动态环境下粒子分群与种群多样性的关系研究

如何构建策略解决动态优化问题一直是智能计算研究的重点.采用种群熵来刻画粒子群算法中群体的多样性,在由DF1(Dynamic Function 1)生成的动态环境下分析了4种不同粒子群方法中群体的多样性以及对动态目标点的跟踪效果.实验结果表明,动态环境下,群体多样性保持能够影响算法的跟踪效果.可以通过调整分群比例来改变群体的多样性,进而在不同的动态环境下采取不同比例的分群策略以达到较好的跟踪效果.     

一种动态分组的粒子群优化算法

针对粒子群优化算法易陷入局部最优的问题,提出一种动态分组的粒子群优化算法.通过对鸟群习性的研究,给出交互粒子的概念,并在粒子群优化过程中引入动态分组机制,将种群动态划分成多个子种群,且每次划分的子种群数目是从特定集合中随机选取,从而增加交互粒子划分到同一子种群的概率.每个子种群在收敛进化的同时,利用环拓扑结构提高种群多样性及算法搜索全局最优解的能力.实验结果表明,与其他粒子群优化算法相比,该算法具有更好的稳定性、寻优性能以及更高的收敛精度.     

动态环境下带有非线性效应的复合粒子群优化算法

针对粒子群优化算法在求解动态优化问题存在多样性缺失,寻优速度慢等缺陷,借鉴物理学中的非线性复合效应,本文提出带有非线性效应的复合粒子群优化算法,该算法利用复合材料的相乘效应根据粒子的相似性,基于"最坏优先"规则将种群划分成若干复合粒子.为使种群迅速地在动态环境中找到最优解,利用复合材料的共振效应,成员粒子通过自适应异速度映射机制整合有价值信息.为提高种群的多样性,利用复合材料的诱导效应,引入复合粒子的整体运动策略.最后通过动态标准测试问题实验对相关参数设置进行了分析,并与其他几种粒子群算法相比较,验证了该算法在动态环境中的有效性.     

教与学信息交互粒子群优化算法

针对单一种群在解决高维问题中收敛速度较慢和多样性缺失的问题,提出了一种教与学信息交互粒子群优化（PSO）算法。根据进化过程将种群动态地划分为两个子种群,分别采用粒子群优化算法和教与学优化算法,同时粒子利用学习者阶段进行子种群之间信息交互,并通过评价收敛性和多样性指标让粒子的收敛能力和多样性在进化过程中得到平衡。与粒子群优化算法、混合灰狼粒子群算法、重选精英个体的非线性收敛灰狼优化（GWO）算法等多个进化算法在15个标准测试函数的不同维度下进行对比实验,所提算法在多个测试函数上可以收敛到理论最优值,速度相对于其他算法提高了1~6倍。实验结果表明,所提算法在收敛精度和收敛速度上具有较好的效果。     

基于食物链机制的动态多物种粒子群算法

针对粒子群优化(PSO)算法在解决多峰函数时容易陷入局部最优的问题,提出了一种基于食物链机制的动态多物种粒子群(DSPSO)算法。受生物界的启发,引入食物链机制来保证种群的多样性,并结合繁殖机制使得算法具有良好的优化性能。食物链机制中,整个标榜群被分为几个子种群,每个子种群都能够捕食另外一个子种群。通过一定概率发生的捕食现象使得标榜群得以进化,剔除对种群贡献小的粒子,并通过繁殖策略生成新的粒子。种群通过不断地进化保证了种群的多样性,同时通过剔除较差粒子的误导作用使算法的进化更有效率。为了验证算法的有效性,选择了包括偏移函数、旋转函数在内的10个测试函数来测试DSPSO算法的性能。实验结果表明DSPSO算法有着良好的寻优性能。与PSO、局部版本的粒子群(LPSO)算法、动态多群粒子群(DMS-PSO)算法和全面学习粒子群(CLPSO)算法相比,DSPSO算法不仅能够得到较高精度的解,而且还具有较高的可信度。     

层次学习骨干粒子群优化算法

对骨干粒子群优化(BPSO) 种群多样性迅速丧失的原因进行分析, 提出层次学习骨干粒子群优化算法以克 服早熟现象. 该算法中粒子依不同的学习概率向粒子自身的最优粒子、优胜粒子和群体最优粒子学习, 该机制使群 体实现不同层次的搜索并有效维持群体的多样性. 此外, 群体最优粒子依概率采用跳跃策略以增强逃逸能力或采用 扰动策略以提高解的质量. 将所提出的算法与多种改进的粒子群优化算法进行对比, 仿真结果表明, 所提出算法的综 合表现优于其他算法.     

自适应动态重组多目标粒子群优化算法

提出一种自适应动态重组粒子群优化算法. 该算法采用凝聚的层次聚类算法, 将种群分成若干个子群体, 用一个精英集对非支配解进行存储; 根据贡献度和多样性, 对各子群体的粒子和整个种群进行自适应动态重组; 同时引入扰动算子对精英集存储的非支配解进行扰动, 实现对精英集进行动态调整. 利用具有不同特点的测试函数进行验证并与同类算法相比较, 结果表明, 所提出的算法可加快收敛速度, 提高种群的可进化能力.

     

一种新型的动态粒子群优化算法

为了改进标准粒子群优化算法全局搜索性能,提出了一种种群动态变化的多种群粒子群优化算法。当算法搜索停滞时,把种群分裂成2个子种群,通过子种群粒子随机初始化及个体替代机制增强种群多样性,两个子种群并行搜索一定代数后,通过混合子种群来完成不同子种群中粒子的信息交流。收敛性分析表明,本文算法能以概率1收敛到全局最优解。实验结果表明,本文算法具有较好的全局寻优能力和较快的收敛速度。     

求解动态优化问题的多种群骨干粒子群算法

针对动态优化问题（Dynamic Optimization Problem,DOP）中所面临的过时记忆和多样性丧失的挑战,提出了一种改进的多种群骨干粒子群优化算法（Multi-swarms Bare Bones Particle Swarm Optimization,MBBPSO）。通过设置环境勘探粒子及时检测环境的变化,避免了错误信息误导种群的进化方向;环境改变后,利用上一个环境搜索的信息初始化新的种群,提高MBBPSO快速追踪到当前环境的优秀解的能力;当种群陷入停滞时,采用新的进化方程以加强粒子的活性和多种群策略维持群体的多样性。仿真实验表明,MBBPSO在解决动态环境问题中具有较强的竞争力。     

自适应信息选择PSO算法及其特性分析

针对粒子群优化过程中容易出现早熟收敛或停滞的问题,在全信息粒子群优化（FIPSO）算法的基础上结合社会心理学原理提出了一种新的粒子群优化算法——自适应信息选择粒子群优化算法（API-PSO）。在API-PSO算法中,粒子根据其邻域粒子不同表现,自适应地选择群体共享经验。实验表明,新的优化算法具有较好的收敛精度和收敛速度。分别对API-PSO算法的种群多样性和收敛性进行了数学分析,分析结果为合理选择算法参数,解决算法种群多样性匮乏,促进种群进化发展,改善算法性能提供了理论依据。     

Takagi-sugeno fuzzy model identification using coevolution particle swarm optimization with multi-strategy

The particle swarm optimization (PSO) algorithm is widely used in identifying Takagi-Sugeno (T-S) fuzzy system models. However, PSO suffers from premature convergence and is easily trapped into local optima, which affects the accuracy of T-S model identification. An immune coevolution particle swarm optimization with multi-strategy (ICPSO-MS) is proposed for modeling T-S fuzzy systems. The proposed ICPSO-MS consists of one elite subswarm and several normal subswarms. Each normal subswarm adopts a different strategy for adjusting the acceleration coefficients. A Cauchy learning operator is used to accelerate the convergence of the normal subswarm. During the iteration step, the best individual in each normal subswarm is added to the elite subswarm. Using adaptive hyper-mutation, the immune clonal selection operator is used to optimize the elite subswarm while the individuals in the elite subswarm migrate to the normal subswarms. This shared migration mechanism allows full exchange of information and coevolution. The performance of the proposed algorithm is evaluated on a suite of numerical optimization functions. The results show good performance of ICPSO-MS in solving numerical problems when compared with other recent variants of PSO. The performance of ICPSO-MS is further evaluated when identifying the T-S model, with simulation results on several typical nonlinear systems showing that the proposed method generates a good T-S fuzzy model with high accuracy and strong generalizability.     

一种新的并行文化微粒群优化算法

为了避免微粒群优化算法在解决复杂优化问题时陷入局部最优,提高算法种群的多样性。将微粒群优化算法纳入文化算法框架,提出了一种新的基于文化算法框架的并行微粒群优化算法。在文化算法框架中,由微粒群组成的群体空间和信念空间各自独立并行演化,并相互影响,有效地提高了种群的多样性,降低了陷入局部极值的可能性。通过对不同测试函数的仿真实验表明,新提出的并行文化微粒群优化算法比标准微粒群优化算法更容易找到全局最优解,提高了微粒群优化算法的全局寻优能力。     

一种新的自适应动态文化粒子群优化算法

为了克服粒子群优化算法在解决复杂问题时易陷入局部最优的缺陷, 提出了一种新的自适应动态文化粒子群优化算法。该算法引入评价粒子群早熟收敛程度的指标来判断种群空间粒子群状态, 以确定影响函数对种群空间粒子群的作用时机, 当算法陷入局部最优时, 自适应地利用影响函数对种群空间进行变异更新, 从而有效发挥文化粒子群算法的双演化双促进机制。并且根据种群的早熟收敛程度自适应地调整粒子的惯性权重, 使种群在进化过程中始终保持惯性权重的多样性, 在算法的全局收敛性与收敛速度之间作一个很好的折中。最后对四个经典的测试函数进行仿真, 结果表明该算法具有很强的搜索能力, 收敛速度和收敛精度也有所提高。     

带偏向性轮盘赌的多算子协同粒子群优化算法

针对粒子群优化算法在处理高维、大规模、多变量耦合、多模态、多极值属性优化问题时易早熟收敛等性能和技术瓶颈,基于粒子群优化算法行为学习算子和3种不同学习偏好的差分变异算子,建立带偏向性轮盘赌的多算子选择与融合机制,提出一种带偏向性轮盘赌的多算子协同粒子群优化算法MOCPSO.MOCPSO针对迭代粒子群榜样粒子集,首先通过对迭代种群及其榜样粒子集优劣分组,同时采用轮盘赌分别为每组榜样粒子集选配不同学习偏好的变异算子,并为每组榜样粒子适配差分基向量和最优基向量,预学习并优化迭代种群及其榜样粒子,以权衡算法的全局探索和局部开发;然后通过合并所有子种群,并结合粒子群优化算法行为学习算子,指导迭代种群状态更新,以提高算法的全局收敛性;最后结合精英学习策略,对群体历史最优进行高斯扰动,以提高算法的局部逃生能力,保障算法收敛的多样性.实验结果表明,MOCPSO算法与5种先进的同类型群智能算法在求解CEC2014基准测试问题上具备竞争力,且有更强的优化特性.     

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。     

多样性监控的免疫微粒群算法

标准微粒群算法的种群多样性随进化变差是造成陷于局部最优的主要原因,本文提出了一种多样性监控的免疫微粒群算法.利用多样性函数对种群的多样性进行监控,并在多样性下降到一定程度时,引入免疫机制中的克隆选择算子和免疫记忆特性来对粒子进行更新,从而有效地克服了微粒群算法易陷于局部最优以及对多峰值函数搜索效果不佳的缺点.用经典benchmark测试函数对算法进行仿真实验,实验结果表明该算法比标准微粒群算法有着更好的收敛性能.     

基于指数衰减惯性权重的分裂粒子群优化算法

针对粒子群优化算法因种群多样性丧失而陷入局部最优、早熟收敛的问题,提出一种基于指数衰减惯性权重的分裂粒子群优化算法（EDW-DPSO）。首先,采用半均匀初始化种群,使种群以整体均匀、局部随机的方式分布;其次,引入动态分裂算子,对满足分裂条件的粒子执行分裂操作,增加种群多样性,避免粒子陷入局部最优;最后,采用指数衰减的惯性权重,平衡粒子全局搜索和局部开发能力。实验结果表明,该算法在前期有较大的搜索空间,种群多样性增加,后期则强调局部开发,提高收敛精度和优化能力,加快粒子跳脱局部极值逼近全局最优。     

一种新型的多种群微粒群算法

针对微粒群算法容易出现早熟问题,提出一种动态种群与子群混合的微粒群算法（SPSDPSO）。该算法在微粒群搜索停滞时对微粒进行分群,在子群内部通过微粒随机初始化以及个体替代策略提高优化性能,在子群进化一定代数后重新混合为一个种群继续优化,种群进化与子群进化交替进行直至满足算法终止条件。SPSDPSO的种群与子群混合进化策略增强了群体多样性,并且使得子群体之间能够进行充分的信息交流。收敛性分析表明,SPSDPSO以概率1收敛到全局最优解。函数测试结果表明,新算法的全局收敛性能有了显著提高。     

优质个体最优动态空间变异的粒子群优化算法

针对粒子群优化算法进化前期需大幅维度变动以搜索更多新区域,后期因仅有几维未达到最优解而陷入局部最优等问题进行研究,提出优质个体最优动态空间变异的粒子群优化算法。在挑选出优质的个体最优粒子后,选择其两个不同维度,使其中一个维度向另一维作列维飞行,得到新的变异维度值,且进行变异的维度随迭代次数的增加而减少,种群多样性进一步提高,勘探与开发能力得到平衡。将提出的算法与新近改进的高水平粒子群算法在12个基准函数上进行比较,实验结果表明该算法在求解精度和收敛速度上更具优势。