混沌粒子群优化算法

粒子群优化算法是一种新的随机全局优化进化算法。本文把混沌寻优思想引入到粒子群优化算法中，这种方法利用混沌运动的随机性、遍历性和规律性等特性首先对当前杠子群体中的最优粒子进行混沌寻优，然后把混沌手优的结果随机替换粒子群体中的一个粒子。通过这种处理使得粒子群体的进化速度加快，从而改善了粒子群优化算法摆脱局部极值点的能力，提高了算法的收敛速度和精度。仿真结果表明混沌粒子群优化算法的收敛性能明显优于粒子群优化算法。     

质心粒子群优化算法

为了加快粒子群算法收敛速度,提出了质心粒子群优化算法(CPSO)。算法通过计算种群所有个体最优记录所构成的一个群体的质心,对种群个体当前的最优记录和全局最优记录进行比较、替换或更新等操作,从而加快算法的收敛速度。仿真实验表明,在求解相同精度的情况下,质心粒子群优化算法的收敛速度优于线性递减惯性权重粒子群优化算法(LDWPSO)。     

新的全局-局部最优最小值粒子群优化算法

为了提高粒子群优化算法的收敛速度,克服陷入局部最优的缺点,在全局-局部最优粒子群优化算法的基础上,提出了一种新的改进粒子群优化算法——全局-局部最优最小值粒子群优化算法.该算法把惯性权重和学习因子分别通过结合全局和局部最优最小值来进行改写,速度更新公式也做了相应的简化.仿真实验表明该算法在收敛速度和寻优质量上都优于基于LDIW策略改进的粒子群算法和全局-局部最优粒子群算法.     

带可变随机函数和变异算子的粒子群优化算法

标准粒子群优化算法的收敛分析表明,改变随机函数、个体历史最优,群体全局最优,有助于提高该算法的性能。为此,本文提出了一种带可变随机函数和变异算子的粒子群优化算法,即通过改变速度更新方程中的随机函数分布来调节粒子在迭代过程中飞向个体历史最优和群体全局最优的比重,通过对个体历史最优和群体全局最优进行变异来增强种群的搜索能力。实验结果证实了该算法的有效性。     

一种引入复合形算子的变异粒子群算法

针对粒子群算法存在的收敛速度较慢和早熟收敛两大难题提出了一种新的改进型粒子群算法:搜索初期由粒子群算法进行全局寻优,当判断粒子群体已经进入局部最优区域时,引入复合形算法迅速达到局部收敛,从而有效地提高粒子群算法的局部搜索能力。同时引入自适应变异惯性权重提高摆脱局部最优的能力,增加种群的多样性。通过典型优化函数的实验验证,该算法是一种兼顾局部性能和全局搜索能力的高效算法。     

基于遗传交叉因子的改进粒子群优化算法

提出一种基于遗传交叉因子的改进粒子群优化算法,通过自适应变化惯性权重来改善算法的收敛性能,借鉴遗传算法中的选择交叉操作增加粒子多样性,通过引入交叉因子增强群体粒子的优良特性,减小了算法陷入局部极值的可能。对几个典型的测试函数进行仿真表明,该算法较标准粒子群优化算法(PSO)提高了全局搜索能力和收敛速度,改善了优化性能。     

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。     

一种动态学习对象的粒子群优化算法

针对粒子群优化算法容易早熟、收敛精度低等问题,基于群体多样性反馈的思想,提出一种动态学习对象的粒子群优化算法.该算法采用群体多样性动态控制粒子的学习对象,减缓群体多样性的丧失速度,有利于群体的全局寻优.对3种典型多峰函数的仿真结果表明,该算法可以有效避免早熟问题,具有较好的全局寻优能力.     

带变异算子的非线性惯性权重 PSO 算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法.该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力.当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力.用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度     

改进粒子群算法在高维复杂函数寻优中的应用

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构,命名为多阶段多子群粒子群算法（Multi-stage Multi-subpopulation Particle Swarm Optimization,MMPSO）,该方法主要通过多子群之间阶段性的重分组策略,强化不同群体之间的信息交流,增大其搜索到全局最优解的概率,同时,为了保留粒子群算法高效优化的特点,通过分阶段搜索模式的转变,将全局最好模型收敛的快速性和局部最好模型收敛的全局最优性进行折中,确保改进后的粒子群算法拥有更强的全局搜索能力和尽量高的收敛速度。仿真实验证明,MMPSO算法相对于基本粒子群算法而言具有明显的精度优势。     

基于改进PSO算法的移动机器人路径规划

针对粒子群优化(PSO)算法收敛速度快但容易陷入局部极值和细菌觅食优化(BFO)算法全局搜索能力强但效率低的问题,提出了一种将BFO算法的趋化、迁徙和复制操作引入到粒子群搜索过程的具有全局搜索能力和快速收敛的混合算法.在BFO算法和PSO算法的原理、操作步骤基础上,分别使用了PSO算法、BFO法和混合算法对移动机器人进行全局路径规划仿真试验,并分别给出了各算法的迭代次数、适应值曲线.仿真结果表明:与PSO算法和BFO算法相比,所提出的混合算法具有搜索时间短、迭代次数少的优点,较好验证了混合算法在移动机器人路径规划方面的可行性和有效性.     

一种催化粒子群算法及其性能分析

针对粒子群算法（PSO）在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种新颖的混合算法—催化粒子群算法（CPSO）。在CPSO优化过程中,种群中的粒子始终保持其个体历史最优值pbests。CPSO种群更新由改造PSO、横向交叉以及垂直交叉三个搜索算子交替进行,其中,每个算子产生的中庸解均通过贪婪思想产生占优解pbests,并作为下一个算子的父代种群。在CPSO中,纵横交叉算法（CSO）作为PSO的加速催化剂,一方面通过横向交叉改善PSO的全局收敛性能,另一方面通过纵向交叉维持种群的多样性。对6个典型benchmark函数的仿真结果表明,相比其它主流PSO变体,CPSO在全局收敛能力和收敛速率方面具有明显优势。     

基于群体爬山策略的混合粒子群优化算法

针对粒子群优化算法（PSO）在求解高维复杂优化问题时存在搜索精度不高和易陷入局部最优解的缺陷,借鉴混合蛙跳算法（SFLA）的群体爬山思想,提出一种基于群体爬山策略的混合粒子群优化算法（CMCPSO）,并证明了CMCPSO算法的全局收敛性。对四个典型高维连续优化函数的求解表明,该算法不仅保持了PSO算法的快速收敛能力,而且吸收了SFLA算法局部精细搜索和保持种群多样性的优点,具有良好的全局收敛性。     

一种改进细菌觅食优化算法及其在软测量建模中的应用

针对软测量建模中模型参数的优化需求,在分析细菌觅食优化算法(BFOA)和粒子群优化(PSO)算法的基础上,将二者有机结合,提出了一种新型细菌觅食粒子群混合优化算法(BSOA)。该算法将PSO粒子移动的思想引入BFOA,有效解决了BFOA趋向性操作中细菌位置更新的盲目性。将其分别用于典型函数的寻优与成品油研究法辛烷值最小二乘支持向量机(LSSVM)模型参数的优化,仿真结果表明:该方法有效增强了算法的全局寻优能力与收敛速度,并在一定程度上改善了模型的预测精度与泛化能力。     

求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法(PSO)通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题(JSP)。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题(JSP)的混合微粒群算法。算法将微粒群算法、遗传算法(GA)、模拟退火(SA)算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明:与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

A novel hybrid PSO–GWO approach for unit commitment problem

Particle swarm optimization algorithm is a inhabitant-based stochastic search procedure, which provides a populace-based search practice for getting the best solution from the problem by taking particles and moving them around in the search space and efficient for global search. Grey Wolf Optimizer is a recently developed meta-heuristic search algorithm inspired by Canis-lupus. This research paper presents solution to single-area unit commitment problem for 14-bus system, 30-bus system and 10-generating unit model using swarm-intelligence-based particle swarm optimization algorithm and a hybrid PSO–GWO algorithm. The effectiveness of proposed algorithms is compared with classical PSO, PSOLR, HPSO, hybrid PSOSQP, MPSO, IBPSO, LCA–PSO and various other evolutionary algorithms, and it is found that performance of NPSO is faster than classical PSO. However, generation cost of hybrid PSO–GWO is better than classical and novel PSO, but convergence of hybrid PSO–GWO is much slower than NPSO due to sequential computation of PSO and GWO.     

A novel parallel hybrid intelligence optimization algorithm for a function approximation problem

A novel parallel hybrid intelligence optimization algorithm (PHIOA) is proposed based on combining the merits of particle swarm optimization with genetic algorithms. The PHIOA uses the ideas of selection, crossover and mutation from genetic algorithms (GAs) and the update velocity and situation of particle swarm optimization (PSO) under the independence of PSO and GAs. The proposed algorithm divides the individuals into two equation groups according to their fitness values. The subgroup of the top fitness values is evolved by GAs and the other subgroup is evolved by the PSO algorithm. The optimal number is selected as a global optimum at every circulation which shows better results than both PSO and GAs, then improves the overall performance of the algorithm. The PHIOA is used to optimize the structure and parameters of the fuzzy neural network. Finally, the experimental results have demonstrated the superiority of the proposed PHIOA to search the global optimal solution. The PHIOA can improve the error accuracy while speeding up the convergence process, and effectively avoid the premature convergence to compare with the existing methods.     

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.     

嵌入局部一维搜索技术的混合粒子群优化算法*

通过将粒子群优化算法(PSO)与经典局部一维搜索技术相结合,提出一种嵌入局部一维搜索技术的混合粒子群优化算法(LLS-PSO)。该算法在基本粒子群优化算法中引入一维搜索技术,选取最优粒子进行局部一维搜索,增强了在最优点附近的局部搜索能力,以加快算法的收敛速度。对三个经典复杂优化问题进行数值实验,并与基本PSO算法进行比较。实验分析和结果表明,LLS-PSO具有更好的优化性能。     

基于二阶振荡及自然选择的随机权重混合粒子群算法

针对粒子群算法“早熟收敛”的缺点,提出一种混合粒子群算法.该算法采用最大速度线性递减的方法平衡全局寻优能力与算法收敛精度的矛盾,并用随机权重平衡算法的全局和局部搜索能力.学习因子二阶振荡使种群在粒子数目不变的情况下维持多样性,是提高全局搜索能力的主要方法.自然选择原理使算法改善了因二阶振荡和随机权重的加入而造成收敛速度降低的情况.测试实验表明,所提出的算法能避免早熟问题,有效地提高寻优能力.