快速求解。     

车辆路径问题的轻鲁棒优化模型与算法

针对不确定旅行时间下的车辆路径问题,以总变动成本最小为优化目标,建立了一种轻鲁棒优化模型,提出了一种针对问题特征的超启发式粒子群算法.在算法中,利用基于图论中深度优先搜索的初始化策略加快算法的早期收敛速度,引入基于均衡策略的启发式规则变换方式来提高算法的寻优能力,重新设计的粒子更新公式确保生成低层构造算法的有效性.实验结果表明:所提算法能有效地求解不确定旅行时间下的车辆路径问题.     

A heuristic particle swarm optimization method for truss structures with discrete variables

A heuristic particle swarm optimizer (HPSO) algorithm for truss structures with discrete variables is presented based on the standard particle swarm optimizer (PSO) and the harmony search (HS) scheme. The HPSO is tested on several truss structures with discrete variables and is compared with the PSO and the particle swarm optimizer with passive congregation (PSOPC), respectively. The results show that the HPSO is able to accelerate the convergence rate effectively and has the fastest convergence rate among these three algorithms. The research shows the proposed HPSO can be effectively used to solve optimization problems for steel structures with discrete variables.     

混合粒子群优化算法研究

提出将Hooke Jeeves模式搜索方法嵌入粒子群优化算法中，以此构建混合粒子群优化算法．此外，在搜索过程中还加入变异操作来增加种群多样性，以避免早熟收敛．其中，局部搜索增加了算法的开发能力，而变异操作提高了算法的探测能力．探测与开发的折中则通过两个域值变量来完成．大量的测试函数研究表明，混合粒子群优化算法局部搜索能力有显著提高，且搜索到全局最优的概率更高．     

一种辨识Wiener-Hammerstein模型的新方法

针对非线性Wiener-Hammerstein模型,提出利用粒子群优化算法对非线性模型进行辨识的新方法.该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题;然后采用粒子群优化算法获得该优化问题的解.为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法.最后,仿真结果验证了该方法的有效性和可行性.     

基于PSO信息传递模式的混合算法

粒子群优化算法（Particle Swarm Optimization，PSO）是一种基于群智能（Swarm Intelligence）的随机优化计算技术。PSO和遗传算法这两种算法相比较，PSO收敛快速准确，但编码形式单一，局限于解决实优化问题，而遗传算法编码形式灵活，解决问题广泛，但执行效率低于PS00。将粒子群算法的信息传递模式与遗传算法的编码和遗传操作相结合，提出一种混合算法。并推导了两个算法之间的密切联系。并通过组合优化和函数优化的基准测试集对算法进行测试，试验结果表明，该算法在收敛精度和速度优于传统遗传算法。同时，也观察到该算法取得了与粒子群算法一致的收敛现象。     

听觉信号盲分离的混合粒子群优化算法

为了解决基本粒子群盲分离算法收敛速度慢、优化精度低的问题,提出用基于群体自适应变异和个体退火操作的混合粒子群优化算法（HPSO）来实现听觉信号盲分离。与模拟退火算法（SA）和基本粒子群算法（PSO）相比,该算法保持了基本粒子群算法简单、容易实现的特点,又能进行自适应变异,改善了其摆脱局部极值点的能力。仿真对比结果表明,基于该改进算法的盲分离效果良好,具有收敛速度快、性能稳定等特点。     

混沌粒子群优化的纹理合成算法研究

粒子群算法在搜索后期由于搜索空间有限,容易陷入局部极值,过早地进入早熟状态。针对这种情况,将混沌优化搜索技术用于粒子群算法,利用混沌运动的通历性、随机性等特点,提出了一种混沌粒子群优化的块采样纹理合成算法。实验结果表明,混沌粒子群算法比粒子群算法具有更好的全局寻优能力,克服了粒子群算法的缺点,得到了较高质量的纹理合成图像。