自适应扩展的简化粒子群优化算法

针对基本粒子群优化算法易于陷入局部最优的问题,提出了一种自适应扩展的简化粒子群优化算法。该算法采用去除速度项的简化算法结构,并用所有粒子个体极值的平均值代替每个粒子的个体极值,自适应动态调整加速系数。实验结果表明,算法能够有效避免早熟收敛问题,其全局收敛性能显著提高,收敛速度更快。     

基于云变异的云自适应粒子群算法

研究云粒子群优化算法问题,为了克服云粒子群优化算法易过早收敛的缺点和提高优化多峰函数的性能。提出了一种云变异的云自适应粒子群优化新算法,结合全局最优值和粒子适应度的比值体现出粒子优差的特点,利用正态云发生器自适应调整粒子个体惯性权重,并且对粒子位置进行了基于云模型的变异操作,合理的对粒子群各参数进行设置,典型测试函数仿真结果表明,改进优化算法能有效找出全局最优解,提高了收敛精度和收敛速度,且适宜于多峰值问题寻优,是一种可行而有效的优化方法。     

基于高斯扰动和自然选择的改进粒子群优化算法

为了有效地平衡粒子群算法的全局与局部搜索性能,提出一种基于高斯扰动和自然选择的改进粒子群优化算法。该算法在采用简化粒子群优化算法的基础上,考虑到个体最优粒子间的相互影响,使用所有融入高斯扰动的个体最优的平均值代替每个粒子的个体最优值,并且借鉴自然选择中适者生存的进化机制提高算法优化性能;同时通过含有惯性权重停止阈值的自适应调节余弦函数递减策略来实现对惯性权重的非线性调整并采用异步变化调整策略来改善粒子的学习能力。仿真实验结果表明,所提算法在收敛速度和精度等方面均有提高,寻优性能优于近期文献中的几种改进的粒子群优化算法。     

基于自适应均值粒子群算法的SVM参数优化方法

针对传统粒子群算法(Particle Swarm Optimization,PSO)对支持向量机(Support Vector Machine,SVM)参数寻优时的低效问题,运用了自适应均值粒子群算法(Adaptive Mean Particle Swarm Optimization,MAPSO)对SVM参数进行优化(MAPSO-SVM算法).采用自适应策略,引入了余弦函数、非线性动态调整惯性因子,每次进化都根据种群中粒子的适应度值大小将粒子分为3个等级,对每个等级的粒子赋予相应的惯性因子,将PSO算法速度更新方程中的个体历史最优位置和全局最优位置用它们的线性组合代替.分别用SVM、PSO-SVM和MAPSO-SVM算法对UCI中不同数据集进行实验测试,结果表明MAPSO-SVM算法比SVM和PSO-SVM算法的分类效果更好,分类准确率比SVM和PSO-SVM算法分别平均提高了14.7290％和1.8347％,同时与PSO-SVM算法相比,算法的收敛精度和效率更高.     

基于改进粒子群算法的模糊小波神经网络建模

随着射频功放非线性对射频前端的影响日益增大,使得功放建模变得越来越重要。提出了一种自适应模糊小波神经网络模型结构,并利用改进的粒子群优化算法,建立有记忆的功放模型。将小波函数融入到自适应模糊推理系统的模糊规则中,得到新的网络模型;在粒子群算法中引入最差位置影响因子,提高搜索效率,并进一步简化,忽略粒子的速度项,同时采用与适应度函数值相关的动态变化惯性权重,加快了收敛速度,避免出现“早熟”现象。仿真结果表明：该方法建立的功放模型误差小、精度高,能够有效地表征功放特性。     

一种新的基于提高多样性的粒子群优化算法

提出了一种基于提高多样性的粒子群优化算法。在速度更新公式中,将比当前粒子适应度更高的其它所有粒子的个体最优位置信息进行加权学习;在位置更新公式中,利用真实物理反弹理论将解空间外的粒子反弹回解空间内。5个基准测试函数的仿真实验表明,该算法能有效克服PSO中的过早收敛问题,并显著提高粒子的多样性,同时有效控制粒子的进化速度。     

Contourlet变换与粒子群优化相耦合的遥感图像融合方法

为有效优化融合图像中多光谱特性的保持和空间信息的保留,提出一种结合Contourlet变换与粒子群优化算法的遥感图像融合方法。通过设定粒子群优化算法的目标适应度函数,使其依赖于融合结果图像的客观评价指标,并自适应地获取低频子带的最优加权系数和高频子带间结构相似度阈值的最优值,从而得到优化的融合图像。首先将全色图像和多光谱图像的亮度I分量分别进行Contourlet变换,根据分解后的低频系数和高频系数不同的特征信息,在低频系数上以信息熵与相对偏差的差值作为目标适应度函数,采用优化算法自适应地寻找最优加权系数进行融合;在高频系数上以结构相似度作为目标适应度函数,搜索结构相似度的最优阈值p,再采用基于区域结构相似度的融合规则进行融合;最后经Contourlet和IHS逆变换得到融合图像。仿真实验结果表明:提出的方法能很好地兼顾多光谱图像光谱信息的保持和全色图像空间信息的保留。     

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。     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

自适应动态调整粒子群的云计算任务调度

为了高效地实现云计算任务调度,融合改进的分数阶达尔文粒子群算法和多目标函数构造,提出一种新的云计算任务调度算法。对分数阶达尔文粒子群算法进行全方位改进,基于粒子群适应度动态调整惯性权重系数以自适应搜索最优解;利用粒子自身进化信息定义进化因子,结合进化因子并利用高斯图函数调整分数阶次α系数以实现快速收敛;借助Levy飞行随机扰动对局部最优位置进行位置扰动以提高跳出局部最优的能力;综合最短等待时间、资源负载均衡程度及任务完成所耗费用等三个目标构造任务调度满意度函数,以此搜索任务调度最优解。仿真实验表明,与其他粒子优化算法相比,该算法有较快的收敛速度和较高的寻优精度;在任务调度中,该算法与其他三种调度算法相比,在较低的截止时间未完成率下实现了虚拟资源的均衡负载。     

非线性动态加速系数对粒子群算法的影响

粒子群算法(PSO)中的加速系数影响着粒子的个体认知和群体认知,而传统算法中的加速系数一般取常量.据研究发现,粒子的个体认识和群体认识分别主导着粒子的全局搜索能力和局部搜索能力,提高粒子个体认识可以有效增强算法的全局搜索能力,而提高粒子的群体认识可以有效增强算法的局部搜索能力.为进一步研究加速系数对粒子群算法的影响,本...     

扩展的微粒群算法

微粒间的作用方式是影响微粒群算法的关键因素.为克服微粒群算法的早熟问题,提出一种扩展的微粒群算法(EPSO).基于拟态物理学中的引斥力思想,重新构建微粒间的作用方式.通过微粒间适应值的比较定义微粒间作用的引斥力规则,使微粒在所有微粒对其产生的引斥力的合力方向上随机地移动寻找最优解.扩展的微粒群算法与相关算法进行比较,仿真结果表明:它能够有效提高微粒群算法的全局优化性能.     

Force-imitated particle swarm optimization using the near-neighbor effect for locating multiple optima

Multimodal optimization problems pose a great challenge of locating multiple optima simultaneously in the search space to the particle swarm optimization (PSO) community. In this paper, the motion principle of particles in PSO is extended by using the near-neighbor effect in mechanical theory, which is a universal phenomenon in nature and society. In the proposed near-neighbor effect based force-imitated PSO (NN-FPSO) algorithm, each particle explores the promising regions where it resides under the composite forces produced by the “near-neighbor attractor” and “near-neighbor repeller”, which are selected from the set of memorized personal best positions and the current swarm based on the principles of “superior-and-nearer” and “inferior-and-nearer”, respectively. These two forces pull and push a particle to search for the nearby optimum. Hence, particles can simultaneously locate multiple optima quickly and precisely. Experiments are carried out to investigate the performance of NN-FPSO in comparison with a number of state-of-the-art PSO algorithms for locating multiple optima over a series of multimodal benchmark test functions. The experimental results indicate that the proposed NN-FPSO algorithm can efficiently locate multiple optima in multimodal fitness landscapes.     

Sequential approximation optimization assisted particle swarm optimization for expensive problems

In this paper, an efficient sequential approximation optimization assisted particle swarm optimization algorithm is proposed for optimization of expensive problems. This algorithm makes a good balance between the search ability of particle swarm optimization and sequential approximation optimization. Specifically, the proposed algorithm uses the optima obtained by sequential approximation optimization in local regions to replace the personal historical best particles and then runs the basic particle swarm optimization procedures. Compared with particle swarm optimization, the proposed algorithm is more efficient because the optima provided by sequential approximation optimization can direct swarm particles to search in a more accurate way. In addition, a space partition strategy is proposed to constraint sequential approximation optimization in local regions. This strategy can enhance the swarm diversity and prevent the preconvergence of the proposed algorithm. In order to validate the proposed algorithm, a lot of numerical benchmark problems are tested. An overall comparison between the proposed algorithm and several other optimization algorithms has been made. Finally, the proposed algorithm is applied to an optimal design of bearings in an all-direction propeller. The results show that the proposed algorithm is efficient and promising for optimization of the expensive problems.     

基于Hénon混沌与动态非线性方程的改进粒子群优化算法*

为解决粒子群优化算法易于陷入局部最优问题,提出了两种新方法并行改进粒子群优化算法惯性权重：对适应度值比平均值差的粒子,用所设计的动态Hénon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值,动态寻找全局最优值;对适应度值好于或等于平均值的粒子,用提出的动态非线性方程调整惯性权重,在保存相对有利环境的基础上逐步向全局最优处收敛。两种方法前后相辅相成、动态协调,使两个动态种群相互协作、协同进化。采用不同复杂程度的标准测试函数进行实验,结果发现,该算法在不同情况下都超越了同类著名改进粒子群优化算     

State estimation of nonlinear dynamic systems using weighted variance-based adaptive particle swarm optimization

New heuristic filters are proposed for state estimation of nonlinear dynamic systems based on particle swarm optimization (PSO) and differential evolution (DE). The methodology converts state estimation problem into dynamic optimization to find the best estimate recursively. In the proposed strategy the particle number is adaptively set based on the weighted variance of the particles. To have a filter with minimal parameter settings, PSO with exponential distribution (PSO-E) is selected in conjunction with jDE to self-adapt the other control parameters. The performance of the proposed adaptive evolutionary algorithms i.e. adaptive PSO-E, adaptive DE and adaptive jDE is studied through a comparative study on a suite of well-known uni- and multi-modal benchmark functions. The results indicate an improved performance of the adaptive algorithms relative to original simple versions. Further, the performance of the proposed heuristic filters generally called adaptive particle swarm filters (APSF) or adaptive differential evolution filters (ADEF) are evaluated using different linear (nonlinear)/Gaussian (non-Gaussian) test systems. Comparison of the results to those of the extended Kalman filter, unscented Kalman filter, and particle filter indicate that the adopted strategy fulfills the essential requirements of accuracy for nonlinear state estimation.     

自适应中心引力优化算法

针对函数全局优化问题,提出了一种自适应中心引力算法,以平衡全局探测能力和局部搜索能力。首先定义粒子的适应值函数,然后根据与平均适应值的比较,更新粒子运动时间,并引进交叉操作更新当前粒子位置,从而提高算法的收敛速度。最后选择8个典型测试函数进行测试,并与中心引力优化算法和其他粒子群优化算法进行比较。结果表明,该算法得到的结果十分精确,鲁棒性强,优于其他算法。     

目(2055)基于聚类的多子群粒子群优化算法*

在粒子群优化算法基础上,提出了基于聚类的多子群粒子群优化算法。该算法在每次迭代过程中首先通过聚类方法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和“子群”中的最优粒子更新自己的速度和位置值。这种处理增加了粒子之间的信息交换,利用了更多粒子在迭代过程中的信息,使算法的收敛性能更好。仿真结果表明,该算法的性能优于粒子群优化算法。     

基于Tent映射的自适应混沌嵌入式粒子群算法

为避免粒子群算法后期出现早熟收敛,提出一种基于Tent映射的自适应混沌嵌入式粒子群算法。将混沌变量嵌入到标准粒子群算法中,且对参数进行自适应调整。算法采用Tent映射生成的混沌序列来取代基本粒子群算法中的随机数,充分利用了混沌运动的随机性、遍历性和规律性;惯性权重和学习因子采用非线性的自适应调整策略;建立平均粒距与适应度方差相结合的早熟收敛判断机制,并且以混沌搜索的方式来跳出局部最优。测试函数仿真结果表明,该算法具有良好的全局搜索能力,寻优精度较高,鲁棒性好。     

粒子带质量的粒子群算法

针对粒子群算法在陷入局部最优时难于跳出的缺陷提出了一种带有质量的粒子群算法。该算法受运动学原理启发,粒子位置的更新不仅受自身最优和种群最优的影响,还受到由粒子质量引起的梯度场的影响。当粒子群出现早熟现象时,用电磁学原理与动量守恒定理更新种群的最优位置,使群体能及时摆脱局部最优区域。仿真结果表明,该算法优化4种具有代表性的基准函数,无论是在优化精度方面还是在优化效率方面,均较以往提出的改进粒子群算法在性能上有所改进。