粒子群优化算法模型分析

粒子群优化算法在优化问题中体现出良好的性能,但目前还没有对其运动特性,尤其是参数的选择与当粒子群体陷入局部极值点导致的早熟收敛情况的详细分析．分析了PSO算法中的三种粒子模型(Gbest,Pbest,Commom模型)的运动特性,给出了Gbest模型和Pbest 模型在没有新息获取时,单信息条件下的最大搜索空间．进一步证明了在减少了Lipschitz条件约束的条件下,Common模型渐进稳定的充分条件,将算法中惯量因子的取值范围扩大到 (-1,1),并从物理上进行了解释．     

分层粒子群优化算法

针对粒子群优化算法存在进化后期局部搜索能力不强、收敛速度变慢的问题,提出一种分层粒子群优化算法。利用标准粒子群优化算法在整个搜索空间内进行全局搜索,由全局搜索获得的较优个体产生局部搜索区域,在局部区域内进行进一步搜索。为避免陷入局部最优,采用动态调整局部搜索区域的策略,保持算法的全局收敛性。通过典型测试函数计算表明,该算法的收敛速度和局部搜索能力有明显改善。     

粒子群优化算法边界条件研究

粒子群优化算法在搜索全局最优过程中,粒子可能超出界限。针对该情况,提出5种新的受限制的边界条件,将出界粒子随机置于搜索空间内。通过基准函数将这5种边界条件与原有的6种边界条件进行对比测试,并从全局最优和收敛速度两方面对仿真结果进行分析,结果表明,新提出的随机重置的边界条件其性能明显优于置于边界的情况,无形/吸收的边界条件也稍优于其他不受限制的边界条件。     

粒子群优化小波变换的图像数据库相似性搜索

有许多图像检索系统能对图像数据库进行快速的相似性搜索,但利用这些图像搜索方法所得到的结果质量是相当有限的。本文中,首先引入几种一般的用于图像数据库相似性搜索的算法,利用这些算法形成可适应不同转换的模型,再基于这个模型并借助于演化计算的有效性,构造出一个适应度的函数,该函数利用小波变换通过粒子群优化算法使图像相似性搜索得到最优化。仿真实验结果验证了采用这种方法所得结果比其他相似性搜索方法质量更好。     

改进的粒子群优化算法的研究和分析

粒子群优化算法是一种新的随机全局优化进化算法。为了有效地控制其全局搜索和局部搜索,使之获得较好的平衡,论文在深入分析和研究标准粒子群优化算法的基础上,提出了一种基于进化代数阈值和粒子间最大聚集距离高斯变异的粒子群优化算法。该算法在运行过程中通过粒子聚集程度的量化判定,对当前的最优粒子施加高斯变异,从而增强粒子群优化算法跳出局部最优解的能力。测试函数仿真结果表明了该算法的可行性和有效性。     

基于粒子群优化算法的约束布局优化

布局优化是NP难问题，也是复杂的非线性约束优化问题．针对这个问题，将新的基于粒子群优化的方法应用于布局参数的优化，提出了适合粒子群优化的约束处理，并通过与直接搜索算法的混合，加强了算法在局部区域的搜索能力．通过实例将该算法与乘子法以及基于遗传算法的布局优化方法进行了比较．仿真结果表明，该算法可以提高布局优化问题解的质量，同时降低计算费用．     

混合粒子群优化算法研究

提出将Hooke Jeeves模式搜索方法嵌入粒子群优化算法中，以此构建混合粒子群优化算法．此外，在搜索过程中还加入变异操作来增加种群多样性，以避免早熟收敛．其中，局部搜索增加了算法的开发能力，而变异操作提高了算法的探测能力．探测与开发的折中则通过两个域值变量来完成．大量的测试函数研究表明，混合粒子群优化算法局部搜索能力有显著提高，且搜索到全局最优的概率更高．     

混沌量子粒子群优化算法

针对量子粒子群优化算法在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了混沌量子粒子群优化算法.采用了基于群体适应值方差的早熟判断机制,同时提出了一种基于混沌搜索的新方法,提高了搜索效率.数值实验结果表明,混沌量子粒子群算法效率高、优化性能好,且具有很强的避免陷入局部最优的能力,其性能远远优于一般的粒子群算法和量子粒子群算法.     

粒子群优化粒子滤波方法

针对粒子滤波方法存在粒子贫乏以及初始状态未知时需要大量粒子才能进行鲁棒状态预估等问题,将粒子群优化思想引入粒子滤波中．该方法将最新观测值融合到采样过程中,并对采样过程利用粒子群优化算法进行优化．通过优化,可使粒子集朝后验概率密度分布取值较大的区域运动,从而克服了粒子贫乏问题,并极大地降低了精确预估所需的粒子数．实验结果表明,该算法具有较高的预估精度和较好的鲁棒性．     

基于事件触发的全信息粒子群优化器及其应用

针对标准粒子群优化算法存在早熟收敛和容易陷入局部最优的问题, 本文提出了一种基于事件触发的全信息粒子群优化算法(Event-triggering-based full-information particle swarm optimization, EFPSO). 首先, 引入一类基于粒子空间特性的事件触发策略实现粒子群优化算法(Particle swarm optimization, PSO) 的模态切换, 更好地维持了算法搜索和收敛能力之间的动态平衡. 然后, 鉴于引入历史信息能够降低算法陷入局部最优的可能性, 提出一种全信息策略来克服PSO算法搜索能力不足的缺陷. 数值仿真实验表明, EFPSO算法在种群多样性、收敛率、成功率方面优于其他改进的PSO算法. 最后, 应用EFPSO算法对变分模态分解(Variational mode decomposition, VMD)去噪算法进行改进, 并在现场管道信号去噪取得了很好的效果.     

基于自适应拥挤网格的多目标粒子群算法

粒子群算法求解多目标问题极易收敛到伪Parct。前沿(等价于单目标优化问题中的局部最优解),并且收敛速度较慢。鉴于此,提出一种基于自适应拥挤网格的多目标粒子群算法(ACG-MOPSO)。其特点包括:利用自适应网格和拥挤距离确定外部存档中粒子的密度,并利用密度信息维持外部存档的规模;利用外部存档中非劣解的密度和拥挤距离信息确定全局最优粒子,提升粒子向Parcto前沿收敛的概率。模拟结果表明该算法在求解多目标问题上要优于其它算法。     

协调粒子群优化算法--HPSO

粒子群优化算法(PSO)是模拟生物群体智能的优化算法、具有良好优化性能。但是由于信息的单一传递,群体的迅速收缩和群体多样性降低,导致算法早熟收敛．该文采用多样性控制与交叉操作,使粒子群在细化搜索与扩展新区之间进行协调,提出了协调粒子群优化算法HPSO。实验结果表明：HPSO比PSO有更好的性能。     

基于惯性权重非线性动态变化的微粒群算法

本文提出一种惯性权重非线性动态变化的微粒群算法(NDPSO),根据微粒在群体中距群体最优位置的远近,选择不同的惯性权重非线性下降指数,每个微粒根据个体状况选择不同的惯性权重.在NDPSO算法中,距最优位置较远区域惯性权重选择较小的下降指数,这样利于微粒较快地飞向群体最优位置,提高算法的全局搜索性能;当微粒飞到距最优位置较近区域时,惯性权重采用较大的下降指数,这样微粒在此区域进行细致的搜索,提高算法的收敛速度.为了研究NDPSO算法的性能,对几种典型高维非线性函数进行了测试.测试结果表明,与其它几种典型的微粒群算法相比,NDPSO明显地提高了算法的性能.     

相关性粒子群优化模型

在粒子群优化算法中,粒子如何合理地利用自身经验信息和群体共享信息的问题一直未能有效解决.针对这一问题,基于认知论的观点,对速度更新公式中的随机因子进行了分析,建立了粒子对自身经验信息和群体共享信息认知的内在联系,提出了相关性粒子群优化模型.该模型采用Copula函数去刻画随机因子间的相关结构,而不同的相关结构和相关性程度反映了粒子对自身经验信息和群体共享信息的利用策略的差异,同时给出了基于Gaussian Copula的相关性粒子群优化模型的实现方法.理论上给出了随机因子间相关程度与群体多样性的关系式,表明了当随机因子间正线性相关时有利于维持群体的多样性.证明了随机因子间相关程度与算法收敛性的关系,同时给出了相关性粒子群优化模型的收敛条件.仿真实验结果表明,随机因子间相关程度的水平设置对模型的优化性能有非常显著的影响,当粒子的自身经验信息和群体共享信息被同等利用时,模型表现出优良的整体性能.     

一种基于动态拓扑结构的PSO改进算法

该文提出了一种新颖的PSO改进算法-PSO-DT。该算法通过动态调整粒子群的拓扑结构,在算法前期弱化全局最优粒子的影响力,以最大化地扩展寻优范围;在算法后期则强化全局最优粒子的影响力,以加快算法收敛速度。此外,文章还在PSO-DT中引入变异算子,获得MPSO-DT,大大减少了算法时间。通过对6个基准函数的测试及与另一改进算法MPSO-TVAC的对比实验,证实了该改进方案是有效而实用的。     

邻域搜索的粒子群优化算法及其性能分析

粒子群优化算法（PSO）是一种进化计算技术,是一种基于迭代的优化工具。但是,该算法的本身特性决定了算法不趋向于搜索接近极值点的解空间,造成了PSO算法最终解的局部极值性不好;并且,PSO算法需要充分的迭代才能够得到比较好的解,在迭代步数受到限制或者随时可能中途停机的情况下往往不能够得到比较好的解。根据PSO的这些不足,提出了邻域搜索的f-PSO算法,该算法在PSO的迭代步骤中每次更新全局最优解的同时采用一步局部寻优过程。实验表明,该算法具有很强的理论价值,在运算能力不足 、迭代不充分或中途停机的情况下,该算法仍然能够得到比较好的解。     

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。     

粒子群算法的交互性与随机性分析

在现有分析结论的基础上, 分别采用优化的凸性理论和概率收敛理论, 分析了粒子群 (Particle swarm optimization, PSO) 算法的交互性和随机性对算法的影响. 分析得出, 在不考虑随机性的条件下, 当 PSO 算法优化单峰函数时, 交互性使粒子最终收敛于全局最优粒子位置; 当 PSO 算法优化多峰函数时, 交互性未必使粒子最终收敛于全局最优位置. 但如果考虑随机性, 算法优化的目标函数无论是单峰函数还是多峰函数, 粒子都会依概率收敛于最优位置. 通过基准函数的实验验证了分析的结论.