一种基于引导策略的自适应粒子群算法

为解决粒子群算法前期搜索“盲目”,后期搜索速度慢且易陷入局部极值的问题,对算法中粒子更新方式和惯性权重进行了改进,提出了一种基于引导策略的自适应粒子群算法。该算法在种群中引入4种粒子,即主体粒子、双中心粒子、协同粒子和混沌粒子对粒子位置更新进行引导,克服算法的随机性,从而提高搜索效率;为进一步克服粒子群优化算法进化后期易陷入早熟收敛的缺点,引入聚焦距离变化率的概念,通过聚焦距离变化率的大小动态调整惯性权重,以提高算法的收敛速度和精度,两者结合极大地提高了搜索到全局最优解的有效性。对4个标准测试函数进行仿真,实验结果表明IPSO算法在收敛速度、收敛精度以及成功率上都明显优于LDWPSO和WPSO算法。     

改进的粒子群优化算法

为改善基本粒子群的全局、局部搜索能力和收敛速度以及计算精度,基于经典PSO方法和量子理论基础之上,提出了一种改进的基于量子行为的PSO算法--cQPSO算法.新算法中,采用全同粒子系更新粒子位置,并引用混沌思想,对每个粒子进行混沌搜索,试图改善粒子的全局、局部搜索能力和收敛速度以及计算精度.对经典函数的测试计算表明,改进算法的性能优于经典的PSO算法、基于量子行为的PSO算法.     

惯性权重动态调整的混沌粒子群算法

鉴于标准粒子群算法(PSO)有易陷入局部最优位置和全局搜索能力差等缺点,给出了相似度的定义,并根据群体中每个粒子与全局最优粒子的相似度值的大小,动态非线性地更新每个粒子的惯性权重值。为了改善算法的全局搜索性能,将混沌算子引入粒子群算法中。新算法在4个测试函数上与标准粒子群算法进行了比较,结果表明新算法的性能更好。     

求解独立任务调度的离散粒子群优化算法

针对独立任务调度问题,提出一种改进的离散粒子群算法,采用基于任务的编码方式,对粒子的位置和速度更新方法进行重新定义。为防止粒子群算法的早熟收敛,给出利用模拟退火算法的局部搜索能力在最优解附近进行精细搜索,以改善解的质量。仿真结果表明,与遗传算法和基本粒子群算法相比,该混合算法具有较好的优化性能。     

自适应二次粒子群算法钢架模型修正

粒子群算法参数少,简便易行,具有较好的全局搜索能力和计算效率,在优化等领域得到了广泛应用,但它易于陷入局部极值,因此需要进行改进以增强其优化性能.修正了基本粒子群算法中的速度公式权重因子和最优位置,提出了形式简单且搜索效率高的自适应二次粒子群算法,并应用于五层钢架结构模型修正,修正结果证实了算法的有效性和优越性.     

基于混沌粒子群算法的集成网络优化

为了改善集成RFID与WSNs网络中智能节点随机部署时的不合理分布,提高同时读取多个标签信息的能力,提出了基于混沌粒子群(CPSO)的集成网络优化算法,用于寻找智能节点的最佳位置。该最佳位置不仅要保证给定智能节点对标签的最大覆盖率,而且要使得集成网络分布合理。混沌粒子群算法利用了混沌运动遍历性、随机性等特点,对传统粒子群算法进行改进,摆脱了粒子群算法后期易陷入局部极值点的缺点,并保持了前期搜索的快速性。仿真结果表明,该算法比基本粒子群算法具有更好的优化效果,在保证智能节点有较高读取率的同时,也优化了集成网络资源的分布。     

一种新的自适应小生境粒子群优化算法

为了克服基本粒子群算法过早收敛的缺陷,提出了一种新的自适应小生境粒子群优化算法.首先,让整个粒子群进行独立地演化寻优,以构造小生境环境.同时,通过设定合适的信息共享周期,以实现各个粒子搜索信息的共享,指导粒子向全局最优位置的搜索.最后,通过几个典型的多峰测试函数,对算法进行了仿真验证.结果表明,在算法的收敛性、寻优性等方面,算法均达到了良好的效果.     

融合局部搜索与二次插值的粒子群优化算法

针对粒子群优化算法易早熟和求解精度差等问题,提出一种融合局部搜索与二次插值的粒子群优化算法.首先由标准粒子群优化算法产生N个位置,从这N个位置中随机选取3个不同位置,进行二次插值操作产生每个粒子的新位置,更新每个粒子的历史最好位置的全局最好位置;然后经过一定迭代步后,利用Hooke-Jeeves局部搜索技术,对得到的当前全局最优位置进行局部搜索;最后,对9个典型测试函数进行仿真实验并与其它算法进行比较,数值结果表明所提出的算法具有较快的收敛速度和较强的全局搜索能力.     

基于混沌粒子群算法的关键链项目进度管理研究*

应用混沌粒子群算法解决关键链项目管理的优化调度问题,并利用了混沌运动遍历性,随机性等特点,对传统粒子群算法进行改进,摆脱了粒子群算法后期易陷入局部极值点的缺点,并保持了前期搜索的快速性。通过实例证明,在求解该类问题上,混沌粒子群算法比基本粒子群算法更具有优势。     

基于分层多子群的混沌粒子群优化算法

在分层多子群结构模型的基础上,提出一种混沌粒子群优化算法(HCPSO).该算法对非线性递减的惯性权重进行混沌变异,并采用了混沌搜索方法.在更新全局历史最优位置每一维分量时,选取不同的若干个体作为学习对象,并计算它们的平均位置.混沌搜索区域半径可根据粒子个体最优位置与上述平均位置间的距离自适应地调整.通过对几种典型函数的测试结果表明,该算法具有较好的全局搜索和局部搜索能力,可有效避免早熟收敛问题.     

一种采用完全Logistic混沌的PSO-GA优化方法

为了提高粒子群优化算法的性能,提出了一种完全Logistic混沌粒子群优化与遗传算法的混合优化方法。该方法将具有伪随机性与遍历性特征的Logistic混沌应用到粒子群算法的粒子位置和速度初始化、惯性权重优化、随机常数以及局部最优解邻域点产生的全过程,并在粒子速度和位置更新后再与遗传算法相混合,进行选择和交叉操作。三种典型Benchmark函数的实验结果验证了所提方法的有效性,该方法具有更好的寻优能力与收敛速度。     

具有分工策略的量子粒子群优化算法

基于量子行为的粒子群优化算法是一种随机的全局优化搜索新方法.介绍了PSO算法和QPSO算法,在对QPSO算法和基于分工策略的PSO算法分析的基础上,提出了基于分工策略的QPSO算法,然后对新算法进行实验.实验结果表明,新算法在收敛性和取得最优值方面优于基于分工策略的PSO算法.     

基于PSO自适应双策略的人工鱼群算法

针对传统人工鱼群算法存在易陷入局部最优解、鲁棒性差和搜索精度低的问题,提出一种基于粒子群算法自适应双策略的人工鱼群算法。该算法首先模拟粒子群算法的移动算子调整人工鱼的移动方向和位置,使人工鱼具有惯性机制,更好拓展新区域,从而为探索潜在的较优解提供更多的机会,增强其跳出局部最优的能力。然后运用一种自适应视野和惯性权值的策略,更好地平衡全局搜索与局部搜索之间的关系。最后引入反向学习机制,设计2种策略的随机行为, 避免原始随机行为的盲目性,增加鱼群的多样性。仿真实验结果表明,改进后的算法在寻优精度、收敛速度以及鲁棒性等方面较其他人工鱼群算法有较大提高,在高维问题求解上有较好的优化效果。     

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。     

一种新的基于粒子群和模拟退火的聚类算法

提出了一种新的基于粒子群和模拟退火的聚类算法。每个粒子作为聚类问题的一个可行解组成粒子群,粒子的位置由聚类中心向量表示。为避免粒子群陷入局部最优解,结合聚类问题的实际特点,提出了利用模拟退火的概率突跳性的两个解决方案。实验结果表明,新算法增强了全空间的搜索能力,性能优于粒子群算法和传统的K-means算法,具有较好的收敛性,是一种有效的聚类算法。     

基于GM-QPSO算法的数据库查询优化

针对量子粒子群算法解决数据库查询优化问题存在缺陷,提出一种高斯变异量子粒子群算法的数据库查询优化方法（GM-QPSO）。首先将遗传算法的变异算子引进量子粒子群优化算法,使得粒子在近似最优解附近变动提高全局搜索能力,然后将其应用于数据库查询优化问题求解,最后通过仿真实验对GM-QPSO的性能进行测试。结果表明,GM-QPSO加快了数据库查询优化求解的收敛速度,获得了质量更高的查询优化方案。     

基于三次样条插值的自动入库泊车免疫粒子群改进算法

传统自动入库泊车轨迹优化算法不易寻到光滑、精确且优化的泊车轨迹。结合智能自动入库泊车原理,本文提出一种基于三次样条插值的自动入库泊车方法,从而获得理想优化的泊车参考轨迹。为了有效地提升自动入库泊车轨迹寻优算法的性能,以泊车轨迹最短作为优化目标来选定一组合适的泊车位置参考点,在三次样条插值的基础上,又提出一种免疫粒子群改进算法。首先,为提升算法全局搜索性能和收敛速度,引入自适应变异策略;然后,引入免疫机制来有效提升其全局优化能力。测试函数及自动入库泊车实际算例的仿真结果表明,所提出的自动入库泊车免疫粒子群改进算法具有更高的寻优精度和较快的收敛速度。     

改进的基本粒子群优化算法

提出一种基本粒子群算法(BPSO)改进方案，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点和全局极值点，使得粒子能够获得更多的信息量来调整自身的状态。用3个基准函数对新算法进行了实验，结果表明，新算法在解的收敛性和稳定性等方面优于基本粒子群算法．     

一种改进的粒子群优化算法及其仿真

粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。     

扰乱认知能力的粒子群算法

受遗传算法"杂交"思想的启发,提出一个改进带收缩因子的粒子群算法.该算法在带收缩因子的粒子群算法中增加扰乱粒子认知能力的方法.即对粒子i,随机选择另外一个粒子j,按照一定的概率用粒子j的当前位置替换粒子i的当前位置.为了检验新算法的性能,选用5个高维函数进行了测试,实验结果表明,改进的算法不仅具有良好的稳健性,而且还有良好的收敛性.