均匀搜索粒子群算法的收敛性分析

本文将均匀搜索粒子群算法(Uniform search Particle Swarm Optimization,简称UPSO)的位置更新公式变换为一个差分方程,求解差分方程得到非递推的位置更新公式,推导解的收敛条件并求出了UPSO对学习系数c及惯性系数w的收敛区域,最后通过6个Benchmark函数仿真实验对收敛区域的正确性进行验证,实验结果表明学习系数和惯性系数在收敛区域内时的UPSO收敛,不在收敛区域外时UPSO发散.     

基于粒子群算法的非均匀稀布阵列综合

给出了一种基于粒子群算法的非均匀稀布阵列综合方法,设计有最小阵元间距约束的稀布阵,通过加入间距约束向量改进了适应度算法,不仅减小了布阵空间,而且消除了优化过程中的不合格个体。在给定阵列孔径和阵元数的条件下,实现了最小阵元间距约束下抑制栅瓣,降低旁瓣电平的阵列综合。通过仿真实例,验证了此方法的高效可行性。     

引入模式搜索算子的粒子群优化算法

针对粒子群优化算法(PSO)在解决复杂的高维优化问题时容易陷入局部最优和收敛速度慢的问题,结合模式搜索算法较强的局部搜索能力,提出一种引入模式搜索算子的粒子群优化算法(HJPSO).为避免最优粒子陷入局部最优而导致整个种群出现搜索停滞,在PSO算法的迭代过程中加入判断粒子陷入局部最优的机制,当检测到早熟停滞迹象时,使用模式搜索算子对整个粒子群当前搜索到的历史最优位置进行模式搜索以帮助算法跳出局部最优点.标准测试函数的运行结果表明,该算法具有较强的跳出局部最优的能力,收敛速度较快,稳定性好.     

新的混沌粒子群优化算法

针对传统粒子群算法初期收敛较快,而在后期容易陷入早熟、局部最优的特点,提出了一种新的混沌粒子群优化算法,不同于己有的混沌粒子群算法的简单粒子序列替换,该算法将混沌融入到粒子运动过程中,使粒子群在混沌与稳定之间交替运动,逐步向最优点靠近。并提出了一种新的混沌粒子群数学模型,进行了非线性动力学分析。数值测试结果表明该方法能跳出局部最优,极大提高了计算精度,进一步提高了全局寻优能力。     

基于粒子群优化的反潜搜索研究

在分析目前反潜搜索现状的前提下,提出了使用粒子群优化算法进行反潜搜索,并针对基本粒子群优化算法存在早熟和后期收敛速度慢的局限性,对个体极值实行高斯变异,并使惯性因子随进化代数自适应调节,提高了全局搜索能力和后期收敛速度,改进了粒子群优化算法的潜艇搜索策略.经过实验验证,本算法可以有效地提高反潜搜索效率.     

基于拟熵自适应启动局部搜索策略的混合粒子群算法

在继承综合学习粒子群算法（Comprehensive Learning Particle Swarm Optimizer,CLPSO）全局探索优势的基础上,引入具有高效收敛性能的传统局部搜索（Orthodox Local Search,OLS）方法,提出了基于拟熵自适应启动局部搜索策略的混合粒子群算法（Hybrid Particle Swarm Optimization algorithm with Adaptive starting strategy of Local Search based on Quasi-Entropy,ALSQE-HPSO）.采用拟熵指标解决何时启动OLS这一关键问题.对8个标准函数的10维和20维问题的测试结果,表明了ALSQE-HPSO算法的性能优势.本文提出的算法也与包含两种基于CLPSO的改进算法和一种带OLS的粒子群算法在内的其他6种改进粒子群算法进行了对比,实验结果表明ALSQE-HPSO算法的性能优于对比算法.     

基于自适应粒子群优化的粒子滤波跟踪算法

传统粒子滤波算法中在重要性采样部分存在采样粒子位置不精确的问题,可用粒子群优化算法优化,但目前的标准粒子群优化粒子滤波算法会出现粒子局部寻优的情况。对此对算法中的惯性权重和学习因子同时采取自适应调整的方法,平衡粒子的搜索能力以减少这种情况的出现,并且为了解决算法优化后因粒子聚集而造成的多样性缺失问题,对粒子进行随机变异以提高粒子多样性。仿真结果表明,经过改进后的优化算法可有效提高粒子滤波算法的准确性,使跟踪误差减小。     

中心粒子群优化算法

在线性递减权重粒子群优化算法(LDWPSO)中提到了中心粒子这一概念,进而提出了中心粒子群优化算法(中心PSO)。在线性递减权重粒子群优化算法中,中心粒子不像其它一般的粒子,中心粒子没有明确的速度,并且被始终置于粒子群的中心。此外,在神经网络训练算法中比较中心粒子群优化算法和线性递减权重粒子群优化算法,结果表明:中心粒子群优化算法的性能优于线性递减权重粒子群优化算法。     

基于正交搜索的粒子群优化测试用例生成方法

针对粒子群优化算法易出现早熟收敛的问题,本文提出一种基于正交搜索的粒子群优化测试用例生成方法.首先,利用奇异值分解来预测种群的进化方向,在其正交方向进行搜索,可避免已搜索过的区域,有助于跳出局部最优;然后,对粒子速度项进行改进,使其与正交方向保持一致,保证种群可持续受到正交方向的影响,有利于减少奇异值分解次数,降低时间消耗;最后,对每代最优个体进行局部搜索,以增强算法局部搜索能力.实验证明,本文方法在覆盖率、运行时间、进化代数等指标上均有优势.     

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。     

一种改进粒子群优化算法

作为群集智能的代表性方法之一，粒子群优化(PSO)算法通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。提出了一种改进粒子群优化(MPSO)算法。MPSO同时采用局部模式压缩因子方法和全局模式惯性权重方法以获得相对较高的性能。针对PSO算法可能出现的停滞现象，MPSO引入了基于全局信息反馈的重新初始化机制。数值仿真结果显示了该算法的有效性。     

一种新型多步式位置可选择更新粒子群优化算法

 粒子群优化(PSO)算法是一种新兴的群体智能优化技术,其由于具有原理简单、参数少、效果好等优点已获得广泛研究和应用.粒子个体极值更新速率低是影响该算法收敛速度和精度的主要因素之一.本文提出一种新型多步式位置可选择更新的粒子群算法,把标准粒子群中速度的单步更新公式分解成三步更新,取所生成的3个位置中的最好位置作为最终结果,细化了粒子的搜索轨迹、在不增加算法复杂度条件下提高了个体极值以及全局极值的更新速率,因而改善了算法的收敛速度和精度.采用Sphere、Rosenbrock等6个经典测试函数,并按照固定迭代次数运行和固定时间长度运行两种方法进行测试.测试结果表明该算法简单、稳健、高效,而且明显优于现有的4种经典粒子群算法.     

一种新混合粒子群算法及其在阵列天线方向图综合中的应用

针对传统粒子群算法(PSO)中存在的易陷入局部最优解和后期收敛速度慢的问题,首次提出一种新混合粒子群算法(NHPSO),采用杂交粒子群算法和固定惯性权重策略,并把简化的二次插值法融入杂交粒子群算法中。实验证明新算法大大提高了收敛速度,改善了解的质量。对阵列天线特殊主瓣形式的波束赋形和旁瓣电平优化结果取得了非常好的效果,计算机仿真证实该新算法应用于此类问题非常有效。     

一种基于扰动项的混合粒子群优化算法

为了保持粒子种群的多样性而避免发生"早熟"的问题,本文提出一种基于扰动项混合粒子群优化算法(PSO),该方法通过提高粒子群多样性来提高PSO的收敛性能.首先用标准PSO来迭代,当粒子群失去多样性时,在包含粒子群的超球外随机设置一粒子对全局最优粒子干扰,并在PSO更新公式中加入扰动项来干扰每个粒子.最后将该改进的PSO应用于函数逼近,实验结果验证了本文提出的PSO性能优于几种经典的PSO算法.     

混沌粒子群优化粒子滤波算法

针对基于粒子群优化算法的粒子滤波计算复杂度大,并且容易陷入局部最优,提出了一种新的基于混沌的粒子群优化粒子滤波算法。该算法在粒子群优化的基础上,引入混沌序列,利用混沌运动的遍历性、随机性等特点改善了初始样本的质量,同时利用混沌扰动避免搜索过程陷入局部最优,使算法具有更快的收敛速度和更好的全局搜索能力。最后利用UNGM模型将该算法与标准粒子滤波和粒子群粒子滤波进行仿真对比,并利用纯角度目标跟踪模型验证了算法的有效性。实验结果表明,该算法改善了粒子群优化算法的粒子滤波易陷入局部最优的现象,提高了粒子滤波的精度和速度,具有较高的应用价值。     

基于混合粒子群算法的QoS选播路由优化算法

本文提出一种基于混合粒子群算法的QoS选播路由优化算法。算法针对QoS的多约束条件特点,采用了混沌搜索思想来增强算法局部搜索能力,并且通过正交初始化种群和交叉选择来增加粒子的多样性,提高算法精度。仿真结果对比表明,算法优化效果明显。     

基于微粒群的矢量量化码书设计算法

针对在LBG算法中存在初始码书的选择极易影响码书训练的收敛速度和最终码书性能的缺陷,提出了一种基于微粒群的矢量量化码书设计算法.首先产生具有一定全局性特点的初始码书,然后再应用LBG算法进行优化得到同时具有局部特性的码书.实验结果验证了该算法的合理性.     

基于遗传粒子群的多传感器目标分配算法

针对空基平台多传感器的特点,分析了多传感器目标分配在空基平台信息融合系统中的重要意义以及当前分配算法存在的问题.提出了考虑目标优先等级和传感器协同能力的传感器目标分配的数学模型.针对目标分配的NP问题,建立了遗传粒子群算法模型,并进行了仿真.仿真结果表明,遗传粒子群算法能有效实现传感器资源对目标的分配,并且具有较高的稳...     

解决全局优化问题的粒子群进化算法

针对复杂全局优化问题,提出一种粒子群进化算法(PSOEA)。针对粒子群算法容易陷入局部最优等缺点,设计一个新的变异算子,使得粒子能够在整个空间进行搜索,同时保证了算法的收敛性。用概率论的有关知识证明了算法的收敛性。仿真结果表明,对于全局优化问题,算法寻优性能优良,特别是对于超高维优化问题,该算法能获得更高精度的解。