自适应变异粒子群算法

为了解决粒子群种群多样性低、容易陷入局部最优的缺点,结合最优粒子和其他粒子在种群中的不同作用,给出了一种自适应变异粒子群算法。算法中最优粒子根据种群进化程度,自适应调整自身搜索邻域大小,增强种群的局部搜索能力;对非最优粒子的位置进行小概率的随机初始化,当其速度为零时,速度自适应变化,以便增强种群多样性和全局搜索能力。仿真实验中,将算法应用于6个典型复杂函数优化问题,并与其他变异粒子群算法比较,结果表明,增强种群多样性的同时提高了局部搜索能力。     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,并成功的运用于广泛的数值优化问题。PSO算法在求解高维复杂函数优化问题时容易陷入局部最优。有鉴于此,本文提出了一种基于信息熵的粒子优化算法。该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性。实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度。     

随机摄动粒子群优化算法

基于粒子群优化算法种群结构相对独立的特点，提出了一种改进的粒子群优化算法一随机摄动粒子群优化算法。该算法通过对每一次进化计算后记忆中的最优粒子进行随机摄动操作来提高解的精度和算法的搜索效率，同时通过对种群中的最差粒子重新进行初始化来保持种群的多样性以避免陷入局部最优解。通过典型复杂函数测试表明，随机摄动粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法。     

动态改变惯性权重的自适应粒子群算法

惯性权重是平衡粒子群算法中平衡全局搜索能力与局部搜索能力的重要参数.为实现快速收敛与并避免陷入局部最优,分析了PSO算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度这三者的关系,并把粒子惯性权重定义为这三者的函数以改进PSO算法.该算法在每次迭代后根据此函数更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率.     

基于Q学习的多任务多目标粒子群优化算法

多任务粒子群优化算法(multi-task particle swarm ptimization, MTPSO)通过知识迁移学习,具有快速收敛能力,广泛应用于求解多任务多目标优化问题.然而, MTPSO难以根据种群进化状态自适应调整优化过程,容易陷入局部最优,收敛性能较差.针对此问题,利用强化学习的自我进化与预测能力,提出一种基于Q学习的多任务多目标粒子群优化算法(QM2PSO).首先,设计粒子群参数动态更新方法,利用Q学习方法在线更新粒子群算法的惯性权重和加速度参数,提高当前粒子收敛到Pareto前沿的能力;其次,提出基于柯西分布的突变搜索策略,通过全局和局部交替搜索多任务最优解,避免算法陷入局部最优;最后,设计基于正向迁移准则的知识迁移方法,采用Q学习方法更新知识迁移率,改善知识负迁移现象.与已有经典算法的对比实验结果表明所提出的QM2PSO算法具有更优越的收敛性.     

求解大规模函数优化的粒子群优化算法

针对大规模全局函数优化的维数制约求解性能的问题,提出一种多策略混合进化的粒子群算法.为平衡算法的勘测与开采能力,利用种群分割思想将进化种群分为精英、优质、中等和劣质种群;为增强算法的全局搜索能力,劣质种群向精英种群进行对称学习;为增强算法的局部搜索能力,采用局部高斯扰动增强中等种群中粒子的局部勘测能力;为提升算法的搜索效率,精英以及优质种群直接进入下一代.借助两种标准测试集,比较性的实验结果表明,提出的算法在相同终止条件下,其寻优质量有明显优势,有较好的应用潜力.     

一种基于和声搜索的动态交叉粒子群算法

针对粒子群优化算法(PSO)在优化多维问题时容易陷入局部最优的问题,提高其全局搜索能力和拓展能力,提出了一种基于和声搜索的动态交叉粒子群算法.引入动态交叉操作,使得粒子在更新速度时实现共享有效信息,保证粒子进化过程中的种群多样性,提高全局搜索能力.结合和声搜索(HS)的随机搜索能力提出了HS-DCPSO,利用和声搜索的自适应调整参数音符调节概率PAR和间隔调整带宽bw来提高粒子群的拓展能力.通过多个基准函数对所提出的HS-DCPSO算法进行仿真测试,并与HS、PSO及多种改进的粒子群算法对比,验证所提出的HS-DCPSO算法具有较强的全局搜索能力和局部拓展能力,并且算法时间复杂度相比传统PSO增加不明显.     

一种带混沌变异的粒子群优化算法

为了克服粒子群算法在进化后期存在收敛速度慢、易陷入局部极小等问题,提出了一种混沌变异粒子群优化算法。该算法根据群体适应度变化率对种群中非优胜粒子进行变异操作,并对全局最优位置进行小范围混沌扰动,以增强算法跳出局部最优的能力。对几种复杂典型函数与标准粒子群算法进行了仿真测试,结果表明该算法明显改善了全局搜索能力和抗早熟收敛性能。     

基于进化停滞周期的局部变异PSO算法及其收敛性分析

为了克服粒子群优化算法容易陷入局部最优而发生早熟收敛的问题,提出一种基于进化停滞周期的局部变异粒于群优化算法.算法引入进化停滞周期和近期全局最优位置的概念,使粒子的飞行受近期全局最优位置影响,并在种群进化停滞时对随机选中的局部粒子执行变异操作,增加种群多样性,扩大搜索范围,提高求解质量.算法用种群进化停滞周期代替多样性度量,避免了多样性计算引起的高计算复杂度.对于几个常用基准函数的仿真结果验证了算法的合理性和有效性.     

分层粒子群优化算法

针对粒子群优化算法存在进化后期局部搜索能力不强、收敛速度变慢的问题,提出一种分层粒子群优化算法。利用标准粒子群优化算法在整个搜索空间内进行全局搜索,由全局搜索获得的较优个体产生局部搜索区域,在局部区域内进行进一步搜索。为避免陷入局部最优,采用动态调整局部搜索区域的策略,保持算法的全局收敛性。通过典型测试函数计算表明,该算法的收敛速度和局部搜索能力有明显改善。     

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。     

多种群并行协作的粒子群算法

针对高维复杂优化问题在求解时容易产生维数灾难导致算法极易陷入局部最优的问题,提出一种能够综合考虑高维复杂优化问题的特性,动态调整进化策略的多种群并行协作的粒子群算法。该算法在分析高维复杂问题求解过程中的粒子特点的基础上,建立融合环形拓扑、全连接形拓扑和冯诺依曼拓扑结构的粒子群算法的多种群并行协作的网络模型。该模型结合3种拓扑结构的粒子群算法在解决高维复杂优化问题时的优点,设计一种基于多群落粒子广播-反馈的动态进化策略及其进化算法,实现高维复杂优化环境中拓扑的动态适应,使算法在求解高维单峰函数和多峰函数时均具有较强的搜索能力。仿真结果表明,该算法在求解高维复杂优化问题的寻优精度和收敛速度方面均有良好的性能。     

粒子置换的双种群综合学习PSO算法

针对粒子群算法(PSO)种群多样性低和易于陷入局部最优等问题,提出一种粒子置换的双种群综合学习PSO算法(PP-CLPSO)。根据PSO算法的收敛特性和Logistic映射的混沌思想,设计并行进化的PSO种群和混沌化种群,结合粒子编号机制,形成双种群系统中粒子的同号结构和同位结构,其中粒子的惯性权重根据适应度值自适应调节;当搜索过程陷入局部最优时,PSO种群同位结构下适应度值较差的粒子,根据与混沌化种群间的同号结构执行粒子置换操作,实现了双种群系统资源的合理调度,增加了种群的多样性;进而综合双向搜索的同位粒子学习策略和线性递减搜索步长的局部学习策略,进行全局探勘和局部搜索,提高了算法的求解精度。实验选取9个基准测试函数,同时与4个改进的粒子群算法和4个群智能算法进行对比验证,实验结果表明,PP-CLPSO算法在求解精度和收敛速度等方面具备较好的综合性能。     

基于细菌觅食机理改进粒子群算法的研究

粒子群算法与细菌觅食算法在优化问题中均体现了较好的性能,但由于各自特定的进化机制,也都存在缺点。粒子群优化（PSO）算法在优化过程中过快陷入局部极值,为了避免这个缺陷,提出了一种新的混合算法。通过PSO算法完成整个空间的全局搜索,通过细菌觅食算法（BFOA）中的趋向性运动算子完成局部搜索的功能,再通过典型函数进行测试,结果表明新算法可以有效弥补细菌觅食算法速度不快和粒子群算法精度不高的缺陷,同时部分地避免了局部收敛的问题,从而适用于解决复杂函数的优化问题。     

一种单个粒子自适应修正的粒子群算法

在各类优化问题的解决过程中,群智能优化算法的局部搜索与全局搜索性能都起着重要的作用。在粒子群优化算法中,惯性权值的引入对粒子群算法的收敛性与稳定性都具有一定的影响。因此,在分析现有权值递减策略的基础上,提出一种基于单个粒子适应值的权值修正策略,区别对待同次迭代中适应值好与差的粒子,通过不同的权值赋值策略,以充分发挥各粒子的优势,以增强全局搜索和跳出局部最优的能力。通过对标准测试函数所做的对比实验,该策略可以使粒子在搜索初期获得更好的多样性,使粒子具有更强的摆脱陷入局部极值点的能力;在搜索末期可以加快粒子收敛速度以提高粒子群优化算法的快速性能。改进算法有效减少了早熟的发生,提高了粒子的收敛性能,取得了比较满意的仿真结果。     

Particle Swarm Optimization with Chaos-based Initialization for Numerical Optimization

Particle swarm optimization (PSO) is a population based swarm intelligence algorithm that has been deeply studied and widely applied to a variety of problems. However, it is easily trapped into the local optima and premature convergence appears when solving complex multimodal problems. To address these issues, we present a new particle swarm optimization by introducing chaotic maps (Tent and Logistic) and Gaussian mutation mechanism as well as a local re-initialization strategy into the standard PSO algorithm. On one hand, the chaotic map is utilized to generate uniformly distributed particles to improve the quality of the initial population. On the other hand, Gaussian mutation as well as the local re-initialization strategy based on the maximal focus distance is exploited to help the algorithm escape from the local optima and make the particles proceed with searching in other regions of the solution space. In addition, an auxiliary velocity-position update strategy is exclusively used for the global best particle, which can effectively guarantee the convergence of the proposed particle swarm optimization. Extensive experiments on eight well-known benchmark functions with different dimensions demonstrate that the proposed PSO is superior or highly competitive to several state-of-the-art PSO variants in dealing with complex multimodal problems.     

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.     

Non-parametric particle swarm optimization for global optimization

In recent years, particle swarm optimization (PSO) has extensively applied in various optimization problems because of its simple structure. Although the PSO may find local optima or exhibit slow convergence speed when solving complex multimodal problems. Also, the algorithm requires setting several parameters, and tuning the parameters is a challenging for some optimization problems. To address these issues, an improved PSO scheme is proposed in this study. The algorithm, called non-parametric particle swarm optimization (NP-PSO) enhances the global exploration and the local exploitation in PSO without tuning any algorithmic parameter. NP-PSO combines local and global topologies with two quadratic interpolation operations to increase the search ability. Nineteen (19) unimodal and multimodal nonlinear benchmark functions are selected to compare the performance of NP-PSO with several well-known PSO algorithms. The experimental results showed that the proposed method considerably enhances the efficiency of PSO algorithm in terms of solution accuracy, convergence speed, global optimality, and algorithm reliability.     

具有拓扑时变和搜索扰动的混合粒子群优化算法

粒子群优化（PSO）算法在求解复杂多峰函数时极易早熟,陷入局部最优无法跳出。研究表明改变粒子间的拓扑结构和调整算法的迭代机制有助于改善种群的多样性,提高算法的寻优能力。因此,提出一种具有拓扑时变和搜索扰动的混合粒子群优化（HPSO-TS）算法。该算法采用K-medoids聚类算法对粒子群进行动态分簇,形成多个异构子群,以利于子群内粒子间进行信息流通。在速度更新中,增加簇最优粒子的引导,并引入非线性变化极值扰动,帮助粒子搜索更多的区域。而后在位置迭代中引入花授粉算法（FPA）中的转换概率,使粒子在全局搜索和局部搜索之间转换。在全局搜索时结合狮群算法中的母狮觅食机制对粒子的位置进行更新;在局部搜索时引入正弦扰动因子,帮助粒子跳出局部最优。实验结果表明所提算法在求解精度和鲁棒性方面明显优于FPA、PSO、改进粒子群算法（IPSO）、具有动态拓扑结构的粒子群算法（PSO-T）;并且随着测试维度和次数的增加,这种优势更加明显。HPSO-TS算法所引入的拓扑时变策略和搜索扰动机制能有效地提高种群的多样性和粒子的活性,从而改善寻优能力。     

融合吸引排斥和双向学习的改进粒子群算法

针对粒子群算法在计算时存在收敛速度慢、易陷入局部收敛等缺陷,提出了一种融合吸引排斥和双向学习的改进粒子群算法来提高算法的寻优能力。双向学习策略扩大了粒子的搜索范围、丰富了种群多样性;在吸引-排斥策略中,粒子能够分别被全局最优粒子和全局最差粒子所引导进而朝着更优的方向进化,提高了算法的局部寻优性能和收敛能力。同时,在双向学习策略中,为了克服单一性的学习因子和惯性权重在优化复杂函数时无法很好地调节寻优进程的问题,提出了双重自适应策略,更好地平衡群体中粒子的搜索行为。最后利用标准测试函数对该算法进行仿真验证,并与其他两种改进的算法对比。实验结果表明,在相同的实验条件下,改进后的粒子群算法在寻优能力和收敛速度方面具有明显优势。