融合微粒群的多种群协同进化免疫算法

提出一种融合微粒群的多种群协同免疫优势克隆选择算法(PMCICA).该算法将生态学中的协同进化思想引入人工免疫算法中,各子种群内部通过免疫优势克隆选择操作加快了种群收敛速度;所有子种群共享经过改进微粒群优化的高层优良库,实现了整个种群信息共享与协同进化.针对旅行商问题(TSP)的多个实验结果表明,该算法在收敛速度与最优解等方面均取得了较好的效果.     

双群分段交换的改进微粒群优化算法研究

针对微粒优化算法在高维复杂函数寻优上容易陷入局部极值的问题,提出了一种双群分段交换的改进微粒群优化算法（TSME-PSO）。算法将群体分成规模相同的两个种群,两分群采用不同的进化模型更新微粒的位置与速度。算法搜索的不同阶段,交换不同数目的微粒,且数量是不断减少的。通过这些方法,可以有效地提高种群多样性,增强微粒寻优活力。仿真实验表明,TSME-PSO算法可以有效逃离局部极值,整体寻优性能良好,优于其他算法。     

简化的分类微粒群算法及其在风电场建模中的应用

提出一种简化的分类微粒群算法.首先将微粒按适应值的差异划分成较好、普通和较差3类;然后对这3类微粒分别采用3种对应的没有速度项的简化模型进行动态制整,有效地增加了种群的多样性.通过对4种典型测试函数的仿真实验,并与经典PSO和2个目前较为流行的改进PSO进行比较,实验结果表明了所提出的改进算法具有更好的优化性能.将改进算法用于风电场风速概率模型优化的实验结果表明,与传统最小二乘法相比,该方法拟合的Weibull参数精度更高,更具实际参考价值.     

一种基于单纯形法的随机微粒群算法

以保证全局收敛的随机微粒群算法SPSO为基础,本文提出了一种改进的随机微粒群算法--SM-SPSO。该方法是在SPSO的进化过程中,以单纯形法所产生的最优个体来代替SPSO中停止的微粒,参与下一代的群体进化。这样既可以利用单纯形法的收敛快速性,又可以利用SPSO的全局收敛性。通过对两个多峰的测试函数进行仿真,其结果表明在搜索空间维数相同的情况下,SM-SPSO的收敛率及收敛速度均大大优于SPSO。     

多子种群微粒群免疫算法及其在函数优化中应用

为克服基本微粒群算法的早熟问题,借鉴多子种群和自适应的思想,提出了基于两层模型的多子种群自适应多态杂交微粒群免疫算法.该算法首先通过对若干个子种群进行低层自适应多态杂交微粒群操作,改善了子种群的多样性,有效抑制了收敛过程中的早熟停滞现象;然后通过高层免疫克隆选择操作,显著地提高了全局寻优能力,进一步提高了收敛精度.针对函数优化的仿真结果表明:与其他改进微粒群算法相比,该算法具有更快的收敛速度和更高的求解精度,尤其适合高维及多模态优化问题的求解.     

分段式量子-单纯形进化算法及函数优化

量子进化算法在高维复杂函数优化上存在容易陷入局部最优解、进化后期收敛速度慢的问题,为进一步提高其搜索性能,提出了一种带单纯形搜索算子的分段式量子进化算法。该方法将搜索过程分为3个阶段,首先用量子进化算法搜索到一定代数,然后将种群分为若干个子种群,每个子种群中的个体作为单纯形法的初始顶点,并行地用单纯形法进行搜索,将搜索后的子种群再合并,继续用量子进化算法进行最后的搜索。对几个典型的高维函数进行仿真的结果表明,该算法具有更快的收敛速度和更高的求解精度。     

一种基于混沌和单纯形法的水波优化算法

水波优化(Water Wave Optimization,WWO)算法是一种基于浅水波理论的新兴元启发式优化算法,通过模拟水波的传播、碎浪、折射操作在解空间中进行全局搜索。为提高算法的收敛速度和精度,提出了一种基于混沌(Ch-aotic)优化和单纯形法(Simplex Method,SM)的水波优化算法,简称为CSMWWO。在CSMWWO算法中,引入了混沌优化策略来降低随机初始化的种群对收敛速度和求解精度的影响,在混沌优化策略的基础上又引入了局部搜索能力较强的单纯形法来提高WWO算法的收敛速度。将CSMWWO与包括WWO在内的4个启发式算法在12个基本测试函数上进行了测试,结果表明改进后的算法在计算精度和收敛速度上都有一定程度的提高,所提出的混合水波优化算法能改进水波优化算法的整体性能。     

一种应用ARPSO优化RBF神经网络的方法

针对径向基函数神经网络参数难以设置以及因此而导致的网络隐层结构不明朗的问题,提出了一种应用控制种群多样性的微粒群（ ARPSO）优化径向基函数神经网络（ RBF）的方法。通过引入“吸引”和“扩散”因子对基本微粒群算法进行改进,并将改进的微粒群算法用于RBF聚类半径的优化,进而能够合理地确定RBF的隐层结构。将用ARPSO优化的RBF神经网络应用于非线性函数逼近,经实验仿真验证,与基本微粒群（ PSO）算法、收缩因子微粒群（ CFA PSO）算法优化的RBF神经网络相比较,在收敛速度和识别精度上有了显著的提高。     

改进的吸引扩散微粒群算法

为了避免微粒群算法存在的过早收敛问题, 在ARPSO的基础之上, 提出了一个简单的种群多样性度量函数和微粒最好飞行方向的概念, 引入了变异策略, 从而实现了一种改进的吸引扩散微粒群算法MARPSO, 并从理论上分析了MARPSO的局部收敛性和全局收敛性. 对四个经典函数进行了仿真测试, 测试结果表明: 与基本微粒群算法BPSO和ARSPO相比, 该算法能够有效的提高种群多样性, 并且具有较高的收敛速度.     

一种改进的微粒群算法*

通过在微粒群算法中引入排雷策略的思想,对微粒群优化算法进行改进,使微粒群算法能摆脱局部极值点的束缚;另外通过在算法的迭代过程中加入旋转方向法,加快算法的收敛速度,从而形成一种新的改进粒子群算法。通过对三个典型函数进行优化计算,并与其他文献的改进微粒群算法的优化结果进行比较,表明基于排雷策略的改进算法很好地解决了粒子群优化算法早收敛、难以跳出局部极值点和收敛较慢的问题。     

一种求解复杂多峰问题的新型粒子群优化算法研究

为提升标准粒子群算法在求解多峰复杂问题时收敛速度慢和极易陷入局部最优解等缺点, 提出一种基于球形坐标的分类学习策略粒子群算法(CLPSO-HC)。该算法给出种群运行较差粒子的确定方法, 将运行较差的粒子进行分类, 并对每类粒子给出相应的学习策略, 保证种群跳出局部最优解的能力。为减少外界扰动, 将粒子速度和位置的更新在球形坐标中进行, 提升了种群向最优解飞行的概率。对三个典型测试函数进行仿真实验, 所得结果表明CLPSO-HC相比其他几种算法有较好的收敛性。因此, CLPSO-HC可以作为求解复杂多峰问题的有效算法。     

一种自适应混合粒子群优化算法及其应用*

为提高粒子群算法的寻优精度,提出一种将单纯形法(SM)和粒子群(PSO)算法相结合的自适应混合粒子群优化(AHPSO)算法,该算法根据进化需要动态调整粒子的惯性权重,并在进化停滞时使用SM优化。通过仿真实验证明了AHPSO的寻优性能优于SPSO和SMPSO。将AHPSO用于某航空发动机的PID参数优化,其整定性能优于现有的工业方法和其他PSO算法。     

Attributed multi-objective comprehensive learning particle swarm optimization for optimal security of networks

In particle swarm optimization (PSO) each particle uses its personal and global or local best positions by linear summation. However, it is very time consuming to find the global or local best positions in case of complex problems. To overcome this problem, we propose a new multi-objective variant of PSO called attributed multi-objective comprehensive learning particle swarm optimizer (A-MOCLPSO). In this technique, we do not use global or local best positions to modify the velocity of a particle; instead, we use the best position of a randomly selected particle from the whole population to update the velocity of each dimension. This method not only increases the speed of the algorithm but also searches in more promising areas of the search space. We perform an extensive experimentation on well-known benchmark problems such as Schaffer (SCH), Kursawa (KUR), and Zitzler–Deb–Thiele (ZDT) functions. The experiments show very convincing results when the proposed technique is compared with existing versions of PSO known as multi-objective comprehensive learning particle swarm optimizer (MOCLPSO) and multi-objective particle swarm optimization (MOPSO), as well as non-dominated sorting genetic algorithm II (NSGA-II). As a case study, we apply our proposed A-MOCLPSO algorithm on an attack tree model for the security hardening problem of a networked system in order to optimize the total security cost and the residual damage, and provide diverse solutions for the problem. The results of our experiments show that the proposed algorithm outperforms the previous solutions obtained for the security hardening problem using NSGA-II, as well as MOCLPSO for the same problem. Hence, the proposed algorithm can be considered as a strong alternative to solve multi-objective optimization problems.     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

基于前馈扰动的粒子群改进算法

使用线性系统理论分析了粒子群算法(Particle Swarm Optimization,PS0)陷入局部极值的原因。为使粒子种群跳出局部极值粒子重新获得活性,借鉴了鱼群算法中拥挤度因子的概念,提出了前馈扰动粒子群算法(Feedforward Disturbance Particle Swarm Optimization,FDPSO),在以当前最优值为圆心拥挤度因子为半径的圆域内统计粒子的数量,当粒子数量大于某一常数时候,认为种群将会陷入局部最优,因此提前给种群加入扰动。仿真实验证明了理论及所提出算法的有效性。     

独立自适应调整参数的粒子群优化算法

针对传统粒子群优化算法在求解复杂优化问题时易陷入局部最优和依赖参数的取值等问题,提出了一种独立自适应参数调整的粒子群优化算法。算法重新定义了粒子进化能力、种群进化能力以及进化率,在此基础上给出了粒子群惯性权重及学习因子的独立调整策略,更好地平衡了算法局部搜索与全局搜索的能力。为保持种群多样性,提高粒子向全局最优位置的收敛速度,在算法迭代过程中,采用粒子重构策略使种群中进化能力较弱的粒子向进化能力较强的粒子进行学习,重新构造生成新粒子。最后通过CEC2013中的10个基准测试函数与4种改进粒子群算法在不同维度下进行测试对比,实验结果验证了该算法在求解复杂函数时具有高效性,通过收敛性分析说明了算法的有效性。     

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。     

求解工程约束优化问题的PSO-ABC混合算法*

针对包含约束条件的工程优化问题,提出了基于人工蜂群的粒子群优化PSO-ABC算法。将PSO中较优的粒子作为ABC算法的蜜源,并使用禁忌表存储其局部极值,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性规则进行约束处理,将粒子种群分为可行子群和不可行子群,并在ABC算法产生蜜源的过程中保留部分较优的可行解和不可行解的信息,弥补了可行性规则处理最优点位于约束边界附近的问题时存在的不足。四个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。     

结合梯度法的混合微粒群优化算法

在微粒群优化算法PSO中引入梯度算法,提出了一种新型的混合微粒群优化算法——GPSO。该混合优化算法是对PSO每一次进化后的所有微粒进一步执行梯度法寻优操作,并以寻找到的更优个体替代当前个体参与群体的下一代进化。GPSO既利用了PSO出色的全局搜索能力,又借助梯度法的快速局部寻优能力,很好地将两者的优势结合在一起。数值实验表明：无论是对于低维的多峰函数,还是高维的多峰和单峰病态函数,GPSO都表现出很强的优化效率、适用性和鲁棒性。     

融合随机逼近算法的粒子群优化算法

针对粒子群优化算法(PSO)在寻优进程中的缺陷,提出一种融合随机逼近算法的粒子群优化算法,该算法选择合适时机将随机逼近算法融入粒子群优化算法维持种群的多样性,并且在算法寻优进程中充分利用已有的计算资源提高算法寻优效率,最后通过典型标准函数数值实验表明,改进后的粒子群优化算法寻优速度快、精度高、具较好的稳定性。