改进的粒子群优化算法的研究和分析

粒子群优化算法是一种新的随机全局优化进化算法。为了有效地控制其全局搜索和局部搜索,使之获得较好的平衡,论文在深入分析和研究标准粒子群优化算法的基础上,提出了一种基于进化代数阈值和粒子间最大聚集距离高斯变异的粒子群优化算法。该算法在运行过程中通过粒子聚集程度的量化判定,对当前的最优粒子施加高斯变异,从而增强粒子群优化算法跳出局部最优解的能力。测试函数仿真结果表明了该算法的可行性和有效性。     

基于模拟退火的粒子群优化算法

粒子群优化算法是一类简单有效的随机全局优化技术。该文把模拟退火思想引入到具有杂交和高斯变异的粒子群优化算法中,给出了一种基于模拟退火的粒子群优化算法。该算法基本保持了粒子群优化算法简单容易实现的特点,但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。四个基准测试函数的仿真对比结果表明,该算法不仅增强了全局收敛性,而且收敛速度和精度均优于粒子群优化算法。     

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。     

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。     

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。     

一种多尺度协同变异的粒子群优化算法

为了改善粒子群算法易早熟收敛、精度低等缺点,提出一种多尺度协同变异的粒子群优化算法,并证明了该算法以概率1收敛到全局最优解.算法采用多尺度高斯变异机制实现局部解逃逸.在算法初期阶段,利用大尺度变异及均匀变异算子实现全局最优解空间的快速定位;随着适应值的提升,变异尺度随之降低;最终在算法后期阶段,利用小尺度变异算子完成局部精确解空间的搜索.将算法应用6个典型复杂函数优化问题,并同其他带变异操作的PSO算法比较,结果表明,该算法在收敛速度及稳定性上有显著提高.     

基于高斯变异的量子粒子群算法

粒子群算法相对于其他优化算法来说有着较强的寻优能力以及收敛速度快等特点,但是在多峰值函数优化中,基本粒子群算法存在着早熟收敛现象。针对粒子群算法易于陷入局部最小的弱点,提出了一种基于高斯变异的量子粒子群算法。该算法使粒子同时具有良好的全局搜索能力以及快速收敛能力。典型函数优化的仿真结果表明,该算法具有寻优能力强、搜索精度高、稳定性好等优点,适合于工程应用中的函数优化问题。     

自适应多位变异粒子群优化算法

针对粒子群优化算法的早熟收敛问题,提出一种改进的自适应多位变异粒子群优化算法.根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力,在理论上保证了算法具有良好的性能.对几种典型函数的测试结果表明：该算法的全局搜索能力有了显著改善,收敛速度较快,并且能够有效避免早熟收敛问题.     

一种基于子群变异的粒子群优化算法

为克服粒子群优化算法早熟收敛,提出一种基于子群变异的改进粒子群优化算法。该算法提出一种具有随机定向振荡式搜索的子群对主群的全局最优位置进行变异,改变了完全随机的变异方式,为算法提供局部深度的搜索以及跳出局部最优。为增强算法的全局探索能力,对适应度值差的粒子进行动态的变异,以此达到增大种群的潜在搜索空间的目的。最后通过高维的benchmark函数测试改进算法性能。通过仿真结果对比,表明改进算法能有效防止早熟问题,对于多模态函数的优化能够很好地跳出局部极值点,收敛性和收敛精度等方面得到大幅度提升。     

多目标优化中带变异算子的灰色粒子群算法

针对如何在多目标优化过程中求解更好的Pareto解集,提出一种基于变异算子的灰色粒子群算法。该算法将灰色关联度应用于粒子群算法,且将方差的概念引入灰色关联度,以区分那些点关联系数有显著差异而其均值相等的各组序列。以此作为变异策略来控制粒子群算法,以避免现有灰色粒子群算法在求解多目标问题时所出现的局部收敛现象。通过四组不同类型的基准函数测试算法性能,测试结果表明该算法能很好地收敛到Pareto最优解集并有效避免了过早陷入局部最优解。     

基于动态多粒子群的多目标优化算法

为了让多目标粒子群优化算法在运行过程中保持粒子的多样性,提出了一种初始化方法和动态多粒子群协作的多目标优化算法。根据粒子群在决策空间中的分布情况动态增加或者减少粒子群数量;为避免粒子收敛速度过快,改进了决定粒子飞行速度的因素,速度值依赖于粒子当前速度惯性、粒子最优值,群最优值和所有群最优值。用五个测试函数对算法进行了测试并与多目标粒子群优化进行了比较,测试结果表明提出的算法优于多目标粒子群优化算法。     

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。     

一种改进的粒子群算法

为了改进基本粒子群算法的搜索功能,针对粒子群算法易于陷入局部极值,进化后期的收敛速度慢和精度低等缺点,通过公式分析得到新的惯性权重调节方法,提出了一种新的改进粒子群算法。用几个经典测试函数进行实验,实验结果表明,新算法不仅具有更好的收敛精度,而且能更有效地进行全局搜索。     

随机微粒群优化算法

微粒群优化算法是继蚁群算法之后又一种新的基于群体智能的启发式全局优化算法，其概念简单、易于实现，而且具有良好的优化性能，目前已在许多领域得到应用。但在求解高维多峰函数寻优问题时，算法易陷入局部最优。该文结合模拟退火算法的思想，提出了一种改进的微粒群优化算法——随机微粒群优化算法，该算法在运行初期具有更强的探索能力，可以避免群体过早陷入局部极值点。基于典型高维复杂函数的仿真结果表明，与基本微粒群优化算法相比，该混合算法具有更好的优化性能。     

改进型粒子群算法及其在选址问题中的应用

为了解决基本粒子群算法不易跳出局部最优的问题,提出了一种协同粒子群优化算法。在算法中通过加入权值递减的惯性因子和变异算子以克服基本PSO易早熟、不易收敛以及缺乏多样性的不足。将算法应用于极小极大选址问题的实验结果表明,算法能够有效地求解极小极大选址问题,具有较好的应用价值。     

Handling multi-objective optimization problems with a multi-swarm cooperative particle swarm optimizer

This paper presents a new multi-objective optimization algorithm in which multi-swarm cooperative strategy is incorporated into particle swarm optimization algorithm, called multi-swarm cooperative multi-objective particle swarm optimizer (MC-MOPSO). This algorithm consists of multiple slave swarms and one master swarm. Each slave swarm is designed to optimize one objective function of the multi-objective problem in order to find out all the non-dominated optima of this objective function. In order to produce a well distributed Pareto front, the master swarm is developed to cover gaps among non-dominated optima by using a local MOPSO algorithm. Moreover, in order to strengthen the capability locating multiple optima of the PSO, several improved techniques such as the Pareto dominance-based species technique and the escape strategy of mature species are introduced. The simulation results indicate that our algorithm is highly competitive to solving the multi-objective optimization problems.     

Automatic calibration a hydrological model using a master–slave swarms shuffling evolution algorithm based on self-adaptive particle swarm optimization

Parameter estimation for hydrological models is a challenging task, which has received significant attention by the scientific community. This paper presents a master–slave swarms shuffling evolution algorithm based on self-adaptive particle swarm optimization (MSSE-SPSO), which combines a particle swarm optimization with self-adaptive, hierarchical and multi-swarms shuffling evolution strategies. By comparison with particle swarm optimization (PSO) and a master–slave swarms shuffling evolution algorithm based on particle swarm optimization (MSSE-PSO), MSSE-SPSO is also applied to identify HIMS hydrological model to demonstrate the feasibility of calibrating hydrological model. The results show that MSSE-SPSO remarkably improves the calculation accuracy and is an effective approach to calibrate hydrological model.     

改进粒子群优化算法求解TSP问题

针对粒子群优化算法易陷入局部极值的缺点,提出一种改进粒子群算法,该算法借鉴贪婪算法的思想初始化种群,利用两个种群同时寻优,并将遗传算法中交叉和变异操作引入其中,实现种群间的信息共享。用14点TSP标准数据对算法性能进行了测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。     

An improved cooperative particle swarm optimization and its application

A powerful cooperative evolutionary particle swarm optimization (PSO) algorithm based on two swarms with different behaviors to improve the global performance of PSO is proposed. In this method, one swarm tracks the best position and the other leaves the worst position of them; the best and the worst solutions of the two swarms are exchanged in the common blackboard and the information can be flowed mutually between them. The diversity is maintained if the two swarms are regarded as a whole. To show the effectiveness of the given algorithm, five benchmark functions and two forward ANNs with three layers are performed; the results of the proposed algorithms are compared with standard PSO, MCPSO and NPSO.     

A multi-swarm optimizer based fuzzy modeling approach for dynamic systems processing

Inspired by the phenomenon of symbiosis in natural ecosystems a multi-swarm cooperative particle swarm optimizer (MCPSO) is proposed as a new fuzzy modeling strategy for identification and control of non-linear dynamical systems. In MCPSO, the population consists of one master swarm and several slave swarms. The slave swarms execute particle swarm optimization (PSO) or its variants independently to maintain the diversity of particles, while the particles in the master swarm enhance themselves based on their own knowledge and also the knowledge of the particles in the slave swarms. With four benchmark functions, MCPSO is proved to have better performance than PSO and its variants. MCPSO is then used to automatically design the fuzzy identifier and fuzzy controller for non-linear dynamical systems. The proposed algorithm (MCPSO) is shown to outperform PSO and some other methods in identifying and controlling dynamical systems.