三群粒子群优化算法及其在丙烯腈收率软测量中的应用

提出了一种三群粒子群优化算法（THSPSO, three sub-swarms particle swarm optimization）．该算法将整个粒子群分为三群，第一群粒子朝全局历史最优方向飞行，第二群粒子朝着相反方向飞行，第三群粒子在全局历史最优位置周围随机飞行．分别将该算法和基本粒子群优化算法（PSO, particle swarm optimization）用于一些常用测试函数的优化问题；结果表明,与PSO相比，THSPSO具有更好的优化性能．然后，用THSPSO训练神经网络，并将其用于丙烯腈收率软测量建模，结果显示了三群粒子群优化算法在丙烯腈软测量建模中的可行性与有效性．     

总结性自适应变异的粒子群算法

针对粒子群优化(particle swarm optimization,PSO)算法在迭代期间易陷入局部最优及寻优精度不高的缺点,提出一种总结性自适应变异的粒子群算法SCVPSO(self-conclusion and self-adaptive variation particle swarm optimizatio...     

一种更简化而高效的粒子群优化算法

针对基本粒子群优化(basic particle swarm optimization,简称bPSO)算法容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,采用简化粒子群优化方程和添加极值扰动算子两种策略加以改进,提出了简化粒子群优化(simple particle swarm optimization,简称sPSO)算法、带极值扰动粒子群优化(extremum disturbed particle swarm optimization,简称tPSO)算法和基于二者的带极值扰动的简化粒子群优化(ext     

经验粒子群算法在飞机着陆调度中的应用

为高效解决飞机着陆调度问题,对其离散解空间进行连续化编码,提出经验粒子群（experiential particle swarm optimization , EPSO）算法。提炼飞机着陆调度问题中的领域知识作为每个粒子的经验,优化粒子群算法的寻优过程,增加算法的稳定性。引入控制工程领域中的滚动时域控制（receding horizon control , RHC）策略,在尽量考虑问题完整性的前提下,最大限度降低求解的复杂度,形成最终的RHC‐EPSO算法。实验结果表明,该算法能够比现有算法更加高效和稳定地找到飞机着陆调度问题的最优解。     

一种基于网格划分的自适应粒子群优化算法*

为了提升粒子群优化算法(particle swarm optimization, PSO)的性能,提出了一种基于网格划分的自适应粒子群优化(grid-based adaptive particle swarm optimization, GAPSO)算法和基于网格划分的多样性计算方法,并设计了初始种群多样性最大化(maximal diversity algorithm for the initial swarm,MDAIS)算法。GAPSO分为两个阶段：根据粒子对多样性的贡献自适应调整粒子的进化方向,使种     

基于菌群-粒子群算法的混合有源滤波器中无源滤波器多目标优化设计

采用粒子群优化算法（particle swarm optimization,PSO）和菌群优化算法（bacterial foraging optimization,BFO）相结合的、带有随机惯性因子和异步时变学习因子的改进型BFO-PSO优化算法,解决混合型有源滤波器中无源滤波器参数优化设计问题。通过将滤波器的无功补偿...     

一种动态改变学习因子的简化粒子群算法

基本粒子群优化算法(basic particle swarm optimization,简称bPSO)具有容易陷入局部极值,进化后期熟练速度慢,精度低等缺陷,而简化粒子群算法(simple particle swarm optimization,简称sPSO)在保证了熟练速度和精度的同时舍弃了速度项,使算法更加简练。本文提出了一种动态改变学习因子的简化粒子群算法。经过实验证明,该算法在寻优精度和收敛速度上具有明显的优势。     

基于文化粒子群算法的KPCA特征提取*

如何选择最优或接近最优的核函数使分类错误率降低,是KPCA应用于特征提取的关键。为了优化核 函数,提高特征提取的能力并降低分类错误率,在研究了文化算法（cultural algorithm, CA）、粒子群优化（particle swarm optimization, PSO）相关文献的基础上,提出了一种文化粒子群算法（cultural based PSO, CBPSO）流程,并 将此算法用于训练核函数参数,实现了KPCA和CBPSO的集成,有效地提高了核函数的优化选择。通过比较 CBPSO-KP     

基于线图与PSO的网络重叠社区发现

从优化模块度的角度出发,引入线图理论,给出线图的硬划分与原 图的有重叠划分相对应的理论证明, 提出了一种基于线图与粒子群优化技术的网络重叠社区发现算法(Communities discovery based on line graph and particle swarm optimization, LGPSO), 该方法通过粒子群优化 (Particle swarm optimization, PSO)算法寻找网络对应线图的最优划分来发现网络重叠社区, 实验结果显示,该方法能够在无先验信息的条件下快速有效地揭示网络的重叠社区结构.     

保持粒子活性的改进粒子群优化算法

针对基本粒子群优化算法（particle swarm optimization, 简称PSO）存在的早熟收敛问题,提出了一种保持粒子活性的改进粒子群优化（IPSO）算法。当粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,使粒子能够有效地进行全局和局部搜索。通过对4种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度,而且能够更有效地进行全局搜索。     

凿岩机器人钻臂定位控制交叉精英反向粒子群算法

在利用粒子群优化算法(particle swarm optimization,PSO)进行凿岩机器人钻臂定位过程中,存在收敛速度慢和易于陷入局部最优解等问题.为此,提出一种交叉精英反向粒子群优化算法(crossover elite opposition-based particle swarm optimization,CEOPSO)并给出算法的流程.建立凿岩机器人钻臂运动学模型并对其逆向运动学进行求解.将交叉算子引入EOPSO中,采用自适应惯性权重和交叉概率参数控制技术,在维护粒子个体与最优解之间信息交换的基础上,增加粒子个体之间的信息交换,提高算法的全局搜索能力和钻臂定位效率.仿真结果表明,CEOPSO的平均位置误差和平均姿态误差均小于PSO和EOPSO算法,且迭代过程平稳,可以有效提高凿岩机器人钻臂的定位控制性能.     

基于改进粒子群算法的PID控制参数优化

针对粒子群优化算法(particle swarm optimization algorithm,PSO)后期易陷入局部最优解这一缺陷,提出一种惯性权重余弦调整的粒子群优化算法(IWCPSO)。在迭代过程中对惯性权重引入余弦变化,改善迭代后期的不足,提高算法的精度。在matlab 2016仿真环境下,与Ziegler-Nichols(ZN)公式法和惯性权重正弦调整的粒子群优化算法(SIPSO)在PID控制参数优化方面的应用效果对比得出该算法是一种使得PID控制系统响应函数性能指标更好,整定结果更精确的算法。     

基于文化算法多种群协作SVM选择集成算法

针对离散二进制粒子群(binary particle swarm optimization,BPSO)算法在解决SVM集成选择问题时容易早熟的问题,提出了一种文化算法架构下的多种群协作算法(Ca-MultiPop).结合BPSO算法的快速演化能力,利用遗传算法(genetic algorithm,GA)增加种群的多样性;在两种进化算法中使用不同的适应度函数,兼顾了集成精度和基分类器之间的差异性.仿真结果表明,该算法在计算精度方面相对于BPSO算法在解决SVM集成选择问题时有所提高.     

基于事件触发的全信息粒子群优化器及其应用

针对标准粒子群优化算法存在早熟收敛和容易陷入局部最优的问题,本文提出了一种基于事件触发的全信息粒子群优化算法(Event-triggering-based full-information particle swarm optimization, EFPSO).首先,引入一类基于粒子空间特性的事件触发策略实现粒子群优化算法(Particle swarm optimization, PSO)的模态切换,更好地维持了算法搜索和收敛能力之间的动态平衡.然后,鉴于引入历史信息能够降低算法陷入局部最优的可能性,提出一种全信息策略来克服PSO算法搜索能力不足的缺陷.数值仿真实验表明, EFPSO算法在种群多样性、收敛率、成功率方面优于其他改进的PSO算法.最后,应用EFPSO算法对变分模态分解(Variational mode decomposition, VMD)去噪算法进行改进,并在现场管道信号去噪取得了很好的效果.     

基于改进自适应PSO算法的WSN覆盖优化方法

在标准粒子群优化（particle swarm optimization, PSO）算法的基础上提出了一种带有动态惯性权重的自适应粒子群算法, 以实现移动WSN对被监测区域的覆盖。新算法引入了粒子群进化度因子和粒子群聚合度因子, 这两个因子的数值主要受粒子群的平均适应值、局部最优值和全局最优值影响。使用这两个因子调整惯性权重会使算法带有一定的自适应性, 这种自适应性使得算法在迭代过程中既不会因步长过小而局部收敛, 也不会因步长过大而跳过待求解问题的最优值。仿真结果表明, 相比标准PSO算法, 改进后的自适应PSO算法使移动WSN的覆盖率提升了5%~8%。     

基于SA-PSO的多态路径测试数据生成方法

目前测试数据生成方法多数未考虑到面向对象软件的多态特性,无法运用生成的测试数据对程序的多态信息进行充分的测试。根据多态路径测试数据生成的要求,提出了一种应用模拟退火—粒子群优化(simulated annealing-particle swarm optimization,SA-PSO)混合算法在多态路径测试中生成测试数据的方法,并通过多态性实例对基本粒子群算法、遗传算法、PSO-GA（particle swarm optimization-genetic algorithm）和SA-PSO算法在相同条件     

动态优化环境下的群核进化粒子群优化方法

粒子群优化方法是由Kennedy和Eberhart于1995年提出的一种基于群体智能（swarm intelligence）的进化计算技术．定义了“群核”（swarm—core）的概念，并在此基础上，提出了基于群核进化的粒子群优化方法（swarm—core evolutionary particle swarm optimization，SCEPSO），在SCEPSO方法中，为增强群体的优化能力，把群体分成了3个子群体，并且每个子群体有各自不同的“分工”．同时研究了SCEPSO方法对连续变化的最优点的动态跟踪能力，在3种动态优化模型下进行了实验．实验结果表明，与传统PSO方法相比，SCEPSO方法能够可靠并精确地跟踪连续变化的全局最优解．     

一种遗传算法与粒子群优化的多子群分层混合算法

针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点, 本文从种群个体组织结构上着手, 进行优势互补, 提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization, HGA–PSO). 算法采用分层结构, 底层由一系列的遗传算法子群组成, 贡献算法的全局搜索能力; 上层是由每个子群的最优个体组成的精英群, 采用钳制了初始速度的粒子群算法进行精确局部搜索. 文中分析论证了HGA–PSO算法具有全局收敛性, 并采用7个典型高维Benchmark函数进行测试, 实验结果显示该算法的优化性能显著优于其他测试算法.     

A*初始化的变异灰狼优化的无人机路径规划

无人机（unmanned aerial vehicle,UAV）路径规划问题是无人机任务规划系统的重要组成部分,需要在一个存在威胁区的搜索空间中获得最优路径。为解决灰狼优化算法存在收敛速度慢、容易陷入局部最优等问题,提出了一种基于A*初始化的变异灰狼优化算法。该算法首先将模型离散化,进而使用A*算法进行头狼的初始化,使后续算法有一个较优的起点,随后通过简化后的灰狼优化算法在连续模型上构建和更新种群,在迭代过程中,通过新提出的一种新型修正变异算子优化种群。利用三次B样条平滑后的无人机航迹,符合无人机的性能要求。经实验验证,算法在代价收敛速度、求取的最终路径以及算法稳定性方面均优于粒子群算法（particle swarm optimization,PSO）、灰狼优化算法（gray wolf optimizer,GWO）、共生生物搜索算法（symbiotic organisms search,SOS）算法,在解决无人机路径规划问题上具有较高的应用价值。     

采用位置混沌重构的入侵杂草优化在盲源分离的应用

传统盲源分离（blind source separation,BSS）优化算法的应用场合非常有限,而且分离性能不高,为此提出了一种新的采用位置混沌重构的入侵杂草优化算法（invasive weed optimization,IWO）,并对其在盲源分离的应用进行了研究。新算法在每轮更新的初期驱动选出的较优个体向此时种群的最优个体做适当距离的移动,这样不仅会增加种群的多样性,避免算法出现早熟,而且收敛速度也较快。盲信号分离仿真实验证实,与标准IWO、粒子群优化算法（particle swarm optimization,PSO）和自然梯度算法（natural gradient,NG）相比,新算法的性能优势明显,收敛速度较快,分离精度较高。