基于二进制交叉和变异的粒子群算法及应用

粒子群算法在求解多峰问题时极易陷入局部最优解,提出了基于模拟二进制交叉和多项式变异的粒子群算法(sPDPSO>。在该算法中,为了更好地利用每个粒子的历史信息,引入了外部存档存储每个粒子的最优位置( pbest) ;同时,对外部存档中的pbest进行二进制交叉,而对新产生的全局最优粒子进行多项式变异。基准函数的测试结果显示,SPDPS()算法在求解多峰问题上有一定的优势。在实际应用中,以TSP为研究对象,结果显示SPDPSO算法获得了比其它算法更好的解。     

基于佳点集交叉的粒子群算法

针对基本粒子群算法容易陷入局部极值、后期收敛速度慢和精度低等缺点,文中基于Lovbjerg,Rasmuwsen和Krink提出将进化算法中的交叉操作引入PSO的HPSO模型的启示和佳点集的优良特性．提出了基于佳点集交叉的粒子群算法,从试验上证明了将佳点集交叉算法用于粒子群算法的优化问题上无论从精度还是速度上都比其他算法好。算法整体上表现简单易行的特点,尽管相对基本粒子群算法增加了交叉概率这个参数,但这也给试验以更大的实施空间,是一种有效可行的方法。     

含多leader交叉算子的粒子群优化算法

在求解高维空间中复杂多峰函数的实时优化问题时,传统的粒子群算法在收敛速度和局部搜索能力等方面表现出严重不足,针对这些问题,启发于鲦鱼效应的生物现象,引入团队领导机制,提出基于多leader交叉的PSO算法MLCPSO,该算法集成了两种新的粒子飞行策略.实验表明,从实验结果的平均情形上看,与SGA算法与SPSO算法相比较,MLCPSO算法具有更优的收敛性与扩展性.     

基于交叉变异的混合粒子群优化算法

粒子群优化算法是一种基于群体智能理论的全局优化算法,通过群体中粒子间的合作与竞争实现对问题空间的高效搜索。针对算法后期收敛速度较慢、易陷入局部最优的缺点,提出了一种混合粒子群算法。该算法通过改变种群初始化方法,引入交叉和变异机制等措施改善基本粒子群算法的性能。数值试验结果表明,改进型粒子群算法在提高全局寻优能力和加快收敛速度等方面均有良好的表现。     

随机交叉粒子群优化算法

针对粒子群优化算法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,设计了一种随机交叉算子,提出了随机交叉粒子群优化算法。该算法在每次迭代中,对当前粒子和整个粒子群的最优粒子进行随机交叉,产生新的较优粒子并代替原来的粒子,从而加快了算法的收敛速度,增强了算法的寻优能力。仿真结果表明,该算法具有较高的优化性能。     

一种自适应扩展粒子群优化算法

在粒子群优化算法的基础上,首先把粒子群优化算法的速度更新式中的个体最优位置用粒子群中所有个体最优位置的平均值代替,得到扩展粒子群优化算法;然后,建立了加速系数和粒子群中所有粒子的平均适应度与整体最优位置适应度之差的一种非线性函数关系,得到自适应加速系数扩展粒子群优化算法。由于新的算法利用了所有个体最优粒子的信息,并在进化过程中通过建立的非线性时变加速系数自适应地调整“认知”部分和“社会”部分对粒子的影响,从而提高了算法的收敛速度和精度。4个基准测试函数的对比实验结果说明自适应扩展粒子群优化算法的有效性和优良性能。     

基于遗传交叉改进粒子群算法的充电站布局

为了合理地规划城市电动汽车充电站布局,采用一种基于遗传交叉改进粒子群算法的寻优处理方案。在传统粒子群算法的基础上,引入局部极值对速度更新公式进行优化,采用自适应惯性权重,并且对当前种群的最优解和每个粒子最优解进行交叉操作产生新解。最后通过改进后算法对城市算例进行求解。结果验证了模型的有效性和准确性,表明改进算法在保持全局最优解的同时能提高70%收敛速度,有效降低总成本、提高便利性。     

三种混合粒子群算法比较

混合粒子群算法是融合其它算法或技术特性来针对性地对基本粒子群算法进行改进的一类算法.文中对其中有代表性的三种:交叉粒子群、免疫粒子群、混沌粒子群展开了比较研究,分别从混合目的、混合基本方式、混合算法实现的关键步骤、混合算法的优化性能等多个方面对这三种混合算法进行了比较.通过这些比较,总结出了三种混合算法基本的混合方式及...     

一种结合灰狼算法的粒子群优化算法

针对粒子群算法有陷入局部最优的缺点,提出一种基于灰狼算法的粒子群优化算法.首先,根据自然界中优胜劣汰的生存法则,对每次迭代种群中的最差粒子进行进化,其次,由于粒子群算法中整个种群中的最优粒子有很强的引导能力,对最优粒子进行扰动,增大寻找全局最优的可能性;最后,结合灰狼优化算法,引导粒子群包围式进行搜索,增强全局搜索能力;将改进的粒子群算法与标准粒子群算法在9个测试函数上进行了寻优精度和收敛速度的对比,结果证明改进粒子群算法(PSO_GWO)在收敛速度和寻优精度上均优于粒子群算法(PSO).     

基于遗传算子的改进粒子群优化算法

为了克服PSO算法容易陷入局部最优的缺陷,提出一种基于遗传算子的改进PSO算法。该算法借鉴常规的遗传算法中的选择交叉操作,在优化搜索过程中更新粒子的位置时,进行交叉操作,可以扩大全局搜索范围,避免局部最优,提高粒子的多样性。对改进后的算法使用几个典型的测试函数进行了仿真实验,实验结果表明,相比于标准PSO该算法的全局搜索能力和收敛精度都有较大提高,有效地改善了优化性能。     

具有群活性感知的自适应微粒群算法

算法结构和对信息的利用能力是影响算法性能的重要因素.标准微粒群算法简洁易用,然而在其寻优过程中,每个粒子仅仅向自身历史最优经验和种群历史最优经验学习,未能有效利用寻优过程中其他粒子的经验和状态信息;另外,单纯的基于二阶差分方程的迭代寻优方式在算法结构上增大了算法陷入局部最优的概率.为了从算法结构上减少微粒群算法早熟收敛和陷入局部最优的情况,本文提出了一种具有群活性感知的自适应微粒群算法:通过引入群活性对当前的寻优状态进行描述,然后根据群活性自适应地改变粒子的拓扑结构和搜索模式,在一定程度上增强了微粒群算法的全局收敛能力.基准函数测试结果证明了本算法的有效性和特点.     

基于博弈机制的多目标粒子群优化算法

为改善多目标粒子群算法存在优化解的多样性不足和算法的收敛性问题,提出一种基于博弈机制的多目标粒子群优化算法。使用博弈机制,无需外部储备集,通过非占优排序和拥挤距离选出一部分优秀的粒子,从这些优秀的粒子中随机选择一个作为全局最优粒子,有效提升算法的收敛性和种群的多样性。算法初期使用多尺度混沌变异策略,避免算法陷入局部最优。通过与6个多目标算法在3个系列标准测试函数上进行比较,验证了该算法所得解分布性较好,能快速收敛到真实Pareto前端。     

基于模拟退火的自适应粒子群优化算法的改进策略

针对PSO算法在求解问题的优化问题中易陷入局部收敛且收敛速度较慢等缺陷,引入一种初始化改进策略,并将模拟退火算法与PSO算法相结合,提出了一种全新的算法。该算法将寻优过程分为两个阶段:为了提高算法的执行速度,前期使用标准PSO算法进行寻优,后期运用模拟退火思想对PSO中的参数进行优化搜索最优解。最后将该算法应用于八个经典的单峰/多峰函数中。模拟结果表明,该算法有效地避免了早熟收敛现象,并提高了收敛速度,从而提高了PSO算法解决全局优化的性能。     

最优粒子增强探索粒子群算法

针对粒子群优化算法（Particle Swarm Optimization,PSO）存在收敛速度慢、寻优精度低和早熟收敛的问题,提出一种最优粒子增强探索粒子群算法（Optimal particle Enhanced Exploration Particle Swarm Optimization,OEEPSO）。OEEPSO将最优粒子在空间中的位置信息以二维一组划分,按4种方式计算每二维的适应值,选择适应值最小的方式更新对应维度的速度值和位置值。该策略加强了对最优粒子周围区域的探索,使粒子群能更快地向全局最优解靠近,提高了算法的收敛速度和求解精度。当算法陷入局部最优时,根据群体历史最优解的适应值,动态调整各粒子的速度值和位置值,使算法最终收敛到全局最优解。实验结果表明,OEEPSO具有收敛速度快、求解精度高的特点。     

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。     

基于自适应变异的混沌粒子群优化算法

粒子群优化算法参数少,寻优速度快,但其寻优效率低且在寻优后期易早熟收敛。为改善其寻优性能,在标准粒子群优化算法中,通过引入混沌映射和自适应变异策略,提出具有自适应变异的混沌粒子群优化（ACPSO）算法,以增强种群的全局寻优性能和局部寻优效率。六个基准测试函数的仿真结果表明,ACPSO算法比已有的五个算法具有更好的寻优能力。     

Cellular particle swarm optimization

This paper proposes a cellular particle swarm optimization (CPSO), hybridizing cellular automata (CA) and particle swarm optimization (PSO) for function optimization. In the proposed CPSO, a mechanism of CA is integrated in the velocity update to modify the trajectories of particles to avoid being trapped in the local optimum. With two different ways of integration of CA and PSO, two versions of CPSO, i.e. CPSO-inner and CPSO-outer, have been discussed. For the former, we devised three typical lattice structures of CA used as neighborhood, enabling particles to interact inside the swarm; and for the latter, a novel CA strategy based on “smart-cell” is designed, and particles employ the information from outside the swarm. Theoretical studies are made to analyze the convergence of CPSO, and numerical experiments are conducted to compare the proposed algorithm with different variants of PSO. According to the experimental results, the proposed method performs better than other variants of PSO on benchmark test functions.     

基于平均速度的混合自适应粒子群算法

针对传统粒子群寻优速度慢和局部收敛等缺点,提出一种基于平均速度的混合粒子群优化算法.给出了粒子群平均速度的定义,用来表征粒子群的活跃程度,并作为粒子群惯性系数和学习因子调节的依据,加快了粒子群的寻优速度.设计了基于平均速度的切换模拟退火算法和退火温度的更新公式,使得粒子群在保持较快的寻优速度条件下,仍能很容易地跳出局部极小点.对3个典型测试函数的寻优问题进行实验,所得结果表明了该算法的有效性.     

改进的粒子群算法

为改善基本粒子群算法的搜索性能,针对粒子群算法随机性较强、收敛较慢的问题,利用数学中的外推技巧给出了两个新的粒子位置更新公式,由此构造出一种新的算法--强引导型粒子群算法.新算法对粒子位置更新加以引导,试图减少算法的随机性以提高搜索效率.用4个基准函数对新算法进行试验,结果表明,新算法在稳定性和收敛性上优于基本粒子群算法.