改进的粒子群优化算法

将基本粒子群算法粒子行为基于个体极值点和全局极值点变化为基于个体极值中心,并且按一定概率选择其他粒子的个体极值点,设计了一种新的粒子群优化算法.新算法的学习行为符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解.实验结果表明了算法的有效性.     

改进的粒子群算法

针对基本粒子群算法容易陷入局部最优点,进化后期速度慢等缺点,设计了一种新的粒子群算法,将基本粒子群算法粒子行为基于个体极值点转化为个体自身极值与其他某一个个体极值的加权平均值,而全局极值点转化为群体中优秀个体极值的加权平均值。数值仿真实验表明,新算法比PSO具有更好的收敛性,能更快地找到问题的最优解。     

具有综合学习机制的粒子群算法

基本粒子群算法在模拟生物群体智能时,只有信息的单一传递和强迫学习机制,导致群体迅速收敛和种群的多样性降低。为此,提出一种具有综合学习机制的粒子群算法,将所有粒子的个体极值的平均值取代每一粒子的个体极值,并以自适应概率定向地随机变异全局极值。仿真实验表明,新算法解精度高,收敛速度快,能有效抑制过早收敛。     

求解多目标优化问题的灰色粒子群算法

鉴于基本粒子群算法无法解决高维多目标优化问题，提出了一种适合求解高维多目标优化问题的灰色粒子群算法(GPSO)，该算法根据灰色关联能够很好地分析目标矢量之间的接近程度，并能掌握解空间全貌的特点，利用灰色关联度的大小来选取粒子群算法中的全局极值和个体极值。实验结果证明，该算法可行而有效，同时也拓展了粒子群算法的应用领域。     

具有追尾行为的自适应变异粒子群算法

针对基本粒子群算法容易早熟及算法震荡问题,提出了一种具有追尾行为的自适应变异粒子群算法, 在最优粒子周围添加一个可视区域,如果可视区域内的粒子浓度超过给定标准,则对区域内粒子的个体极值点以一定概率进行自适应变异操作,通过与当前状态比较决定是否更新极值点, 变异操作直至粒子离开可视区域、更新了全局极值点或者达到给定变异步数为止。算法增大了搜索能力,而且避免了多余的运算,减少了计算量。通过测试函数仿真验证,结果表明新算法不仅确保收敛、改善了收敛速度, 而且有效避免了算法震荡。     

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。     

改进的粒子群算法在动态OD矩阵反推中的应用

针对粒子群算法存在收敛速度慢和局部最优的问题,引入粒子间相对位置改进基于抗体浓度的概率选择公式,提出了一种带免疫机理的改进粒子群算法。粒子不仅根据个体极值和全局极值更新速度和位置,而且按一定概率以轮盘赌法选择某个粒子进行学习,以保持种群多样性,防止出现早熟停滞现象。并将其用于由路段流量反推OD矩阵的极大熵模型求解研究中,以重庆市某交叉路口为实例进行实验,结果表明：粒子群算法推算OD矩阵是有效、可行的,可以克服牛顿法严格依赖初始值的缺点;改进的粒子群算法比基本粒子群算法和基本遗传算法具有更好的全局寻优能力。     

听觉信号盲分离的混合粒子群优化算法

为了解决基本粒子群盲分离算法收敛速度慢、优化精度低的问题,提出用基于群体自适应变异和个体退火操作的混合粒子群优化算法（HPSO）来实现听觉信号盲分离。与模拟退火算法（SA）和基本粒子群算法（PSO）相比,该算法保持了基本粒子群算法简单、容易实现的特点,又能进行自适应变异,改善了其摆脱局部极值点的能力。仿真对比结果表明,基于该改进算法的盲分离效果良好,具有收敛速度快、性能稳定等特点。     

基于双向并行灾变粒子群算法的区域交通控制

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,引入灾变模型,采用双向并行策略,提出一种双向并行灾变粒子群优化算法（BPC-PSO）,并将其成功应用于城市区域交通控制信号参数配时优化。仿真结果表明：双向并行灾变粒子群算法相对于基本粒子群算法大大提高了寻找全局最优解的能力,使车辆平均延误和平均停车率都比基本粒子群算法有明显地降低。     

基于雁群启示的粒子群优化算法

粒子群优化（PS0）算法是一类新兴的随机优化技术，其思想来源于人工生命和演化计算理论。PSO通过粒子追随个体极值和全局极值来完成优化。本文借鉴生物界中雁群的飞行特征，给出了一种改进的PSO算法。该算法一方面将粒子排序，每个粒子跟随其前面那个较优粒子飞行，保持了多样性；另一方面使每个粒子利用更多其他粒子的有用信息，加强粒子之间的合作与竞争。用3个基准函数对新算法进行实验，结果表明，新算法不仅具有更好的收敛精度和更快的收敛速度，而且能更有效地进行全局搜索。     

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...     

基于自适应动态邻居和广义学习的改进粒子群算法

为了克服粒子群算法在求解多峰函数时极易陷入局部最优解的缺陷, 提出一种基于自适应动态邻居广义学习的改进粒子群算法(ADPSO)。在ADPSO算法中, 根据每个粒子邻居中最好运行粒子的状态动态地调整邻居拓扑结构;每个粒子的学习样本包括全局最优粒子、自身最优粒子和粒子邻居中最优运行粒子;并且在新产生的粒子位置上, 加上一个随机位置以增加粒子向全局最优解移动的概率。在基准函数的测试中, 结果显示ADPSO算法比其他PSO算法有更好的运行效果,是求解多峰问题的一种有效算法。     

嵌入局部一维搜索技术的混合粒子群优化算法*

通过将粒子群优化算法(PSO)与经典局部一维搜索技术相结合,提出一种嵌入局部一维搜索技术的混合粒子群优化算法(LLS-PSO)。该算法在基本粒子群优化算法中引入一维搜索技术,选取最优粒子进行局部一维搜索,增强了在最优点附近的局部搜索能力,以加快算法的收敛速度。对三个经典复杂优化问题进行数值实验,并与基本PSO算法进行比较。实验分析和结果表明,LLS-PSO具有更好的优化性能。     

一种自适应调整种群子代数量 与步长的优化算法——爆米花算法

提出了一种新的群体智能优化算法——爆米花算法。借鉴了烟花算法爆炸机制的优点,利用个体在寻优过程中适应度值的优劣来动态调整子代的数量,个体的适应度值越好,产生的子代数量越多,并且在该个体附近搜索的子代数量越多,以此控制局部搜索与全局搜索之间的平衡。还借鉴了粒子群优化算法的记忆机制,引入个体最优和全局最优来构造新的爆炸半径,使算法能够在寻优过程中动态地调整步长,并对全局最优进行高斯扰动,增加种群的多样性。实验结果表明:与其他优化算法(如蝙蝠算法、标准粒子群算法、烟花算法)相比,本文提出的爆米花算法总体性能更优。     

基于高斯混合模型的活动轮廓模型脑MRI分割

传统的活动轮廓模型用于图像分割往往基于目标的边界信息,在图像含有强噪音或目标具有弱边界时很难得到真实解.引入高斯混合模型构造新的约束项,在新的约束项作用下模型可以减少噪音的影响,并防止从弱边界泄漏.高斯混合模型求解通常使用Expectation-maximization(EM)算法,该算法是局部优化算法,且对初值敏感.因此引入粒子群算法,并提出一种改进的算法,利用该算法的全局优化性求解高斯混合模型的参数,以提高参数精度.对脑核磁共振图像(MRI)分割实验表明该模型具有较好的分割效果.     

混沌粒子群与模糊聚类在图像分割中的应用

模糊C均值聚类算法是目前使用最广泛的模糊聚类算法,但是该算法也有其局限性,比如在迭代过程中对初始值非常敏感,极容易陷入局部极小值,以至于得不到最佳聚类结果。将粒子群优化算法应用到模糊C均值聚类算法中,提出一种基于混沌粒子群的模糊C均值聚类算法。它能够利用粒子群算法强大的全局寻优能力避免算法收敛于局部极值,最大程度上达到全局最佳聚类结果。为了避免粒子在迭代过程中停滞,该算法引入了混沌变量,以当前的全局最优位置来产生一个混沌序列,用混沌序列中拥有最优适应值的粒子随机代替当前粒子群中的一个粒子。将基于混沌粒子群的模糊C均值聚类算法应用于图像分割中,实验结果表明该算法能够有效地分割图像,并具有良好的鲁棒性和适应性。     

一种新的混合粒子群算法求解置换流水车间调度问题

针对粒子群算法易早熟的缺点,提出了一种结合迭代贪婪(IG)算法的混合粒子群算法。算法通过连续几代粒子个体极值和全局极值的变化判断粒子的状态,在发现粒子出现停滞或者粒子群出现早熟后,及时利用IG算法的毁坏操作和构造操作对停滞粒子和全局最优粒子进行变异,变异后利用模拟退火思想概率接收新值。全局最优粒子的改变会引导粒子跳出局部极值的约束,增加粒子的多样性,从而克服粒子群的早熟现象。同时,为了使算法能更快找到或逼近最优解,采用了循环迭代策略,在阶段优化结果的基础上,周而复始循环迭代进行求解。将提出的混合粒子群算法应用于置换流水车间调度问题,并在问题求解时与几个具有代表性的算法进行了比较。结果表明,提出的算法能够克服粒子群早熟,在求解质量方面优于其他算法。     

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。     

基于改进粒子群算法的柔性神经树优化①

神经树采用树结构编码,具有非常好的预测能力和函数逼近能力。模型中的相关参数通常用粒子群优化算法来优化,可是传统的粒子群算法具有容易陷入局部最优值,并且进化后期的收敛速度慢、精度低等缺点,因此会影响神经树的性能。将一种新的改进的粒子群优化算法应用到神经树模型中,并与传统的粒子群算法在柔性神经树的应用比较,表明该改进粒子群算法具有更好的收敛精度,从而改善了神经树的性能。     

一种自适应柯西变异的反向学习粒子群优化算法

针对传统粒子群优化算法易出现早熟的问题,提出了一种自适应变异的反向学习粒子群优化算法。该算法在一般性反向学习方法的基础上,提出了自适应柯西变异策略(ACM)。采用一般性反向学习策略生成反向解,可扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,采用ACM策略对当前最优粒子进行扰动,自适应地获取变异点,在有效提高算法局部开采能力的同时,使算法能更加平稳快速地收敛到全局最优解。为进一步平衡算法的全局搜索与局部探测能力,采用非线性的自适应惯性权值。将算法在14个测试函数上与多种基于反向学习策略的PSO算法进行对比,实验结果表明提出的算法在解的精度以及收敛速度上得到了大幅度的提高。