粒子群优化方法若干特性分析

粒子群优化算法(Particle swarm optimizer, PSO)是一种基于群体智能的优化方法. 本文提出了标准粒子群优化方法按迭代时间展开的一般性描述公式. 在此基础上分析了标准PSO的优化机理, 基于群体社会信息和自身历史经验的情况下,推导了粒子最大搜索空间的数学描述. 通过将粒子运动的一般性描述图解为历史状态加权和的形式, 进一步证明了PSO参数随迭代周期的积累, 在概率意义上的遗忘特性. 分析表明在经过一定周期的搜索后, 标准PSO方法同Barebones粒子群方法(Barebones particle swarm, BBPS)具有近似的搜索机制.从信息传递的角度, PSO的搜索策略是一种在概率意义上具有遗忘特性的历史信息加权求和的结果. 本文的研究结果对标准粒子群算法的一些重要性质(如:遗忘特性、标准PSO与BBPS间的相似性等)进行了合理解释.     

粒子群优化的两种改进策略

粒子群优化方法(particle swarm optimization，PSO)是由Kennedy和Eberhart于1995年提出的，并成功应用于各类优化问题．通过对PSO方法深入分析，把模拟退火和分工两种机制引入到PSO方法中，提出了模拟退火粒子群优化(PSOwSAPSO with simulated annealing)和有分工策略的粒子群优化(PSOwDOWPSO with division of work)，两种不同改进方法，详细阐述了这两种方法的主要思想．测试结果表明，这两种改进方法能够克服传统PSO方法中的不足，增强了粒子群的优化能力．     

粒子群算法求解连续优化问题的性能分析

粒子群优化(PSO)算法是一类有效的随机全局优化技术,适用于求解连续优化问题.它利用一个粒子群搜索解空间,通过粒子间的相互作用发现复杂搜索空间中的最优区域.本文介绍了基本的PSO算法,使用3类代表性的标准测试函数对粒子群算法进行了实验分析,并进一步讨论了PSO算法的寻优性能,提出了PSO求解连续优化问题的性能分析策略.     

基于改进PSO算法的BP神经网络的应用研究

为了克服粒子群优化算法本身存在的早熟和局部收敛的固有问题,在描述了BP神经网络的基本结构的基础上,介绍了粒子群优化算法(PSO)的基本概念,并通过对二者优缺点的分析与比较,结合二者的优势,将粒子矢量位移应用到PSO算法中,并在此基础上,用改进的PSO算法对BP网络进行训练,还利用某商场的部分消费数据进行了实验.结果表明,基于改进的PSO算法的BP网络在收敛速度和精度上都比基于传统的PSO算法好.     

粒子群优化方法在动态优化中的研究现状

作为一种基于群智能的并行随机优化方法,粒子群优化算法（PSO）在优化求解问题中体现出了良好的性能．从提出至今引起了广泛的关注,研究成果也不断涌现．从2000年开始,PSO被用于动态优化问题中．这对PSO的研究提出了新的挑战,对于动态问题的优化不再是在解空间中找到一个最优点,而是要尽可能地在解空间中跟踪运动变化的最优点．对目前为止对于PSO在动态环境优化问题的研究内容进行了分析和总结,介绍了针对动态环境优化问题PSO的改进方法、对环境变化的检测和应对策略、优化性能评价的一系列方法以及各种试验及应用案例．     

群核进化粒子群优化方法

粒子群优化方法（PSO Particle Swarm Optimization）是由Kennedy和Eberhart于1995年提出的进化计算技术,并成功应用于各类优化问题。其基本思想源于对鸟群捕食等群体行为的研究。本文对标准PSO方法进行了分析,给出了“群核”（Swarm-Core）的概念,并在此基础上,提出了群核进化粒子群优化方法（Swarm-Core Evolutionary Particle Swarm Optimization,SCEPSO）,同时把该方法与其它版本PSO方法进行了比较。试验结果表明：在相同环境下,SCEPSO方法能较好地克服传统PSO方法中的不足,测试结果较其它几个版本的PSO方法有很大提高,是非常有效的。     

一种改进快速稳定的多目标优化算法*

多目标优化问题属于高维的搜索空间,用一些传统方法来优化这些问题会导致较高的时间复杂性.为了解决该问题,使用了粒子群优化算法(PSO),同时将ε-dominance的概念应用到PSO中.该方法在实验过程中取得了良好的效果.其运算速度快,而且最终优化的点数可以得到控制.     

基于微分演化的PSO参数选择策略

粒子群优化方法（Particle Swarm Optimization，PSO）是由Kennedy和Eberhart于1995年提出的一种基于群体智能（Swarm Intelligence）的演化计算技术，用于求解各类优化问题。PSO方法通过各种参数控制粒子的运行轨迹，并对参数设置有很强的敏感性。因此，如何为PSO方法选择最优的参数是PSO方法的关键。本文提出了一种不依赖个人经验的参数选则策略，针对特定问题，将PSO方法的性能表示成参数的函数，从而将参数选择问题转变成函数优化问题。采用微分演化（Differential Evolution，DE）方法对该函数进行优化，来确定PSO的最佳参数，收到了较好的效果。     

粒子群优化算法研究进展

粒子群优化(PSO)算法作为一种仿生进化算法,是受到自然界生物群体行为机制的启发而提出的.本文首先介绍PSO算法的基本原理和工作机制.然后着重就PSO算法的理论和应用研究现状进行综述,包括PSO算法的改进、PSO算法的参数设置、PSO算法的收敛性、PSO算法与其它算法的融合以及PSO算法在优化领域的典型应用,并进一步分析它们的研究重点和发展方向.最后是关于PSO算法面临的问题和研究展望,提出PSO算法研究中值得探讨的一些课题.     

一种基于差异演化的协同粒子群优化算法

提出一种协同进化PSO算法,用于保持粒子种群的多样性并避免发生“早熟”的问题．该方法采用两个不同的分群;其中分群一的粒子采用标准PSO算法进行搜索寻优,分群二的粒子采用差异演化算法进行搜索和寻找最优解．在搜索过程中,如果标准PSO算法的适应度变化率低于一个阈值,则按照黄金分割率用分群二中的若干优势粒子取代分群一中的劣势粒子．用所提出的PSO算法和标准PSO算法对4种常用函数进行优化．结果表明,该粒子群优化算法比标准粒子群优化算法更容易找到最优解,而且优化效率和优化性能明显提高．     

多种群并行协作的粒子群算法

针对高维复杂优化问题在求解时容易产生维数灾难导致算法极易陷入局部最优的问题,提出一种能够综合考虑高维复杂优化问题的特性,动态调整进化策略的多种群并行协作的粒子群算法。该算法在分析高维复杂问题求解过程中的粒子特点的基础上,建立融合环形拓扑、全连接形拓扑和冯诺依曼拓扑结构的粒子群算法的多种群并行协作的网络模型。该模型结合3种拓扑结构的粒子群算法在解决高维复杂优化问题时的优点,设计一种基于多群落粒子广播-反馈的动态进化策略及其进化算法,实现高维复杂优化环境中拓扑的动态适应,使算法在求解高维单峰函数和多峰函数时均具有较强的搜索能力。仿真结果表明,该算法在求解高维复杂优化问题的寻优精度和收敛速度方面均有良好的性能。     

含区间参数多目标系统的微粒群优化算法

参数不确定优化问题是实践中经常遇到的复杂优化问题, 现有方法多针对单目标函数的情况. 本文利用微粒群优化算法解决含区间参数多目标优化问题, 提出一种基于概率支配的多目标微粒群优化算法. 该算法通过定义概率支配关系, 比较所得解的优劣; 基于 σ 区间值, 选择微粒的全局极值点, 并给出新的微粒个体极值点及外部储备集的更新策略. 与传统多目标微粒群优化算法比较, 仿真结果表明本文所提算法的有效性.     

量子微粒群在波阻抗反演中的应用

求解的局部性和计算速度慢是目前非线性波阻抗反演存在的主要缺陷。在与微粒群算法进行比较的基础上,研究了量子微粒群反演算法。数值实验结果表明,与微粒群反演相比,量子微粒群波阻抗反演在收敛速度和避免陷入局部极小等方面有着一定的优势,适合于非线性反演问题,该方法也适用于其他领域非线性最优化问题的求解,具有较强的普适性。     

微粒群优化算法研究现状及其进展

对进化计算中引起广泛兴趣的微粒群优化(PSO)算法的研究现状进行了考察，介绍了一些最新研究进展，包括：杂交PSO、基于邻域算子的PSO和基于不同搜索方向的PSO，并简要介绍了PSO在求解复杂优化问题如多目标优化和带约束优化中的优势。最后给出了一些应用实例，讨论了将来可能的研究内容。     

基于混沌搜索的粒子群优化算法

粒子群优化算法(PSO)是一种有效的随机全局优化技术。文章把混沌优化搜索技术引入到PSO算法中,提出了基于混沌搜索的粒子群优化算法。该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高的算法的收敛速度和计算精度。仿真计算表明,该算法的性能优于基本PSO算法。     

求解非线性约束问题的混合粒子群优化算法

将处理约束问题的乘子法与改进的粒子群算法相结合,提出了一种求解非线性约束问题的混合粒子群算法。此算法兼顾了粒子群优化算法和乘子法的优点,对迭代过程中出现的不可行粒子,利用乘子法处理后产生可行粒子,然后用改进的粒子群算法来搜索其最优解,这样不仅减小了粒子群算法在寻优过程中陷入局部极小的概率,而且提高了搜索精度。数值试验结果表明提出的新算法具有搜索精度更高、稳定性更强、鲁棒性更好等特点。     

双中心粒子群优化算法

粒子群优化(PSO)算法是一种新兴的群体智能优化技术,由于其原理简单、参数少、效果好等优点已经广泛应用于求解各类复杂优化问题.而影响该算法收敛速度和精度的2个主要因素是粒子个体极值与全局极值的更新方式.通过分析粒子的飞行轨迹和引入广义中心粒子和狭义中心粒子,提出双中心粒子群优化(double center particle swarm optimization,DCPSO)算法,在不增加算法复杂度条件下对粒子的个体极值和全局极值更新方式进行更新,从而改善了算法的收敛速度和精度.采用Rosenbrock和Rastrigrin等6个经典测试函数,按照固定迭达次数和固定时间长度运行2种方式进行测试,验证了新算法的可行性和有效性.     

有等式约束优化问题的粒子群优化算法

目前大多数粒子群优化算法针对无约束优化问题或不等式约束优化问题，求解有等式约束优化问题的方法是把每个等式约束变成两个不等式约束，这种方法的缺点是在进化过程中粒子位置很难满足等式约束条件，影响了收敛速度和解的精度。提出了求解有等式约束优化问题的两种新粒子群优化算法，数值试验结果表明，算法是有效的。     

基于粒子群算法的多匝道协调控制

高速公路入口多匝道协调控制是调节各个入口匝道进入到主线的交通量,从而使主线交通流处于最佳状态。由于多个入口匝道相互关联和相互影响,多匝道协调控制具有强的耦合性、非线性和时变性。针对上述问题,提出了一种基于系统分层和粒子群优化算法的控制方法。首先论述了高速公路多匝道系统的原理模型;然后阐述了多匝道协调控制系统的实现,系统由协调控制层和直接控制层组成,其中前者负责模型选择、参数调整和确定期望的密度轨迹,后者采用比例积分微分控制器实施控制,并引入粒子群算法对控制器的比例系数、积分系数和微分系数进行优化;最后进行了仿真实验。结果表明,当高速公路出现交通拥堵时,系统能够快速地消除拥堵,并使主线交通流趋于稳定。该方法为高速公路多匝道控制提供了一种切实可行的新途径。     

独立自适应调整参数的粒子群优化算法

针对传统粒子群优化算法在求解复杂优化问题时易陷入局部最优和依赖参数的取值等问题,提出了一种独立自适应参数调整的粒子群优化算法。算法重新定义了粒子进化能力、种群进化能力以及进化率,在此基础上给出了粒子群惯性权重及学习因子的独立调整策略,更好地平衡了算法局部搜索与全局搜索的能力。为保持种群多样性,提高粒子向全局最优位置的收敛速度,在算法迭代过程中,采用粒子重构策略使种群中进化能力较弱的粒子向进化能力较强的粒子进行学习,重新构造生成新粒子。最后通过CEC2013中的10个基准测试函数与4种改进粒子群算法在不同维度下进行测试对比,实验结果验证了该算法在求解复杂函数时具有高效性,通过收敛性分析说明了算法的有效性。