克服恋食行为的PSO算法改进研究

基本粒子群优化算法(PSO)存在易陷入局部极值的缺点.为此,研究鸟群迁徙觅食中的行为习惯,以加强PSO的鸟群社会模型和对鸟群行为的模拟.在所提出的改进算法中,历史飞行速度在实际觅食中不作为判断因子,只有发生位置重复时粒子才发生变异或摄动,以此增强粒子群优化算法跳出局部最优解的能力.实验结果表明,新算法的全局搜索能力有了显著提高.

     

基于觅食算子的粒子群优化算法

针对粒子群优化算法PSO（Particle Swarm Optimization）容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点,把人工鱼群算法中的觅食算子改进后引入到基本PSO算法中,提出了一种具有觅食算子的PSO算法。算法在每次迭代后,对全局最优结果执行小规模觅食算法进行局部寻优,并用优化结果代替全局最优结果,从而防止PSO算法陷入局部极小,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度。仿真结果表明,该算法的优化性能优于基本PSO算法。     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

基于仿生学改进的粒子群算法

针对标准粒子群算法收敛速度慢和易陷入局部最优的局限性,提出了一种基于仿生学改进的粒子群算法。即通过在标准粒子群公式中加入负梯度项,使算法更加符合鸟群觅食的实际规律,同时使算法的全局和局部搜索能力得到了平衡。仿真对比结果表明,改进的粒子群算法减小了陷入局部极值的可能性,能够提高最优解的精度和优化效率。     

基于粒子群算法的模糊控制在倒立摆中的应用

粒子群算法是一种仿生进化算法,源于对鸟群觅食行为的模拟,由于其计算简单、快速,被广泛应用.但是,基本粒子群算法在求解的过程中存在着全局搜索能力和局部求精能力两个性能指标之间的矛盾,算法容易陷入局部极值,进化后期的收敛速度慢.针对上述问题,提出了基于混沌变异算子的粒子群算法,可以使粒子摆脱局部极值,继续优化,加快收敛速度.将基于混沌变异的粒子群算法与模糊算法相结合,用于控制倒立摆系统的平衡.仿真实验表明,混沌变异粒子群算法优化了倒立摆系统模糊控制器的设计,改善了控制效果.     

基于细菌觅食趋化算子的PSO算法*

PSO算法是模拟鸟群觅食的一种解决优化问题的仿生算法,为了避免其在优化过程中过快陷入局部极值的缺陷,提出一种新的基于细菌觅食趋化算子PSO算法。结合细菌觅食算法的局部搜索优势,将其趋化思想引入到PSO算法中。通过典型函数优化测试表明,该算法可以有效弥补PSO算法精度不高、容易陷入局部最优的缺陷。新算法是一种全局优化算法,适用于解决复杂特别是多峰不规则的函数优化。     

基于细菌觅食机理改进粒子群算法的研究

粒子群算法与细菌觅食算法在优化问题中均体现了较好的性能,但由于各自特定的进化机制,也都存在缺点。粒子群优化（PSO）算法在优化过程中过快陷入局部极值,为了避免这个缺陷,提出了一种新的混合算法。通过PSO算法完成整个空间的全局搜索,通过细菌觅食算法（BFOA）中的趋向性运动算子完成局部搜索的功能,再通过典型函数进行测试,结果表明新算法可以有效弥补细菌觅食算法速度不快和粒子群算法精度不高的缺陷,同时部分地避免了局部收敛的问题,从而适用于解决复杂函数的优化问题。     

粒子群算法及其哲学启示

粒子群优化（PSO）算法是一种模拟自然生物群体（swarm）行为的优化技术。PSO算法源于对鸟群觅食行为的研究,该算法简单易实现,可调参数少,已得到广泛研究和应用。PSO算法不仅仅是种算法,更是一种学习和思维的创新,体现出学科之间交互所发生的一些突破。它不但是计算机理论上极大的理论创新,而且在哲学上也具有丰富的内涵。对此进行了论述。     

基于粒子群算法的模糊控制在倒立摆中的应用

粒子群算法是一种仿生进化算法,源于对鸟群觅食行为的模拟,由于其计算简单、快速,被广泛应用。但是,基本粒子群算法在求解的过程中存在着全局搜索能力和局部求精能力两个性能指标之间的矛盾,算法容易陷入局部极值,进化后期的收敛速度慢。针对上述问题,提出了基于混沌变异算子的粒子群算法,可以使粒子摆脱局部极值,继续优化,加快收敛速度。将基于混沌变异的粒子群算法与模糊算法相结合,用于控制倒立摆系统的平衡。仿真实验表明,混沌变异粒子群算法优化了倒立摆系统模糊控制器的设计,改善了控制效果。     

基于周期性演化策略的粒子群优化算法

针对标准粒子群优化算法(PSO)在寻优过程中容易出现早熟的问题,提出一种基于周期性演化策略的粒子群优化算法.该策略通过在速度更新方程中构建基于粒子群能量的粒子群最优值扰动项,使得粒子群能量在演化过程中可以周期性变化.相比标准PSO算法,当粒子群能量较大时,能够增强局部搜索能力;当粒子群能量较小时,能够增强全局搜索能力.典型优化问题的仿真结果表明,所提出的算法与线性下降惯性权重粒子群优化(LWPSO)和PSO算法相比,优化性能得到了显著提高.     

具有启发式探测及自学习特征的降维对称微粒群算法

提出对称微粒群算法SymPSO_HD,用以提高PSO算法的搜索能力。引入种群分布熵以保证种群的分布性;引入具有探测特征的启发式粒子,用以影响普通粒子的位置;提出邻域内的克隆变异选择策略及全局范围内的降维对称粒子策略,用以增强粒子的局部及全局学习能力。仿真实验及分析结果表明,SymPSO_HD算法搜索能力稳定,适应性强,能以较大概率收敛到全局最优。     

一种新的混合粒子群算法求解置换流水车间调度问题

针对粒子群算法易早熟的缺点,提出了一种结合迭代贪婪(IG)算法的混合粒子群算法。算法通过连续几代粒子个体极值和全局极值的变化判断粒子的状态,在发现粒子出现停滞或者粒子群出现早熟后,及时利用IG算法的毁坏操作和构造操作对停滞粒子和全局最优粒子进行变异,变异后利用模拟退火思想概率接收新值。全局最优粒子的改变会引导粒子跳出局部极值的约束,增加粒子的多样性,从而克服粒子群的早熟现象。同时,为了使算法能更快找到或逼近最优解,采用了循环迭代策略,在阶段优化结果的基础上,周而复始循环迭代进行求解。将提出的混合粒子群算法应用于置换流水车间调度问题,并在问题求解时与几个具有代表性的算法进行了比较。结果表明,提出的算法能够克服粒子群早熟,在求解质量方面优于其他算法。     

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（PS0）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PS0算法中,并在此基础上,用改进的PS0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PS0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。     

动态粒子群优化算法

针对普通粒子群优化算法难以在动态环境下有效逼近最优位置的问题,提出一种动态粒子群优化算法。设置敏感粒子和响应阈值,当敏感粒子的适应度值变化超过响应阈值时,按一定比例重新初始化种群和粒子速度。设计双峰DF1动态模型,用于验证该算法的性能,仿真实验结果表明其动态极值跟踪能力较强。     

基于质心和自适应指数惯性权重改进的粒子群算法

针对粒子群优化(PSO)算法易出现早熟收敛及寻优精度低等问题,为提高粒子群优化算法寻优能力,提出了一种基于质心和自适应指数惯性权重改进的粒子群优化算法(CEPSO)。首先,使用各粒子的适应度计算权重系数;然后,分别使用各粒子当前位置和迄今为止最优位置构造了加权的种群质心和最优个体质心,使用平均粒距来度量群体状态,并依据群体状态设计了分段指数惯性权重;最后,结合使用分段指数惯性权重和双质心调整了粒子速度更新公式。仿真结果表明,CEPSO能增强寻优能力,并具有较强的稳定性。     

改进的吸引扩散微粒群算法

为了避免微粒群算法存在的过早收敛问题, 在ARPSO的基础之上, 提出了一个简单的种群多样性度量函数和微粒最好飞行方向的概念, 引入了变异策略, 从而实现了一种改进的吸引扩散微粒群算法MARPSO, 并从理论上分析了MARPSO的局部收敛性和全局收敛性. 对四个经典函数进行了仿真测试, 测试结果表明: 与基本微粒群算法BPSO和ARSPO相比, 该算法能够有效的提高种群多样性, 并且具有较高的收敛速度.     

Quantum-behaved particle swarm optimization: analysis of individual particle behavior and parameter selection

Quantum-behaved particle swarm optimization (QPSO), motivated by concepts from quantum mechanics and particle swarm optimization (PSO), is a probabilistic optimization algorithm belonging to the bare-bones PSO family. Although it has been shown to perform well in finding the optimal solutions for many optimization problems, there has so far been little analysis on how it works in detail. This paper presents a comprehensive analysis of the QPSO algorithm. In the theoretical analysis, we analyze the behavior of a single particle in QPSO in terms of probability measure. Since the particle's behavior is influenced by the contraction-expansion (CE) coefficient, which is the most important parameter of the algorithm, the goal of the theoretical analysis is to find out the upper bound of the CE coefficient, within which the value of the CE coefficient selected can guarantee the convergence or boundedness of the particle's position. In the experimental analysis, the theoretical results are first validated by stochastic simulations for the particle's behavior. Then, based on the derived upper bound of the CE coefficient, we perform empirical studies on a suite of well-known benchmark functions to show how to control and select the value of the CE coefficient, in order to obtain generally good algorithmic performance in real world applications. Finally, a further performance comparison between QPSO and other variants of PSO on the benchmarks is made to show the efficiency of the QPSO algorithm with the proposed parameter control and selection methods.     

解决TSP问题的局部调整离散微粒群算法

微粒群算法提出以来一直不能较好的解决离散及组合优化问题,针对这个问题,通过对微粒群算法的优化机理的分析,对原有的微粒群进化方程中的速度和位置的更新等进行重新的定义,同时提出一种具有自适应能力的惯性因子,使其适合解决TSP这样的组合优化问题.针对过去的离散算法整体调整容易形成对路径的破坏这一缺点,在重新定义的算法上加入局部调整的策略,形成一种局部调整的离散微粒群算法(local adjustive discrete PSO,LADPSO),通过在ch31和ei151上的试验,证明了该算法在解决这一问题上是可行的.     

Stochastic convergence analysis and parameter selection of the standard particle swarm optimization algorithm

This letter presents a formal stochastic convergence analysis of the standard particle swarm optimization (PSO) algorithm, which involves with randomness. By regarding each particle's position on each evolutionary step as a stochastic vector, the standard PSO algorithm determined by non-negative real parameter tuple {ω,c₁,c₂} is analyzed using stochastic process theory. The stochastic convergent condition of the particle swarm system and corresponding parameter selection guidelines are derived.     

带扩展记忆的粒子群优化算法仿真分析

从心理学的角度提出带扩展记忆的粒子群优化算法（PSOEM）,以克服标准粒子群优化算法（PSO）在优化多维函数过程中粒子搜索方向性差、目的性弱的缺陷.采用扩展记忆存储粒子的历史信息,并引入参数表征扩展记忆的重要性.利用经典离散控制理论分析其定值算法的稳定范围.此算法与标准算法是同源异构的,可以与已改进的PSO算法结合使用.基准测试函数的仿真结果验证了所提出算法的有效性.