一种基于距离度量的自适应粒子群优化算法

惯性权值对粒子群优化((Particle Swarm Optimization,PSO)算法的性能起着重要作用。基本的PSO算法未考虑各粒子的差异而在一次迭代中所有粒子采用固定的惯性权值。为了体现各粒子相对于已知最优解的差异,提出了一种基于距离度量的自适应PSO算法DMAPSO(DistancE Measurement-based Adaptive PSO)。算法采用欧式距离计算粒子与已知全局最优粒子的差异,然后根据差异自适应调整各粒子的·贯r}权值。通过基准测试函数对算法进行了实验,结果表明,对于连续函数优化问题,提出的DMAPSO算法优于经典PSO算法,DMAPSO收敛到最优解的迭代次数比PsO平均减少了约60%.     

一种基于距离的自适应模糊粒子群优化算法

传统的粒子群优化算法((Particle Swarm Optimization,PSO )在更新粒子的速度时忽略了各粒子间的差异,在一次迭代中,各粒子采用相同的惯性权值来更新粒子的速度。为了体现各粒子的差异,提出了一种基于距离度量的自适应模糊粒子群优化算法(Distance-based Adaptive Fuzzy Particle Swarm Optimization, DAFPSO)。DAFPSO根据各粒子与最优粒子的差异,设计了相应的隶属函数来自适应地调整粒子的惯性权值。通过基准测试函数对算法进行了实验,从而验证了DAFPSO算法的有效性。     

一种新的自适应粒子群优化算法

基于粒子分工与合作的思想,提出一种自适应粒子群优化(PSO)算法。该算法为不同的粒子分配不同的任务,对性能较好的粒子使用较大的惯性权,对性能较差的粒子采用较小的惯性权,加速系数根据惯性权自适应调整。将标准PSO算法中的全局最优位置与个体最优位置分别替换为相关个体最优位置的加权平均,更好地平衡了算法的全局与局部搜索能力,提高了算法的多样性与搜索效率。5个经典测试函数的仿真结果及与其他PSO算法的比较结果验证了该算法的有效性。     

求解TSP问题的模糊自适应粒子群算法

由于惯性权值的设置对粒子群优化（PSO）算法性能起着关键的作用，本文通过引入模糊技术，给出了一种惯性权值的模糊自适应调整模型及其相应的粒子群优化算法，并用于求解旅行商（TSP）问题。实验结果表明了改进算法在求解组合优化问题中的有效性，同时提高了算法的性能，并具有更快的收敛速度。     

基于自适应惯性权重的均值粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖参数选取等缺点,提出了一种基于自适应惯性权重的均值粒子群优化算法。对算法中的惯性权重参数采用动态自适应变化方式,在迭代过程中根据粒子适应度差值将种群划分为三个等级,对不同等级的粒子采用不同的惯性权重策略,使粒子能根据自己所处的位置选择合适的惯性权重值,更快地收敛到全局最优位置;同时分别用个体极值和全局极值的线性组合取代PSO算法中的全局最优位置与个体最优位置。通过实验仿真与对比,验证了新算法性能优于标准PSO及其它一些改进的PSO算法,能够用较少的迭代次数找到最优解,具有更快的收敛速度和更高的收敛精度。     

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%。     

粒子群优化算法中惯性权值调整的一种新策略

惯性权值的设置对粒子群优化（PSO）算法的性能起着关键作用,现有的基于惯性权值的改进算法提高了算法的性能,但都把惯性权值作为全局参数,很难控制算法的搜索能力。本文在充分分析惯性权值的关键作用基础上给出一种新的惯性权值调整策略及其相应的粒子群优化算法,使用不同的惯性权值更新同一代种群。测试结果表明,新算法提高了算算法的性能,并具有更快的收敛速度和跳出局部最优的能力。     

含交叉项的混合二范数粒子群优化算法

针对原始粒子群优化算法（PSO）在搜索过程中容易陷入局部最优点的问题,并尽量避免破坏种群多样性,提出一种含交叉项的混合二范数粒子群优化算法HTPSO。首先,利用二范数原理计算当前粒子与个体历史最优粒子间的欧氏距离;其次,将欧氏距离引入速度迭代公式以影响社交项对粒子速度的作用,并按照一定规律随机分布惯性权重;最后,在此基础上简化粒子群算法,并将差分进化（DE）算法中的交叉算子融入该算法中,使粒子能在一定概率下与个体历史最优粒子交叉。为了验证HTPSO的性能,与利用正弦函数改进惯性权重的粒子群优化算法（SinPSO）、自适应粒子群优化算法（SelPSO）、基于自适应惯性权重的均值粒子群优化算法（MAWPSO）和简化粒子群优化算法（SPSO）在不同维度下解决8个常用基准函数,并根据T-test、成功率和平均迭代次数分析了各算法的优化结果。实验结果表明,HTPSO具有较优秀的收敛能力,且粒子运动非常灵活。     

基于改进粒子群算法的PID参数优化与仿真

提出了一种基于改进的粒子群优化（PSO）算法的PID控制器参数整定方法。该方法采用了PSO的惯性权值自适应调整机制和粒子种群的动态更新策略，用以加速优化算法的收敛和维持群体的多样性。与常规的PSO算法相比，该方法简单易行，更容易找到全局最优解，优化效率和性能明显提高。将该算法应用非最小相位、一阶滞后等系统的PID控制器参数的优化，能够使控制系统获得较好的动态特性和很强的鲁棒性。仿真实验表明了所提出算法的有效性和优越性。     

改进的云自适应粒子群优化算法

为了提高基本PSO算法搜索性能和个体寻优能力,加快收敛速度,提出一种新的云自适应粒子群优化算法（CPSO）。此算法利用云滴具有随机性、稳定倾向性等特点,结合不同粒子与全局最优点的距离动态变化的性质,提出云自适应调整算法用于计算惯性权重,并对新算法进行了描述。通过典型函数优化实验表明,该算法较基本PSO明显提高了全局搜索能力和收敛速度,改善了优化性能。     

改进PSO-BP神经网络在变压器故障检测中的应用

粒子群优化（PSO）算法中的粒子根据全局最优粒子来移动自身位置进行搜索,但当某一粒子连续多次被选为全局最优粒子的时候,整个群体的粒子就会快速收敛于该最优粒子,陷入局部最优。为此,提出了变异动态粒子群优化（MDPSO）算法。采用惯性权重变异的思想,当某粒子连续被选为全局最优粒子时,就使一部分粒子的惯性权重以指数速度增长,使粒子跳出局部最小,继续全局寻优。并把改进的粒子群优化算法和BP神经网络相结合,应用于变压器故障检测中。实验表明,与常用的粒子群优化算法相比,用改进的粒子群优化算法优化BP神经网络具有更好的性能,在变压器故障检测中能够获得更高的检测精度。     

一种新的位置变异的PSO算法

针对标准粒子群优化算法在优化高维复杂函数时易产生早熟收敛的问题,提出一种新的位置变异的PSO算法。为平衡算法的全局和局部搜索能力,新算法按一定概率交替使用随机惯性权重和标准PSO算法的惯性权重;为增强种群多样性和抑制算法早熟,新算法在每次迭代中,对满足一定条件的粒子都进行一种有效脱离局部最优区域的位置变异。最后,通过对5个标准测试函数在60维和90维的性能对比实验证实：新算法收敛精度高,且有效克服了早熟收敛问题。     

基于群体适应度方差的自适应粒子群优化算法

针对基本粒子群优化算法稳定性较差和易陷入局部收敛的缺点,提出了一种基于群体适应度方差的自适应粒子群优化算法。一方面,在可行域中采用混沌初始化生成均匀分布的粒群,提高了初始解的质量;另一方面,构造了基于群体适应度方差的惯性权重的自适应变换公式,增强了算法跳出局部最优解的能力。仿真实验结果表明了该算法的可行性和有效性。     

融合隶属度函数的自适应惯性权重模式的粒子群优化算法

粒子群算法(Particle Swarm Optimization,PSO)的性能极大地依赖于其惯性权重参数的选择策略。当在一次迭代中更新粒子速度时,PSO忽略了粒子间的差异,在所有粒子上应用了相同的惯性权重。针对这一问题,提出一种自适应惯性权重的粒子群算法PSO-AIWA,有效合理地均衡PSO的全局搜索和局部搜索能力。根据当前粒子与全局最优粒子间的差异,算法可以通过基于粒子间距的隶属度函数动态调整粒子的惯性权重,使得每次迭代中,粒子可以根据当前状态在每个维度上的搜索空间内选择合适的惯性权重进行状态更新。在6种基准函数下进行了算法的性能测试,结果表明,与随机式惯性权重PSO算法与线性递减惯性权重PSO-LDIW算法相比,该算法可以获得更好的粒子分布和收敛性。     

基于动态P混沌与动态非线性的PSO算法

为解决粒子群优化算法易于陷入局部最优问题,提出2种方法并行改进惯性权重。对比平均值差的粒子,用所设计的动态P混沌映射公式调整惯性权重,在复杂多变的环境中逐步摆脱局部最优,动态寻找全局最优值。对好于或等于整体适应度平均值的粒子,用所提出的动态非线性方程调整惯性权重,在保存有利条件的基础上逐步向全局最优处收敛。2种方法前后相辅相成、动态协作。实验结果证实,该算法在不同情况下都超越了同类改进算法。     

筛选和记忆相结合的粒子群算法*

针对粒子群算法优化高维复杂问题出现局部最优的缺陷,提出初始粒子筛选和最差粒子记忆相结合的粒子群算法。利用熵度量粒子分量分布的均匀性,只有各分量满足均匀性要求时,该粒子才被筛选为初始粒子,以控制粒子在解空间的分布。在速度更新过程中引入最差粒子,避免粒子重复搜索曾经找到的最差位置,以提高算法的搜索效率。根据粒子寻优的成功率动态调整权重,以有效平衡深度和广度搜索能力。用本文算法优化6个经典测试函数,与3种改进的PSO算法相比,本文提出的算法不仅可以平衡局部和全局的搜索能力,还可以提高算法的搜索效率和精度。     

自适应模糊的粒子群优化算法

标准粒子群算法易陷入局部最优值。根据粒子群算法中的不确定性因素,提出自适应模糊的粒子群优化算法（AFPSO）。在该算法中,对惯性权值和位置更新采用模糊控制,用所有粒子的个体最优的加权平均替代全局最优值,增强了粒子之间相互学习的能力。仿真实验表明,AFPSO算法简单,可灵活地调节全局搜索和局部搜索能力,与已有相关算法比较,较好地解决了粒子群早熟问题,并提高了搜索精度。     

多策略融合粒子群算法及其收敛性分析

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在实际运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种改进的粒子群算法。该算法采用多次随机初始化的策略初始种群位置,再对惯性权重引入随机因子,使其基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,提高算法的收敛精度,并证明其能以概率1全局收敛。为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及提出的改进算法在不同维度下进行测试比较。结果表明,该算法的寻优精度更高。