一种基于全局劣汰策略的混合粒子群优化算法*

提出一种改进的粒子群优化算法--基于全局劣汰策略的混合粒子群优化算法(GTPSO).GTPSO在保持PSO算法快速收敛的基础上,以郭涛算法(GuoA)的寻优机制确保种群的多样性和算法的坚韧性.数值计算结果表明,对于高维(维数≥10)复杂非凸多峰函数的数值优化问题,GTPSO算法的计算结果均优于GuoA算法和粒子群优化算法.     

基于变尺度黑洞和种群迁徙的粒子群优化算法

针对粒子群优化(PSO)算法收敛速度慢、易早熟收敛等问题，提出基于变尺度黑洞和种群迁徙的PSO——IRBHPSO。引入变尺度黑洞来平衡算法全局探索和局部寻优的权重；在位置更新策略中引入基于混合策略的位移系数，增强算法在迭代前期的收敛速度和在迭代后期的局部寻优能力；将基于种群迁徙的蝴蝶优化算法(BOA)作为局部算子融入PSO中，改善PSO收敛速度慢、易陷入局部最优的问题。使用IRBHPSO、PSO和其他相关算法对12个基准测试函数进行仿真实验，并进行Wilcoxon秩和检验。实验结果表明，IRBHPSO具有更好的收敛精度、收敛速度和稳定性。     

结合SA算法的快速微粒群优化算法

理论上已经证明PSO算法用所有微粒的当前位置与全体最好位置相同时算法停止作为收敛准则是有缺陷的,不能保证全局收敛。而已经证明模拟退火算法依概率1收敛于全局最优解集,因此可将模拟退火算法作为PSO算法的收敛判据。将模拟退伙算法和微利群优化算法结合起来,保证PSO算法的全局收敛性,提高了收敛的速度和效率。实验结果证明了其有效性。     

基于水平集的PSO算法的改进

粒子群优化算法PSO(Particle Swarm Optimization)目前仍存在着早熟收敛和收敛速度较慢的难题,提出一种新的PSO改进算法.该算法利用水平集对PSO的每一代粒子按照适应度进行划分,把与目标相关的所有信息结合在一起,改变了原有的PSO进化公式,提高了算法的收敛速度;其次,对于每一代的某个个体进行变异,使其变异到粒子密度低的空间中去,从而提高了粒子的多样性,减少早熟发生的机会.实验证明,这种算法是有效的.     

粒子群算法的递推分析及改进

对带速度项的PSO算法和不具速度项的动态概率PSO算法进行了随机递推分析,给出了保证收敛的算法的参数取值依据以及相关条件,并基于此提出了改进的动态概率PSO算法(RSPSO)。数值实验分析结果表明,改进的PSO算法能有效避免过早收敛,具有较强的全局搜索能力,且优化能力有了进一步提升.     

基于觅食算子的粒子群优化算法

针对粒子群优化算法PSO（Particle Swarm Optimization）容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点,把人工鱼群算法中的觅食算子改进后引入到基本PSO算法中,提出了一种具有觅食算子的PSO算法。算法在每次迭代后,对全局最优结果执行小规模觅食算法进行局部寻优,并用优化结果代替全局最优结果,从而防止PSO算法陷入局部极小,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度。仿真结果表明,该算法的优化性能优于基本PSO算法。     

双种群变异粒子群算法

利用变异机制可以增加遗传算法全局寻优能力的特性,结合惯性权值线性递减PSO算法具有较快收敛速度的优点,提出了一种双种群变异PSO算法,对该算法与其他PSO算法进行了比较,仿真结果表明其性能优越。     

基于PSO和BP复合算法的模糊神经网络控制器

为了克服单独应用粒子群算法（PSO）或BP算法训练模糊神经网络控制器参数时存在的缺陷,提出了一种训练模糊神经网络参数的PSO＋BP算法。该算法将二者相结合,即在PSO算法中加入一个BP算子,以充分利用PSO算法的全局寻优能力和BP算法的局部搜索能力,从而更有效地提高其收敛速度、训练效率和提高该模糊神经网络控制器的控制效果。最后的仿真实验结果验证了该基于PSO＋BP复合算法的模糊神经网络控制器的有效性和可行性。     

动态邻域混合粒子群优化算法

粒子群优化(PSO)算法对于多峰搜索问题一直存在早熟收敛问题。为在增强PSO算法全局搜索能力的同时提高收敛速度,提出一种动态邻域混合粒子群优化算法DNH_PSO,采用PSO局部模型,将随机拓扑和冯诺依曼拓扑相结合形成动态邻域,提高算法的全局搜索能力,为增强算法的局部搜索能力并加快收敛速度,使用粒子邻域全面学习策略,将拟牛顿法引入算法中。与其他PSO实验对比分析表明,该算法对于多峰搜索问题具有较好的全局收敛性。     

PSO算法的收敛性及参数选择研究

PSO算法(微粒群算法)是一种仿生优化技术,目前国内外对该算法的研究成果已经很丰富。然而PSO的数学基础还显得相对薄弱,对该算法的研究也仅仅限于在一维问题域内的收敛情况,对二维以及多维算法域收敛稳定性还缺乏深刻且具有普遍意义的理论分析。因此,在介绍分析一维问题域算法收敛的基础上,研究PSO算法在二维以及多维算法域内的收敛情况,从而寻求更加有利于微粒群算法收敛的参数选择。     

基于非对称学习因子调节的粒子群优化算法

分析粒子群优化算法中2个学习因子对粒子收敛性的影响,通过Benchmark标准测试函数对不同取值的学习因子进行测试,提出一种基于非对称学习因子调节策略的改进粒子群算法。在搜索初期使粒子获得更好的多样性及较强的摆脱局部极值的能力,在搜索后期加快粒子的收敛速度,提高全局寻优能力。该算法已在复合齿轮传动系统的传动比优化设计中得到了成功应用。     

一类简约的粒子群算法

针对标准粒子群的早熟和局部粒子群的最优位置信息利用率低的问题,提出一类简约的粒子群算法,该算法包含两种改进的策略:初始阶段有区别的更新粒子速度,减少更新频率,当粒子的速度有利于种群的进化时,那么下一代粒子的速度则保持不变;当粒子位置变化不大时,采用基于正态分布的随机采样搜索策略来改变寻优方式,有效地控制种群多样性,避免了早熟现象的发生.仿真实验表明该算法具有更强的寻优能力和更高的稳定性.     

基于混合粒子群算法的锌电解过程能耗优化

针对锌电解过程能耗过高的情况,研究其能耗优化问题.根据电力部门实行的分时计价政策,建立以全天锌电解过程电能消耗和总用电费用为目标的锌电解过程多目标优化模型.提出一种带加速度调整的粒子群优化算法,当粒子陷入局部最优时,通过加速度策略增强种群速度,使算法获得持续搜索的能力,有效克服早熟收敛;并和Powell算法相结合构成新的混合粒子群算法,将粒子群算法的全局搜索能力与Powell算法的局部寻优能力有机结合起来.最后将该混合粒子群算法应用于所建优化模型的求解,获得优化生产方案.仿真结果证明了该算法的有效性.工业应用效果表明,按所得优化方案组织生产降低了电能消耗,减少了用电费用.     

PSO算法全局收敛性分析

为了解决PSO算法能否搜索到全局最优解这类主要理论问题,对随机优化算法的全局收敛性准则作了详细解释,并应用此全局收敛性准则对PSO算法的全局收敛性进行了理论分析;指出了PSO算法并不满足随机优化算法的全局收敛性准则应具备的两个条件,并证明了PSO算法是不能保证全局收敛的。     

一种动态改变学习因子的简化粒子群算法

基本粒子群优化算法(basic particle swarm optimization,简称bPSO)具有容易陷入局部极值,进化后期熟练速度慢,精度低等缺陷,而简化粒子群算法(simple particle swarm optimization,简称sPSO)在保证了熟练速度和精度的同时舍弃了速度项,使算法更加简练。本文提出了一种动态改变学习因子的简化粒子群算法。经过实验证明,该算法在寻优精度和收敛速度上具有明显的优势。     

基于粒子群优化算法的电力系统无功优化

针对粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题,结合全局-局部最优模型,提出一种改进的全局-局部参数最优粒子群优化算法。利用全局-局部最优惯性权重及全局-局部最优加速度常数,简化速度更新方程,使算法性能得到改善。将该算法应用于电力系统无功优化中,仿真结果表明,网损平均值更低,寻优性能更好,优化的网损值集中在较小的区间。     

粒子群优化算法的改进研究

本文针对粒子群优化算法(PSO)存在早熟收敛的问题,提出了一系列改进措施,分别将混沌理论、遗传算法和免疫算法应用到PSO算法中。计算机仿真实验表明:改进算法基本保持了PSO算法简单、易实现的特点,且能够有效避免算法的早熟收敛问题,具有很强的全局搜索能力。     

面向钻削路径规划问题的微粒群优化算法研究

提出一种基于微粒群优化（PSO）算法的方法,用于解决离散空间的群孔钻削路径规划问题．为了满足钻削路径规划问题中整数编码的需要,建立了算子中元素的二元转换方法和操作方式,对算法的操作算子进行改进．针对基本微粒群算法全局收敛率较低的问题,本文在算法数学模型的基础上,引入了重新生成“停止进化微粒”的方式对算法加以改进．实验表明,改进的算法全局收敛率较基本算法提高3倍多;新的算法具有实现简单、收敛速度快、能够实现全局收敛的优点．实际应用中,采用新的PSO优化算法对钻削路径优化后,可以节省17.9%的机床工作台移动时间．     

全变异粒子群优化算法

针对粒子群优化算法容易早熟、收敛精度低等缺点,通过采用全变异策略、最大搜索速度自适应调整等策略得到了一种全变异粒子群优化算法,其中的全变异策略是在陷入早熟的条件下全体粒子参加变异,并且当把粒子看成染色体时,每一个基因等概率地参加变异,可以克服算法的早熟而继续优化,提高了算法的收敛精度。对Shubert函数进行实验的结果表明了算法的有效性。