交替捕食的粒子群优化算法及其粒子轨迹收敛性分析

为避免算法陷入局部极值,在捕食者一猎物协同进化机制基础上,提出了一种交替捕食的粒子群优化算法(APPSO).对该算法迭代过程进行了分析,给出并证明了粒子运动轨迹收敛的充分条件.为使粒子运动轨迹可靠收敛,构建了一种参数设置方法.通过迭代矩阵谱半径计算、SQRT序列采样,对该算法的粒子轨迹收敛速度进行了分析.基准测试函数仿真结果表明,交替捕食的PSO算法具有较佳的搜索性能.     

基于岛屿群体模型的并行粒子群优化算法

为改善粒子群优化算法对大规模多变量求解的性能，提出了基于岛屿群体模型的并行粒子群优化算法．对粒子群优化算法机理和本质并行性进行分析，设计和实现了一种并行粒子群优化算法．实验结果表明，基于岛屿群体模型的并行粒子群优化算法不仅提高了求解效率，而且改善了早收敛现象，算法的性能比经典粒子群优化算法有了很大提高．     

改进的变尺度混沌粒子群算法及其应用

针对粒子群算法(PSO)存在局部最优及后期收敛速度慢等问题,提出一种改进的变尺度混沌粒子群算法(IMCPSO).该算法初期,在整个解空间对最优粒子进行变尺度混沌扰动,以防止陷入局部最优;算法后期,则以最优粒子为中心引入变尺度混沌扰动,以提高算法收敛速度.当算法一旦陷入局部最优时,采用混沌粒子替代部分种群粒子以增加粒子多样性,使算法尽快跳出局部最优.基于benchmark测试函数的仿真结果表明,所提算法与基本粒子群算法(SPSO)和变尺度混沌粒子群算法(MCPSO)相比,具有明显好的搜索精度和收敛速度.最后,将该算法应用于电路故障诊断实验中的支持向量机参数优化问题,实验结果说明了其应用价值.     

基于动态参数的移动机器人轨迹跟踪控制

针对移动机器人轨迹跟踪控制问题,建立了机器人运动学模型,设计了基于Lyapunov稳定理论的轨迹跟踪控制器,该控制器的性能取决于其参数的取值.采用人工神经网络来动态地调解参数的大小,使控制器获得最优的性能.粒子群优化算法具有收敛速度快,需要调节的参数少等优点,但优化过程中容易发生早熟收敛,使优化陷入局部极小值.通过引入模拟退火算法、交叉算子和变异算子,设计了一种改进的粒子群优化算法,对人工神经网络的参数进行优化计算.最后,仿真计算结果表明了该方法的有效性.     

一种自适应多策略行为粒子群优化算法

针对粒子群优化算法收敛速度慢、局部搜索能力差等缺点,提出一种自适应多策略行为粒子群优化算法.算法中每个粒子拥有4种行为进化策略,在迭代过程中通过计算每种进化策略的立即价值、未来价值和综合奖励来决定粒子的进化行为,并通过策略行为概率变异算法提升个体寻优速度或避免陷入局部最优解.在经典的基准测试函数上,对新算法与其他7个群智能进化算法的测试结果进行比较分析,结果表明所提出算法具有很好的求解精度和收敛速度,尤其适合应用于一些高维优化问题.     

基于QPSO算法的作业车间调度问题的研究

针对现行的遗传算法存在进化速度过慢和过早收敛的局限,以及粒子群优化算法搜索空间有限、容易陷入局部最优点的缺陷,提出将一种基于量子行为的粒子群优化算法应用于作业车间调度问题.将该问题中的每个调度组成一个多维向量,以此向量作为量子粒子群优化算法中的粒子进行进化,由此在解空间内搜索最优解.实例仿真结果表明,该算法收敛速度快、全局收敛性能好,可以得到比遗传算法、粒子群优化算法更佳的调度效果,证明了算法的有效性.     

基于参数方程处理等式约束优化的粒子群算法

针对目前已有的粒子群优化算法求解有等式约束优化问题时对收敛速度和解的精度的影响,提出了一种新的基于参数方程的粒子群优化算法.它是粒子群在初始化和选代进化过程中使用求解参数方程的方法处理等式约束设计出的粒子群优化算法.数值实验结果表明,新算法是有效的.它不仅提高了收敛速度和解的精度,而且是一种通用的智能算法.     

基于动态维度交叉的粒子群高维函数优化

提出一种优化高维函数的改进粒子群算法.粒子群算法在高维函数优化方面精度比较低,种群容易陷入停滞,分析粒子群算法在针对高维函数方面难以优化的原因,提出一种基于动态维度交又的改进粒子群算法,通过对五个典型测试函数的仿真,说明该算法具有摆脱较快的收敛能力和较高的收敛精度.     

基于三次样条插值的自动入库泊车免疫粒子群改进算法

传统自动入库泊车轨迹优化算法不易寻到光滑、精确且优化的泊车轨迹。结合智能自动入库泊车原理,本文提出一种基于三次样条插值的自动入库泊车方法,从而获得理想优化的泊车参考轨迹。为了有效地提升自动入库泊车轨迹寻优算法的性能,以泊车轨迹最短作为优化目标来选定一组合适的泊车位置参考点,在三次样条插值的基础上,又提出一种免疫粒子群改进算法。首先,为提升算法全局搜索性能和收敛速度,引入自适应变异策略;然后,引入免疫机制来有效提升其全局优化能力。测试函数及自动入库泊车实际算例的仿真结果表明,所提出的自动入库泊车免疫粒子群改进算法具有更高的寻优精度和较快的收敛速度。     

一种基于改进粒子群优化和模拟退火的Memetic算法

针对现有Memetic算法收敛速度慢、容易陷入局部极值等不足,提出一种基于改进粒子群优化和模拟退火算法的Memetic算法(简称为PMemetic算法).在PMemetic算法,基于人工萤火虫算法邻域结构思想改进粒子群优化算法,并将其作为全局搜索策略;同时,采用模拟退火算法作为局部搜索策略.将PMemetic算法应用到6个典型的函数优化问题中,并与粒子群算法进行比较分析,实验结果表明PMemetic算法提高了全局搜索能力、收敛速度和解的精度.     

基于滑动平均极值的粒子群优化算法

针对标准粒子群优化算法(SPSO)易陷入局部最优,进化后期收敛速度慢的缺点,提出一种基于滑动平均极值的粒子群优化算法(MWAPSO).改进了标准粒子群算法中的速度更新方程,使得粒子在进化过程中追随个体极值、全局极值和滑动平均极值.将该算法应用于4个典型的测试函数,实验结果表明,与标准粒子群算法相比,该算法在运行初期具有更强的探索能力,能够有效地避免粒子群体陷入早熟收敛.有更好的收敛性和更快的收敛速度.     

Locating and tracking multiple dynamic optima by a particle swarm model using speciation

This paper proposes an improved particle swarm optimizer using the notion of species to determine its neighborhood best values for solving multimodal optimization problems and for tracking multiple optima in a dynamic environment. In the proposed species-based particle swam optimization (SPSO), the swarm population is divided into species subpopulations based on their similarity. Each species is grouped around a dominating particle called the species seed. At each iteration step, species seeds are identified from the entire population, and then adopted as neighborhood bests for these individual species groups separately. Species are formed adaptively at each step based on the feedback obtained from the multimodal fitness landscape. Over successive iterations, species are able to simultaneously optimize toward multiple optima, regardless of whether they are global or local optima. Our experiments on using the SPSO to locate multiple optima in a static environment and a dynamic SPSO (DSPSO) to track multiple changing optima in a dynamic environment have demonstrated that SPSO is very effective in dealing with multimodal optimization functions in both environments.     

随机微粒群优化算法

微粒群优化算法是继蚁群算法之后又一种新的基于群体智能的启发式全局优化算法，其概念简单、易于实现，而且具有良好的优化性能，目前已在许多领域得到应用。但在求解高维多峰函数寻优问题时，算法易陷入局部最优。该文结合模拟退火算法的思想，提出了一种改进的微粒群优化算法——随机微粒群优化算法，该算法在运行初期具有更强的探索能力，可以避免群体过早陷入局部极值点。基于典型高维复杂函数的仿真结果表明，与基本微粒群优化算法相比，该混合算法具有更好的优化性能。     

基于Tent映射的自适应混沌嵌入式粒子群算法

为避免粒子群算法后期出现早熟收敛,提出一种基于Tent映射的自适应混沌嵌入式粒子群算法。将混沌变量嵌入到标准粒子群算法中,且对参数进行自适应调整。算法采用Tent映射生成的混沌序列来取代基本粒子群算法中的随机数,充分利用了混沌运动的随机性、遍历性和规律性;惯性权重和学习因子采用非线性的自适应调整策略;建立平均粒距与适应度方差相结合的早熟收敛判断机制,并且以混沌搜索的方式来跳出局部最优。测试函数仿真结果表明,该算法具有良好的全局搜索能力,寻优精度较高,鲁棒性好。     

A novel particle swarm optimization algorithm with Levy flight

Particle swarm optimization (PSO) is one of the well-known population-based techniques used in global optimization and many engineering problems. Despite its simplicity and efficiency, the PSO has problems as being trapped in local minima due to premature convergence and weakness of global search capability. To overcome these disadvantages, the PSO is combined with Levy flight in this study. Levy flight is a random walk determining stepsize using Levy distribution. Being used Levy flight, a more efficient search takes place in the search space thanks to the long jumps to be made by the particles. In the proposed method, a limit value is defined for each particle, and if the particles could not improve self-solutions at the end of current iteration, this limit is increased. If the limit value determined is exceeded by a particle, the particle is redistributed in the search space with Levy flight method. To get rid of local minima and improve global search capability are ensured via this distribution in the basic PSO. The performance and accuracy of the proposed method called as Levy flight particle swarm optimization (LFPSO) are examined on well-known unimodal and multimodal benchmark functions. Experimental results show that the LFPSO is clearly seen to be more successful than one of the state-of-the-art PSO (SPSO) and the other PSO variants in terms of solution quality and robustness. The results are also statistically compared, and a significant difference is observed between the SPSO and the LFPSO methods. Furthermore, the results of proposed method are also compared with the results of well-known and recent population-based optimization methods.     

基于莱维飞行的改进简化粒子群算法

基于基本粒子群算法易陷入局部最优的不足,提出一种基于莱维飞行的改进简化粒子群算法LISPSO（An Improved and Simplified Particle Swarm Optimization algorithm based on Levy flight）。简化粒子群算法舍去更新公式中的速度项,仅由位置项控制其进化方向。在简化粒子群算法SPSO（Simplified Particle Swarm Optimization）的基础上,采用带有随机性的非线性递减惯性权重动态地更新每个粒子的位置。算法又融合了基于相似度及聚集度分析的莱维飞行。粒子与最优粒子间的相似度越高,或者粒子间的聚集度越高,则粒子利用莱维飞行来重新更新位置的概率也就越大,有效地帮助粒子逃离局部最优。利用matlab语言对11个测试函数进行算法仿真,结果表明,改进的算法在求解精度和收敛速度上有显著的改善。另外,将LISPSO算法应用于求解min-max-min问题,实验结果显示,改进算法在求解效果上明显优于其他对比算法。     

学习-考试型的粒子群优化算法

标准的粒子群算法在进化后期常易于陷入局部最优。为提高粒子群算法的寻优性能,首先对学生学习-考试机制进行分析,得到学习-考试机制的基本原则,然后,利用该原则和粒子局部最优的信息,在粒子陷入局部最优时,对粒子的位置分量进行有机地组合,即考试策略。数值实验结果证明了新策略极大地提高了粒子的寻优性能。     

含多leader交叉算子的粒子群优化算法

在求解高维空间中复杂多峰函数的实时优化问题时,传统的粒子群算法在收敛速度和局部搜索能力等方面表现出严重不足,针对这些问题,启发于鲦鱼效应的生物现象,引入团队领导机制,提出基于多leader交叉的PSO算法MLCPSO,该算法集成了两种新的粒子飞行策略.实验表明,从实验结果的平均情形上看,与SGA算法与SPSO算法相比较,MLCPSO算法具有更优的收敛性与扩展性.     

Chaotic species based particle swarm optimization algorithms and its application in PCB components detection

An improved particle swarm optimizer using the notion of chaos and species is proposed for solving a template matching problem which is formulated as a multimodal optimization problem. Template matching is one of the image comparison techniques. This technique is widely applied to determine the existence, location and alignment of a component within a captured image in the printed circuit board (PCB) industry where 100% quality assurance is always required. In this research, an efficient auto detection method using a multiple templates matching technique for PCB components detection is described. The new approach using chaotic species based particle swarm optimization (SPSO) is applied to the multi-template matching (MTM) process. To test its performance, the proposed Chaotic SPSO based MTM algorithm is compared with other approaches by using real captured PCB images. The Chaotic SPSO based MTM method is proven to be superior to other methods in both efficiency and effectiveness.