带有梯度加速粒子群算法的盲源分离

研究盲源信号分离算法,针对基于标准粒子群独立分量分析算法的盲源分离存在收敛速度慢、易于陷入局部最优值的问题,提出了一种带有梯度加速粒子群的盲源分离算法.以分离信号的峰度值为目标函数,通过引入梯度信息来影响粒子速度的更新.减小陷入局优的可能性, 当群体最优信息陷入停滞时, 对群体进行部分初始化来保持群体的活性.仿真结果说明,梯度信息的加入使粒子的移动更有针对性,移动更有效率,不仅进一步提高PSO算法的收敛速度,而且使改进的粒子群算法在全局收敛性、稳定性和准确性等方面更有效.     

采用改进的粒子群算法训练CNNE模型

提出用人工智能算法——粒子群优化算法（PSO）对CNNE模型进行训练，并针对标准粒子群算法易限于局部极小点的局限性，采用了一种带有梯度加速的粒子群算法，通过引入梯度信息来影响粒子速度的更新．为防止陷入局部最优，在群体最优信息陷入停滞时，对部分粒子进行重新初始化，从而保持群体的活性，减小群体陷入局优的可能性．采用粒子群算法训练的CNNE模型较原来的分布式最速下降法而言，在保证精度的前提下，提高了算法的收敛速度，解决了发射率的在线实时测量问题．     

一种克服粒子群早熟的混合优化算法

针对粒子群优化算法在寻优时容易出现早熟现象,提出在粒子群收敛停滞时,从种群中随机选择粒子进行共轭梯度法计算,通过引入共轭梯度算法计算的信息来影响粒子速度的更新,以保持群体的活性,从而打破群体信息陷入局部最优的状况.不同于传统的粒子群算法,该算法有机地结合了粒子群的全局搜索能力和共轭梯度法的强大局部搜索能力,从而在一定程度上有效地克服了粒子群早熟的缺点.仿真计算结果表明,该改进粒子群的方法对于不同维数的非线性函数具有很好的寻优效果.     

基于混合粒子群算法的烧结配料优化

在引入惩罚函数和对目标函数进行适当修改的前提下,充分利用粒子群优化算法的全局搜索能力和约束条件下共轭梯度法的局部搜索能力,设计了烧结配料优化算法．利用惩罚函数方法将约束条件优化问题转化为无约束条件优化问题,然后利用粒子群优化算法进行寻优．当群体最优信息陷入停滞时将目标函数进行适当变化,继续利用共轭梯度法进行寻优．计算结果表明,采用该方法能够在提高混合料中的有用成分、降低有害成分的前提下,更多地降低生产成本．     

具有多类型激活函数的RBF网络设计

提出多类型激活函数的径向基网络结构设计方式,网络隐层由薄板样条函数节点和高斯函数节点构成,分别采用改进的粒子群算法和前向局部优化算法对两种类型节点的参数进行学习.改进的粒子群算法综合运用粒子运动过程的启发式信息和样本的梯度信息进行种群迭代,减小了陷入局部极值的概率.前向局部优化算法是一种高斯节点的序贯学习算法,算法采用DFP方法对新增高斯节点的参数进行局部优化,提高了网络的逼近性能.通过解析和工程算例验证了多类型激活函数RBF网络的高拟合能力及其学习算法的有效性.     

基于模式优选思想改进的粒子群优化算法

针对粒子群优化算法（PSO）容易陷入局部最优值的缺点，提出一种基于遗传算法模式定理思想改进的粒子群优化算法（IPSO）．新算法改善了粒子群优化算法摆脱局部极小点的能力．对典型函数的测试表明，IPSO算法的全局搜索能力有了显著提高，特别是对多峰函数能有效地避免早熟收敛问题．将改进的粒子群优化算法用于氧化反应动力学参数的优化，计算结果表明，新算法优化结果明显优于文献报道．     

粒子带质量的粒子群算法

针对粒子群算法在陷入局部最优时难于跳出的缺陷提出了一种带有质量的粒子群算法。该算法受运动学原理启发,粒子位置的更新不仅受自身最优和种群最优的影响,还受到由粒子质量引起的梯度场的影响。当粒子群出现早熟现象时,用电磁学原理与动量守恒定理更新种群的最优位置,使群体能及时摆脱局部最优区域。仿真结果表明,该算法优化4种具有代表性的基准函数,无论是在优化精度方面还是在优化效率方面,均较以往提出的改进粒子群算法在性能上有所改进。     

动态评价免疫微粒群算法在Job-shop调度中的应用

传统粒子群优化算法在解决组合优化问题上具有一定的局限性,通过分析其优化机理,对迭代公式加以改进,提出了改进微粒群算法。算法中,利用遗传算法的交叉思想来完成粒子间的信息交换,以期达到粒子更新。粒子进化过程中,为保留群体中的优秀粒子,使用了加速度这一优化算子。为避免粒子陷入局部搜索,迭代过程中使用免疫算法来动态评价微粒群体。通过大量实验仿真,算法可以有效求解作业车间调度问题,验证了算法的合理性。     

融合分区导向搜索与自适应扩散的新型Lichtenberg算法

针对Lichtenberg算法收敛速度慢、易陷入局部最优等问题，提出融合分区导向搜索与自适应扩散的新型Lichtenberg算法（novel Lichtenberg algorithm，NLA）。根据群体粒子的适应度值将搜索空间分为中心区域和边缘区域，分别利用螺旋系数的动态趋向性和Levy变异的随机性，对中心区域和边缘区域的粒子进行位置更新，提高种群多样性，加强算法的全局搜索能力；引入自适应扩散策略，充分利用群体各个粒子的位置和适应度值信息来指导其进行信息交流，避免算法陷入局部极值，提高算法的局部优化能力。采用CEC2021测试函数和20个不同特点的高维测试函数进行数值实验，并将NLA算法与六种不同类型的智能优化算法进行对比，实验结果表明，NLA算法具有更高的寻优精度和收敛速度。最后验证了两种改进策略对NLA算法的有效性。     

演化信息协助的动态协同随机漂移粒子群优化算法

为了改善随机漂移粒子群算法的群体多样性，通过演化信息的协助，提出动态协同随机漂移粒子群优化（CRDPSO）算法。利用上下文粒子的向量信息，粒子之间的动态协作增加了种群多样性，这有助于提高群体的搜索能力，并使整个群体协同搜索全局最优值。同时在演化过程中的每次迭代，利用二维空间分割树结构来存储算法中的估计解的位置和适应度值，从而实现快速适应度函数逼近。由于适应度函数逼近增强了变异策略，因此变异是自适应且无参数的。通过典型测试函数将CRDPSO算法和差分进化算法（DE）、协方差矩阵适应进化策略算法（CMA-ES）、非重复访问遗传算法（cNrGA）以及三种改进的量子行为粒子群算法（QPSO）进行比较。实验结果表明，不管是对于单峰还是多峰测试函数，CRDPSO的性能均是最优的，证明了该算法的有效性。     

Cellular particle swarm optimization

This paper proposes a cellular particle swarm optimization (CPSO), hybridizing cellular automata (CA) and particle swarm optimization (PSO) for function optimization. In the proposed CPSO, a mechanism of CA is integrated in the velocity update to modify the trajectories of particles to avoid being trapped in the local optimum. With two different ways of integration of CA and PSO, two versions of CPSO, i.e. CPSO-inner and CPSO-outer, have been discussed. For the former, we devised three typical lattice structures of CA used as neighborhood, enabling particles to interact inside the swarm; and for the latter, a novel CA strategy based on “smart-cell” is designed, and particles employ the information from outside the swarm. Theoretical studies are made to analyze the convergence of CPSO, and numerical experiments are conducted to compare the proposed algorithm with different variants of PSO. According to the experimental results, the proposed method performs better than other variants of PSO on benchmark test functions.     

具有拓扑时变和搜索扰动的混合粒子群优化算法

粒子群优化（PSO）算法在求解复杂多峰函数时极易早熟,陷入局部最优无法跳出。研究表明改变粒子间的拓扑结构和调整算法的迭代机制有助于改善种群的多样性,提高算法的寻优能力。因此,提出一种具有拓扑时变和搜索扰动的混合粒子群优化（HPSO-TS）算法。该算法采用K-medoids聚类算法对粒子群进行动态分簇,形成多个异构子群,以利于子群内粒子间进行信息流通。在速度更新中,增加簇最优粒子的引导,并引入非线性变化极值扰动,帮助粒子搜索更多的区域。而后在位置迭代中引入花授粉算法（FPA）中的转换概率,使粒子在全局搜索和局部搜索之间转换。在全局搜索时结合狮群算法中的母狮觅食机制对粒子的位置进行更新;在局部搜索时引入正弦扰动因子,帮助粒子跳出局部最优。实验结果表明所提算法在求解精度和鲁棒性方面明显优于FPA、PSO、改进粒子群算法（IPSO）、具有动态拓扑结构的粒子群算法（PSO-T）;并且随着测试维度和次数的增加,这种优势更加明显。HPSO-TS算法所引入的拓扑时变策略和搜索扰动机制能有效地提高种群的多样性和粒子的活性,从而改善寻优能力。     

基于群体多样性反馈控制的自组织微粒群算法

微粒群算法是一种新型的群智能算法,已被广泛用于各种复杂优化问题的求解,但算法依然面临着过早收敛问题.为克服算法的早熟问题,提出了自组织微粒群算法.将微粒群体视为自组织系统,引入负反馈机制.群体多样性是影响微粒群算法全局优化性能的关键因素,把群体多样性作为个体微粒可感知的群体动态信息,用于动态调整惯性权重或加速度系数,通过不同的特性参数实现微粒的集聚或分散,使群体维持适当的多样性水平以利于全局搜索.用于复杂函数优化问题的求解,并与其他典型改进算法进行了性能比较.仿真结果表明,基于多样性控制的自组织微粒群算法可以有效避免早熟问题,提高微粒群算法求解复杂函数的全局优化性能.     

一种群活性反馈粒子群优化算法

为解决粒子群优化(PSO)算法的早熟收敛问题,提出一种群活性反馈PSO进化算法SAF-PSO。利用群活性加速度作为多样性测度,当群活性加速下降时,对粒子的位置和速度分别执行进化和变异操作,增强粒子跳出局部最优的能力,提高寻找全局最优的几率。对基准函数的仿真结果表明,与其他PSO算法相比,该算法具有更强的全局搜索能力和更高的寻优精度。     

一种基于粒子对称分布多样性的PSO算法

粒子群算法(PSO)在演化的过程中种群多样性越来越差,容易陷于局部最优。为了克服这一缺点,提出一种基于粒子对称分布多样性的改进PSO算法(sdPSO)。对粒子在空间分布的研究发现,粒子在最优解周围更对称的分布可大大提高算法收敛到全局最优解的概率。提出一种种群多样性函数表示方法,并在标准粒子群算法中引入多样性调节算法。由于种群多样性被不断调整,粒子在空间中的分布在对称与非对称之间反复变换,使得改进算法能搜索到更广泛的区域。通过benchmark函数实验仿真,改进sdPSO算法与标准粒子群算法相比,能达到更高的收敛精度。     

基于异维变异的差分混合粒子群算法

针对粒子群(Particle Swarm Optimization,PSO)算法和差分进化(Differential Evolution,DE)算法存在容易陷入局部极值、进化后期收敛速度慢和收敛精度低的局限性,提出了一种基于异维变异的差分混合粒子群(UDEPSO)算法。首先,为了提高群体多样性,使用熵度量初始化粒子;其次,在粒子迭代的过程中,根据粒子的分布特点,引入异维变异学习策略和维度因子以引导粒子及时跳出局部极值达到最优解;最后,将所提算法在10个典型的测试函数上进行了仿真,其在9个测试函数的收敛精度和标准差上取得了显著的效果,远优于PSO算法、DEPSO算法以及CDEPSO算法。实验结果表明,UDEPSO算法在优化收敛精度和效率上具有较强的优势。     

结合梯度法的混合微粒群优化算法

在微粒群优化算法PSO中引入梯度算法,提出了一种新型的混合微粒群优化算法——GPSO。该混合优化算法是对PSO每一次进化后的所有微粒进一步执行梯度法寻优操作,并以寻找到的更优个体替代当前个体参与群体的下一代进化。GPSO既利用了PSO出色的全局搜索能力,又借助梯度法的快速局部寻优能力,很好地将两者的优势结合在一起。数值实验表明：无论是对于低维的多峰函数,还是高维的多峰和单峰病态函数,GPSO都表现出很强的优化效率、适用性和鲁棒性。     

带有引力搜索算子的烟花算法

针对烟花算法(FA) 寻优过程中粒子间信息交流少、对最优点位置不在原点和原点附近的目标函数求解能力差的缺点, 提出带有引力搜索算子的烟花算法(FAGSO). 算子利用粒子间相互引力作用对粒子维度信息进行改善, 以提高算法的优化性能. 6 个标准和增加位置偏移测试函数的仿真结果表明, FAGSO相比于FA、粒子群算法和引力搜索算法, 在寻优速度和寻优精度方面有更好的优化性能.