采用改进的细菌觅食优化算法求解 RCPSP

针对细菌觅食优化算法全局搜索能力较弱和收敛速度慢的问题,对算法的更新方式进行改进,在算法的初期通过粒子群算法进行全局搜索,使细菌在更新时感知周围环境,再由细菌觅食算法的趋向操作进行局部搜索,提高算法的计算精度和搜索能力。最后运用实例对算法进行验证,实验结果验证了此算法在求解资源受限的项目调度问题时的可行性和优越性。     

一种改进的PSO算法在PID参数优化中的应用

PID控制器具有结构简单、容易实现、控制效果好、鲁棒性强等特点,其关键在于PID参数的优化。微粒群优化算法是一种进化计算技术,其优点是速度快且简单易实现。改进的PSO算法,是在基本PSO算法的基础上引入了遗传算法的思想。仿真实验表明,改进的粒子群算法显著提高了PSO算法的全局搜索能力。     

车间调度问题的量子粒子群优化算法设计

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,将量子粒子群优化算法用于求解车间调度问题,按照量子粒子群优化算法的进化规则在调度空间内搜索最优解,并对量子粒子群算法的参数选择进行了研究。以典型的Job-Shop调度问题作为实验对象,实验结果表明QPSO算法相对PSO算法具有较好的全局搜索能力。     

均匀搜索粒子群算法

针对基本粒子群优化算法容易陷入局部最优解的问题,本文定义了PSO粒子搜索中心的概念,并对其随机状态下粒子搜索中心在全局最优解与局部最优解之间的概率密度进行了计算,在此基础上提出了粒子搜索中心在两个最优解之间均匀分布的均匀搜索粒子群算法,并通过7个Benchmark函数与基本PSO算法进行了对比实验及算法分析,实验分析结...     

一种改进的粒子群和K均值混合聚类算法

该文针对K均值聚类算法存在的缺点,提出一种改进的粒子群优化(PSO)和K均值混合聚类算法。该算法在运行过程中通过引入小概率随机变异操作增强种群的多样性,提高了混合聚类算法全局搜索能力,并根据群体适应度方差来确定K均值算法操作时机,增强算法局部精确搜索能力的同时缩短了收敛时间。将此算法与K均值聚类算法、基于PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,数据实验证明,该算法有较好的全局收敛性,不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和收敛速度都有显著提高。     

基于单纯形法的量子粒子群优化算法

针对粒子群优化算法容易陷入局部极值点,进化后期收敛慢和优化精度较差等缺点,提出了将单纯形搜索法与量子粒子群算法混合的改进算法,更好的平衡了全局搜索和局部搜索能力.仿真结果表明,该算法效率高、优化性能好,其性能远远优于一般的粒子群算法与量子粒子群算法.     

细菌觅食差分粒子群算法的无功优化方法

电力系统无功优化是以网损最小化且保持良好电压水平为目的。提出了细菌觅食差分粒子群算法（DEBFO）,并首次应用于电力系统无功优化问题。趋化操作的交叉算子可提高局部搜索能力,变异算子可加强全局搜索能力,繁殖操作使细菌寻优速度加快,迁徙操作避免了细菌早熟。Matlab仿真结果表明DEBFO具有较强的全局寻优能力,收敛速度快,鲁棒性好,能够更有效地解决电力系统无功优化问题。     

基于细菌觅食算法的含风电场电网无功优化

针对风电场并网运行后网络损耗大和收敛性差的问题,提出一种细菌觅食优化算法。在建立含风力发电机组的无功优化数学模型基础上,将细菌觅食优化算法应用到含风电场的无功优化问题中。以IEEE-30节点进行测试算例,分别采用传统算法、粒子群算法和细菌觅食算法优化,得到网损下降率为30.29%、28.70%和36.98%。实验及分析表明,该算法效率高、全局搜索能力强、易跳出局部极值,为含风电场的无功优化提供了一种新方法。     

改进粒子群算法的多峰值优化研究

粒子群优化算法对于多维函数的最优解搜索存在前期易陷入局部最优,后期收敛速度缓慢的问题.将改进的k-中心点聚类分析与PSO相结合提出了一种混合粒子群算法KM-PSO,用于多峰值问题的优化.在算法中,利用k-中心点聚类分析方法将粒子群划分成若干个子群,结合PSO的隐含并行搜索的优势增强了寻优性能.不仅增加了粒子间的信息交换,抑制了早熟收敛,还提高了全局寻优速度和计算精度.仿真实验结果表明,KM-PS0性能优于基本粒子群优化算法.     

一种改进的粒子群优化算法

粒子群优化算法(PSO)是一种群体智能进化计算方法,但在搜索过程中粒子紧跟最优粒子运动降低了粒子多样性和全局搜索能力,从而易陷入局部极值.本文提出一种新的粒子群优化算法(PSO-EWD),主要改进体现在2个方面:将惯性权重与进化因子相关联,根据种群的进化状态而改变权重大小,以平衡全局搜索能力与局部搜索能力;将时变的分布式时延引入速度更新公式中,以增加粒子的多样性.本文通过5种算法在9个基准函数上的实验对比,证明了新提出的算法相较于另外4种算法具有更优的适应度值、稳定性和收敛速度.     

粒子群优化算法及其应用

粒子群优化（PSO）算法是一种新颖的演化算法，它属于一类随机全局优化技术，PSO算法通过粒子间的相互作用在复杂搜索空间中发现最优区域。PSO的优势在于简单而又功能强大。介绍了基本的PSO算法、研究现状及其应用，并讨论将来可能的研究内容。     

基于折射原理反向学习模型的改进粒子群算法

对于粒子群优化算法易陷入局部最优的缺陷,反向学习策略对其的改进取得了较好的效果.然而,反向学习策略需要结合其它策略来提高算法后期的全局搜索能力,针对此缺陷,根据光的折射原理对反向学习策略的反向过程进行改进,提出反向学习的统一算法模型及基于折射原理反向学习模型的改进粒子群算法.实验与分析表明,与其它基于反向学习的粒子群算法相比,该模型更有效地改进了所提算法的全局搜索能力,提高了种群的多样性,从而提高了算法的收敛速度以及优化精度.     

基于K-Means变异算子的混合PSO算法聚类研究

提出了基于K-Means算子的混合粒子群优化算法聚类,将K-Means算法的局部搜索能力与粒子群优化算法的全局寻优搜索能力相结合,根据群体适应度变化的情况自适应调整权重,并对种群中性能较差的粒子进行交叉选择,能充分挖掘群体本身信息,又能不断引入附加信息.数据集仿真实验表明,该算法有效的克服了传统粒子群优化算法过慢收敛和K-Means算法陷入局部收敛的问题,从而得到更好的聚类效果.     

基于混沌粒子群优化的图像相关匹配算法研究

该文将混沌优化搜索技术应用于粒子群优化算法(PSO),提出了一种基于混沌搜索的粒子群优化算法(CPSO),该算法利用了PSO算法的收敛快速性和混沌运动的遍历性、随机性等特点,采用混沌初始化粒子初始位置,在运行过程中根据粒子群适应度的方差来自适应混沌更新粒子位置。几种典型函数的测试结果表明:CPSO提高了对多维空间的全局搜索能力,并可以有效避免早熟现象。将该方法用于图像相关匹配算法,提出了一种新的基于CPSO的图像相关匹配算法。实验结果证明该方法对解决噪声情况下的图像匹配问题十分有效。     

基于混沌粒子群优化的图像相关匹配算法研究

该文将混沌优化搜索技术应用于粒子群优化算法（PSO）,提出了一种基于混沌搜索的粒子群优化算法（CPSO）,该算法利用了PSO算法的收敛快速性和混沌运动的遍历性、随机性等特点,采用混沌初始化粒子初始位置,在运行过程中根据粒子群适应度的方差来自适应混沌更新粒子位置。几种典型函数的测试结果表明：CPSO提高了对多维空间的全局搜索能力,并可以有效避免早熟现象。将该方法用于图像相关匹配算法,提出了一种新的基于CPSO的图像相关匹配算法。实验结果证明该方法对解决噪声情况下的图像匹配问题十分有效。     

结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.     

采用改进细菌觅食优化算法的无人机航迹规划

针对现有的无人机航迹规划方法收敛速度较慢、效率不高、易陷入局部最优等问题,构建了基于改进细菌觅食优化算法的无人机航迹规划结构,从三个方面改进算法:一是将固定步长改为自适应步长;二是游动时嵌入粒子群算法学习因子思想;三是将固定迁徙概率改为自适应迁徙概率.同时,提出了飞行代价目标函数,通过函数寻优进行无人机航迹规划,并由数字高程数据建立三维环境,对比基本细菌觅食优化算法和粒子群算法进行仿真.结果表明,基于改进细菌觅食优化算法优化的无人机航迹规划结构具有路径长度更短、路径更平滑和收敛速度更快的特点.     

一种新的粒子群优化的图像匹配算法

针对粒子群算法在图像匹配中易陷入局部最优、搜索速度慢以及匹配精度不高的问题,提出一种新的粒子群优化的图像匹配算法。首先,以改进的非线性惯性权重对粒子群算法进行优化,以此来平衡粒子在全局和局部的搜索能力;其次,提出添加动态扰动项对速度进行扰动,避免粒子在算法后期速度停滞为零而陷入局部最优。仿真结果表明,该算法提高了粒子的全局搜索能力和收敛精度,有效防止早熟现象,与基于标准的PSO图像匹配算法相比,所提算法具有收敛速度快、鲁棒性好以及匹配精度高的特点。     

偏振模色散补偿的自适应算法及其实现

探讨了粒子群优化（PSO）算法在二级偏振模色散补偿器中的应用，分析了用PSO算法动态控制可趸时延线的二级偏振模色散补偿器的搜索与跟踪能力。实验表明PSO算法在搜索过程中能够快速发现全局最佳值，而不陷入局部最佳值，同时有着良好的抗噪声性能；并且能够成功地跟踪PMD随时间的变化。     

引入大变异策略的蟑螂算法研究

通过模拟蟑螂的觅食行为,提出蟑螂算法(Cockroach SwarmOptimization,CSO),并用于求解组合优化问题.算法充分利用了蟑螂社会的平等特性和群体智慧.大变异策略提高了算法全局搜索和避免陷入局部最优的能力.仿真实验表明CSO算法在求解TSP问题方面优于存在的离散粒子群算法(Discrete Particle Swarm Optimiza-tion.PSO).