基于克隆选择和粒子群思想的动态多群体优化算法

针对粒子群算法和克隆选择原理的特点,提出了基于克隆选择和粒子群思想的动态多群体优化算法.该算法将整个群体分为若干子群体,在子群体内部应用基本的粒子群算法,以子群体作为抗体设计了克隆,变异,选择和受体编辑算子.变异算子使子群体动态变化实现子群体间相互交换信息,具有良好的全局搜索能力.实验结果表明,该算法具有寻优能力强,搜索精度高的优点,可用于工程问题中具有各种特性的复杂函数优化.

     

基于差分进化和粒子群优化算法的混合优化算法

为了发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,提出了一种混合优化算法(简称DPA).该算法首先利用差分进化的变异和选择算子产生新的群体,然后通过使用粒子群优化算法和交叉、选择算子进行局部搜索.在整个算法过程中,群体寻优范围先扩散再收缩,反复迭代渐进收敛.通过3个标准算例的测试表明,新的混合优化算法与差分进化和粒子群优化算法相比,具有收敛速度快、搜索能力强、鲁棒性好的特点.     

粒子群遗传优化算法

针对粒子群优化算法易早熟的缺点,本文在粒子群优化算法中引入遗传算法的变异算子和克隆选择算子,提出了一种改进的粒子群优化算法—粒子群遗传优化算法。粒子群遗传算法在传统粒子群优化迭代公式的基础上,通过变异率和克隆选择率两个参数自适应地调整变异操作和克隆选择操作。当粒子群最优粒子的适应度在优化迭代过程中陷入停滞时,利用变异算子对粒子群中部分粒子进行随机变异操作,扩大粒子群搜索范围,防止粒子群陷入局部最优;而当粒子群最优粒子适应度随优化迭代过程不断提高时,则利用克隆选择算子淘汰适应度较低的粒子,提高粒子群整体的平均适应度,增强粒子群对局部的搜索能力,提高算法的计算效率。典型函数的算例测试表明,粒子群遗传优化算法不但具有粒子群优化算法所具有的易于工程实现、计算效率高等优点,还克服了粒子群优化算法易陷入局部最优的缺点,提高了算法的抗早熟性。     

基于全局粒子群的协作型人工免疫网络优化算法

提出协作型人工免疫网络模型(CoAIN),实现基于全局粒子群的协作型人工免疫网络优化算法(gpsoCoAIN).算法中新增的全局粒子群协作算子使其人工免疫网络中的记忆细胞具有粒子的特性,能够通过个体间协作共享寻优经验.此外,改进的可变步长的克隆选择过程更适应高精度搜索.函数优化实验表明,gpso-CoAIN算法在寻优能力及执行速度方面都优于其它算法.对gpso-CoAIN人工免疫网络的动态特征分析表明,该算法的记忆细胞多样性良好.     

基于克隆选择粒子群算法的多用户检测

对离散粒子群优化算法(DPSO)进行了改进,提出一种克隆选择粒子群算法(CSDPSO).该算法提高了离散粒子群优化算法的局部搜索能力,保持了很强的全局搜索能力.本文将该算法应用到多用户检测中,用以解决Verdu提出的最优多用户检测所存在的计算量过大无法工程实现的问题.仿真证明,该算法比标准的离散粒子群算法具有更好的搜索能力.基于该算法的多用户检测器比基于DPSO的多用户检测器,无论在误码率性能还是收敛速度方面都有明显改善.     

基于差分进化的离散粒子群算法求解TSP问题

针对TSP问题,结合离散粒子群算法和差分进化算法各自的特点,提出了基于差分进化的离散粒子群算法。该算法先利用差分进化算法的变异、选择算子产生新的群体,再通过离散粒子群算法和交叉及选择算子进行局部搜索。通过对标准的30个城市进行实验,实验结果表明,该优化算法在求解TSP问题上有很好的性能。     

免疫克隆粒子群优化算法在水面舰船图像分割中的应用

介绍了一种免疫克隆粒子群优化(IC PSO)算法来进行函数优化,目的在于克服基本粒子群优化(PSO)算法容易陷入局部极值的不足,从而实现全局搜索.通过免疫克隆原理的应用,根据亲和度的高低进行粒子克隆选择、淘汰和高频变异,提高了种群的多样性,增强了算法全局搜索的能力,提高了收敛速度和精度.实验结果表明,该算法完成全局搜...     

一种克服粒子群早熟的混合优化算法

针对粒子群优化算法在寻优时容易出现早熟现象,提出在粒子群收敛停滞时,从种群中随机选择粒子进行共轭梯度法计算,通过引入共轭梯度算法计算的信息来影响粒子速度的更新,以保持群体的活性,从而打破群体信息陷入局部最优的状况.不同于传统的粒子群算法,该算法有机地结合了粒子群的全局搜索能力和共轭梯度法的强大局部搜索能力,从而在一定程度上有效地克服了粒子群早熟的缺点.仿真计算结果表明,该改进粒子群的方法对于不同维数的非线性函数具有很好的寻优效果.     

基于自适应选择和变异的改进粒子群算法

针对基本粒子群优化算法搜索精度低和易早熟的缺点,提出了一种基于自适应选择和变异算子的改进粒子群算法。选择算子可提高粒子群的整体适应度,增强粒子群的局部搜索能力;变异算子则能扩大粒子群的搜索范围,防止粒子群陷入局部最优。搜索时,根据全局极值在迭代过程中的变化情况,自适应地调整选择算子和变异算子使粒子群飞向全局最优。典型函数的算例测试表明,改进的粒子群算法较传统算法具有更高的搜索精度和更强的抗早熟能力。     

经验自举粒子群优化算法

经验自举粒子群优化算法（EIPSO）是在粒子群算法中引入经验自举（EI）搜索算子,该算子的作用就是将随机选择的粒子个体经验的局部重新初始化构成候选经验。根据候选经验和原经验的适应值确定个体的新经验。在粒子进化的每一代,以概率p来执行经验自举搜索,以概率1－p执行经验指导下的进化搜索。EI算子的引入使粒子的搜索范围和多样性得到保持,同时在粒子收敛后算法仍然具有一定的搜索能力。对比实验结果表明该EIPSO算法的良好的综合性能。     

基于动态多种群粒子群支持向量机的短期负荷预测

针对标准粒子群优化(PSO)算法存在易陷入局部极值点的缺点,提出了一种基于物种概念的动态多种群粒子群优化算法(DMPSO).在DMPSO中引入了物种概念,在进化过程中动态确定物种,利用种群多样性信息动态调整物种半径,通过物种对解空间的不同区域进行搜索,最终确定出各极值点.将DMPSO算法和支持向量机(SVM)相结合,形成了解决电力系统短期负荷预测问题的新方法(DMPSO-SVM).在该方法中利用DMPSO算法来优化SVM中的参数,利用快速傅立叶变换(FFT)进行频谱分析并确定SVM的输入量.电力系统短期负荷预测的实际算例表明,与传统预测方法相比,该方法具有更高的预测精度和鲁棒性.     

一种新型的多种群微粒群算法

针对微粒群算法容易出现早熟问题,提出一种动态种群与子群混合的微粒群算法（SPSDPSO）。该算法在微粒群搜索停滞时对微粒进行分群,在子群内部通过微粒随机初始化以及个体替代策略提高优化性能,在子群进化一定代数后重新混合为一个种群继续优化,种群进化与子群进化交替进行直至满足算法终止条件。SPSDPSO的种群与子群混合进化策略增强了群体多样性,并且使得子群体之间能够进行充分的信息交流。收敛性分析表明,SPSDPSO以概率1收敛到全局最优解。函数测试结果表明,新算法的全局收敛性能有了显著提高。     

Locating and tracking multiple dynamic optima by a particle swarm model using speciation

This paper proposes an improved particle swarm optimizer using the notion of species to determine its neighborhood best values for solving multimodal optimization problems and for tracking multiple optima in a dynamic environment. In the proposed species-based particle swam optimization (SPSO), the swarm population is divided into species subpopulations based on their similarity. Each species is grouped around a dominating particle called the species seed. At each iteration step, species seeds are identified from the entire population, and then adopted as neighborhood bests for these individual species groups separately. Species are formed adaptively at each step based on the feedback obtained from the multimodal fitness landscape. Over successive iterations, species are able to simultaneously optimize toward multiple optima, regardless of whether they are global or local optima. Our experiments on using the SPSO to locate multiple optima in a static environment and a dynamic SPSO (DSPSO) to track multiple changing optima in a dynamic environment have demonstrated that SPSO is very effective in dealing with multimodal optimization functions in both environments.     

基于种群划分与变异策略的粒子群优化算法

粒子群算法因其形式比较简洁，参数设置灵活，操作简便易行，并且能够快速收敛，从而引起广泛关注。但是传统的粒子群算法也有缺陷：收敛速度慢以及容易陷入局部最优等。针对这些问题，本文借鉴小生境的方法，在进化初始阶段，对种群进行划分，将初始种群分为子种群，对不同的子种群进行不同的变异策略；在进化过程中，针对不同的子种群，设置不同的惯性权重因子ω，用来增强全局搜索能力与局部搜索能力。实验结果表明，本文提出的算法较传统的粒子群算法具有较快的收敛性以及找寻的全局最优解更接近真实解集，收敛精度比较高。     

基于动态调整简化粒子群优化的组合测试用例生成方法

优化的组合测试中的一个关键是生成的测试用例能够覆盖更多的组合,而粒子群算法在生成强组合覆盖用例方面有其独特的优势和能力。文中提出了一种基于动态调整简化粒子群优化的组合测试用例生成方法。该方法基于粒子群算法生成测试用例,结合混合的优先级one-test-at-a-time策略和基于动态调整的简化粒子群算法生成组合测试用例集,排除了速度因素对粒子优化过程的影响。定义了一个粒子收敛指标,以粒子群早熟收敛程度为依据来动态调整惯性权值,以防止粒子陷入局部最优和后期出现收敛速度慢的情况,从而提高粒子群算法所生成的覆盖表的覆盖组合能力。通过对比实验表明,基于动态调整的简化粒子群优化算法在用例规模和时间成本上具有一定的优势。     

A modified particle swarm optimization with multiple subpopulations for multimodal function optimization problems

In this paper, a modified particle swarm optimization (PSO) algorithm is developed for solving multimodal function optimization problems. The difference between the proposed method and the general PSO is to split up the original single population into several subpopulations according to the order of particles. The best particle within each subpopulation is recorded and then applied into the velocity updating formula to replace the original global best particle in the whole population. To update all particles in each subpopulation, the modified velocity formula is utilized. Based on the idea of multiple subpopulations, for the multimodal function optimization the several optima including the global and local solutions may probably be found by these best particles separately. To show the efficiency of the proposed method, two kinds of function optimizations are provided, including a single modal function optimization and a complex multimodal function optimization. Simulation results will demonstrate the convergence behavior of particles by the number of iterations, and the global and local system solutions are solved by these best particles of subpopulations.     

基于差分演化和粒子群优化的改进WSN覆盖算法

动态部署传感器节点随机性大,无法保证特定目标区域的覆盖质量,引入智能优化算法后有效提高了节点动态部署的质量,但一般的智能优化算法在动态部署时存在“早熟”等缺陷。为了进一步提高节点动态部署的质量,针对节点的覆盖问题进行研究,结合粒子群优化和差分演化的优点,前期用粒子群优化算法,发挥粒子群擅长前期搜索收敛较快的特点,后期用差分演化算法,发挥差分演化擅长局部搜索的特点,这样取双方所长,克服双方所短,从而使算法有更好的搜索能力。仿真结果表明,本文提出的算法相对于改良惯性权重的粒子群算法、结合虚拟力的粒子群算法以及基本差分演化算法,具有更好的搜索能力,优化后的网络覆盖率更高。     

基于分组混沌PSO算法的模糊神经网络建模研究

为改善记忆功放建模的精度,且针对粒子群算法早期收敛速度较快,但在后期易陷入早熟收敛,局部最优等特点,提出了一种分组并行混沌粒子群优化算法（Grouping Parallel-Chaotic Particle Swarm Optimization,GP-CPSO）,将分组粒子群优化算法与混沌思想相结合,并用该算法优化动态模糊神经网络（Dynamic Fuzzy Neural Network,DFNN）参数,建立DFNN功放模型。引入分组的CPSO群算法,将种群划分为若干个组,每组单独计算,大大提高了收敛速度,同时将混沌思想运用到每个粒子当中去,避免早熟和局部最优,缩短了迭代时间。通过仿真结果可以看到,GP-CPSO优化后的动态模糊神经网络建模的训练误差减小到0.1以内,收敛速度提高32.5%,从而验证了这种建模方法有效且可靠。     

基于双粒子群算法的矿井搜救机器人路径规划

针对在复杂地形中标准的粒子群算法用于矿井搜救机器人路径规划存在迭代速度慢和求解精度低的问题,提出了一种基于双粒子群算法的矿井搜救机器人路径规划方法。首先将障碍物膨胀化处理为规则化多边形,以此建立环境模型,再以改进双粒子群算法作为路径寻优算法,当传感器检测到搜救机器人正前方一定距离内有障碍物时,开始运行双改进粒子群算法:改进学习因子的粒子群算法(CPSO)粒子步长大,适用于相对开阔地带寻找路径,而添加动态速度权重的粒子群算法(PPSO)粒子步长小,擅长在障碍物形状复杂多变地带寻找路径;然后评估2种粒子群算法得到的路径是否符合避障条件,若均符合避障条件,则选取最短路径作为最终路径;最后得到矿井搜救机器人在整个路况模型中的最优行驶路径。仿真结果表明,通过改进学习因子和添加动态速度权重提高了粒子群算法的收敛速度,降低了最优解波动幅度,改进的双粒子群算法能够与路径规划模型有效结合,在复杂路段能够寻找到最优路径,提高了路径规划成功率,缩短了路径长度。     

保持多样性的自适应动态粒子群算法及其应用

针对动态环境中的种群多样性问题,提出一种保持种群多样性的双子群粒子群优化算法。将群搜索算法中的游走者思想引入到粒子群优化算法中,基于群体多样性,子种群B采用不同的方法更新速度和位置,子种群A和子种群B交换最优信息,扩展种群的搜索范围,增强整个群体的多样性水平。将改进的算法应用于复杂变化的抛物线函数和群体动画的跟随效果中,结果表明该算法在动态环境中的有效性,并能够真实模拟群体跟随行为。