基于扩散机制的杂交粒子群优化算法*

为了解决标准粒子群优化算法容易陷入局部极小值的问题,模拟统计物理和热力学中的扩散现象,设计了一种扩散机制,根据扩散定律和扩散系数公式,给出了粒子的扩散能、种群的温度和粒子的扩散概率三个定义和扩散池的概念;并把这种策略和多父体杂交算子结合起来,提出了基于扩散机制的杂交粒子群优化算法。该算法在具有欺骗性的多模态函数优化和非线性模型参数估计等实际问题上取得了较理想的实验结果,证实了扩散机制和多父体杂交策略可以有效地改善粒子群优化算法的性能。     

基于自适应多种群的粒子群优化算法

为了平衡算法的探测能力和开采能力,提高粒子群算法在不同类型问题上的综合性能,提出了一种基于自适应多种群的粒子群优化算法（PSO-SMS）。算法包含重组、子群规模调整和探测三个模块。在演化初始阶段,整个种群被划分成许多子种群。重组模块使不同子群间可以共享优势信息,有利于单峰和多峰函数的优化。当种群陷入潜在的局部最优时,探测模块可基于搜索过程的一些历史信息,帮助跳出当前的局部最优。通过子群规模调整,每个子种群的大小随着进化的过程而逐渐增加,有利于提高算法在初始阶段的探测能力和后期的开采能力。通过CEC2013的测试集与其他七种PSO算法的比较表明,PSO-SMS算法在解决不同类型的函数优化问题上有着突出的性能表现。     

动态环境下的种群扩散粒子群优化算法

传统的粒子群优化算法在优化过程中难以有效地监测环境的动态变化和响应。针对上述问题,通过增加外围监测粒子加强监测有效性,提出一种可以动态响应环境变化的种群多样性扩散函数,在此基础上设计一种扩散粒子群优化算法(DPSO),在动态环境中与APSO、CPSO进行比较,实验结果表明,DPSO可以更有效地跟踪动态环境下极值的变化并快速收敛。     

基于异构多种群策略的动态概率粒子群优化算法

结合动态概率粒子群优化算法(DPPSO)特点,针对传统的单种群粒子群优化算法易陷入局部最优、收敛速度较慢的缺点,文中提出一种基于异构多种群策略的DPPSO.该算法在进化过程中保持多个子种群,每个子种群以不同的DPPSO变体进行进化,子种群之间根据一定规律进行通信,从而保持整个种群内部的信息交流,进而协调DPPSO的勘探和开采能力.通过典型的Benchmark函数优化问题测试并分析基于异构多种群策略的DPPSO性能,结果显示,使用该策略的算法收敛速度较快,稳定性有较显著提高,具有较强的全局搜索能力.     

基于布朗运动的改进粒子群优化算法*

为了改善粒子群优化算法的收敛速度,在布朗运动和伊藤过程的启示下,提出了一种混合布朗运动和粒子群优化算法这两种思想的改进算法。通过对布朗运动和伊藤过程进行抽象,设计了漂移算子和波动算子。漂移算子保留了粒子的位置属性,但没有了速度属性,并引入了吸引子的概念,借鉴差分变异算子设计了波动算子。通过解决典型的复杂函数优化问题,实验结果表明,改进算法具有收敛速度快的特点,并具有良好的健壮性和稳定性。     

基于动态多种群的多目标粒子群算法

研究进化算法在求解多目标优化问题时,极易陷入到伪Pareto前沿(等价于单目标优化问题中的局部最优解),为了提高优化过程,提出一种基于动态多种群的多目标粒子群算法(DMSMOPSO).在DMSMOPSO算法中,为了增加种群的多样性,提升粒子跳出局部最优解的能力,采用多子群进行搜索并且子群是动态地进行构建;采用K-均值聚...     

基于种群关系的多种群粒子群协同优化算法

传统粒子群优化算法容易陷入局部最优解,搜索效率不高,针对此问题,提出了一种基于种群关系和斥力因子的多种群粒子群优化算法SRB-PSO (Swarm-Relation-Based PSO).根据当前搜索结果定义种群之间统治、对等和被统治3种关系,通过引入斥力因子来保证种群间搜索的多样性,并通过统治和被统治关系提高算法的搜索效率,从而在改善算法的全局搜索性能的同时提高解的质量.将算法与其他几种主流粒子群优化改进算法在标准测试集上进行对比,实验结果证明了SRB-PSO算法能较好地保持粒子多样性,全局搜索能力强,在解决多峰函数时的性能优于其他几种主流粒子群优化改进算法.     

粒子群优化算法种群规模的选择

介绍了相关文献对粒子群优化算法种群规模的建议,分析了种群规模与问题维度、搜索速度、精度及稳定性之间的关系,提出了一种选择种群规模的更精确的方法。选用了2个经典测试函数分别在维度为20、60、100和200的情况下,对20、40、60、80共4种不同的种群规模进行了函数优化实验。对实验结果进行了分析,给出了种群规模的一个一般性的建议,并且提出了一种基于实验的,利用种群规模与精度、时间关系图来选择种群规模的方法。     

多种群粒子群优化算法

将一定规模的粒子群平分成三个子群,并分别按基本粒子优化算法、ω自线性调整策略的粒子群算法和云自适应粒子群算法三种不同规则进化,既保持各个子群和算法的独立性和优越性,又不增加算法的复杂性,并提出“超社会”部分,重新定义了速度更换式子,同时还引入了扩张变异方法和扰动操作。实验仿真结果表明,给出算法的全局搜索能力、收敛速度,精度和稳定性均有了显著提高。     

一种基于混沌优化机制的双粒子群优化算法

针对标准粒子群优化算法PSO(Particle Swarm Optimization)在处理高维复杂函数时存在收敛速度慢、易陷入局部最优和算法通用性不强等缺点,提出了一种基于混沌优化机制的双粒子群优化算法.它借鉴群体适应值方差的早熟判断机制,同时提出了一种逐步缩小搜索变量空间的新方法.典型数值实验表明,该算法效率高、优化性能好、对初值具有很强的鲁棒性.尤其是该算法具有很强的避免局部极小能力,其性能远远优于单一优化方法.     

基于PSO的确定性问题优化研究

粒子群算法原理简单，易于实现，是进化算法中优化效率很高的算法。针对确定环境下的问题优化，提出采用粒子群算法对其进行优化求解。通过对确定性环境下的Benchmark函数的算法仿真研究，表明粒子群算法在确定性问题优化中具有快速收敛性和精确性的特点。     

基于种群熵的多粒子群协同优化

提出了一种基于种群熵的多粒子群协同优化算法,通过引入熵对种群粒子的分布性进行度量,然后利用它来引导在多种群协同演化中粒子迁徙的时间和方向,从而保持粒子在寻优过程中的多样性和快速性。通过四个典型测试函数的仿真说明了该算法具有摆脱局部极值能力和较高的收敛速度。     

基于粒子群算法的WSN覆盖优化

为了提高无线传感器网络性能,针对节点的分布与覆盖方案进行了研究,将拟物力算法中的拟万有引力和拟库仑力与粒子群算法相结合,提出了一种基于惯性权重的拟物粒子群算法。增强了算法全局搜索能力,更快地收敛至全局最优解,减少算法时耗和重复覆盖。仿真结果证明新的算法比基本粒子群和基于惯性权重的标准粒子群算法的全局收敛速度更快,覆盖率更高,重复覆盖的比率更低。     

基于动态距离阈值和重生机制的动态微粒群优化*

通过给标准微粒群引入动态距离阈值,将微粒分为最佳位置附近和最佳位置之外两类,让最佳位置附近的微粒进行集中搜索,让之外的微粒进行分散搜索,合理地平衡了两者的矛盾,使得在微粒多样性保持基本稳定的情况下,实现了收敛速度的提高。对没有任何贡献的死亡微粒进行重生,既可以有效地抑制微粒多样性的减少,又能使搜索跳出局部最优。通过仿真实验证实了这种算法是既能增加收敛性又能提高微粒的多样性。     

基于自主学习和精英群的多子群粒子群算法

为了提高动态多子群粒子群算法中粒子学习的自主性,提出一种基于自主学习和精英群的粒子群算法.该算法借鉴教育心理学自主学习的理念,用基础群中粒子自主选择学习对象的操作代替子群的重组操作,并通过精英群局部搜索的配合来达到寻优的目的.将所提出的算法应用于6个测试函数,并与动态多子群PSO等算法进行了比较,比较结果表明,新算法在提高收敛速度、精度和寻优时间等方面具有良好的性能。     

基于P系统的粒子群优化算法

为了克服算法早熟收敛问题并提高算法精度, 引入了膜计算理论。将PSO算法与P系统相结合, 提出了一种基于P系统的粒子群优化算法 (P-PSO), 有效地平衡粒子群的全局搜索和局部寻优。采用常用的三个测试函数对新算法进行了实验, 结果表明, 提出的P-PSO算法有效地解决了算法早熟问题, 提高了算法的收敛精度。由此可见, P-PSO算法能够有效改进原有PSO算法的性能。     

基于粒子群算法协同优化基坑支护问题

城市深基坑支护的优化设计存在着层次性且不同层次间的设计相互影响,为此设计了一种协同智能优化算法:协同演化优化算法,并在协同演化优化中运用粒子群算法来加快演化速度,简化优化过程。分析了协同演化优化系统中子系统优化间存在的冲突和处理方法。最后以锚固式排桩支护和截水帐幕的并行协同设计,验证了该算法的有效性。     

基于模拟退火算法的可逃逸粒子群算法

通过引入模拟退火算法来保证PSO的全局收敛性,在群体最优信息陷入停滞时引入位置逃逸机制保持前期搜索速度快的特性。仿真结果表明本算法不但具有好的全局收敛性,而且有好的收敛速度。