多自适应策略粒子群优化算法及应用

为了平衡粒子群优化算法的全局和局部搜索能力,提出了一种多自适应策略粒子群优化算法。该算法在粒子进化过程中,采用了基于粒子进化度和局部开启混沌搜索相结合的速度自适应调节策略。将算法应用于模拟电路故障诊断的BP神经网络训练中,有效地解决了常规BP算法收敛速度慢、易陷入局部极小的问题。仿真结果表明算法具有较快的收敛速度和较高的诊断精度。     

基于随机扩散搜索的协同差分进化算法

针对差分进化算法存在的收敛速度慢、稳健性差等问题,借鉴多种群并行机制和随机搜索策略,提出一种基于随机扩散搜索的协同差分进化算法。引入反向混沌搜索的初始化机制,利用随机扩散搜索策略将种群分为成功和失败2个子群并进行改进,对改进的成功和失败子群分别采用不同的差分策略,克服单一差分策略的缺陷,同时定期使子群的部分最好与最差个体实现一对一的信息交流,从而达到协同进化的目的。仿真结果证明,与粒子群优化算法及差分进化算法相比,该算法具有较好的收敛速度和寻优能力。     

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。     

机器人逆运动学差分自适应混沌粒子群求解

采用D-H法通过连杆坐标系变换矩阵建立机械臂运动控制模型,该模型呈现非常严重的非线性特性,传统方法难以求解。由于动态差分算法具有很强的全局搜索能力,而粒子群算法具有精确的局部搜索能力的特点,融合改进的动态差分算法和粒子群算法,并引入混沌映射初始种群和粒子群学习因子与惯性权重的自适应算法,提出多子群分层差分自适应混沌粒子群算法。该算法采用的多子群分层结构能提升个体共享群体信息的能力,底层利用动态差分算法进行全局搜索,顶层精英群利用改进的粒子群算法进行局部搜索。仿真试验和实际应用表明该算法在稳定性、搜索成功率以及收敛精度有显著提高,能有效解决机器人逆运动学模型的求解。     

CPSO-NP优化算法及其在TE过程中应用

为有效平衡粒子群算法的探索和开发能力,解决粒子群局部最优、收敛速度慢等问题,提出了基于捕食搜索和自然选择的混沌粒子群算法.该算法借鉴自然选择中适者生存的进化机制以提高算法的收敛速度;且捕食搜索策略调节限制级别平衡全局搜索和局部搜索,优化搜索性能;通过函数测试和化工TE的故障诊断,结果表明:所提算法计算精度高、收敛速度快,能准确地对SVM的参数进行寻优,提高了故障诊断的准确性.     

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。     

基于粒子群算法的模糊控制在倒立摆中的应用

粒子群算法是一种仿生进化算法,源于对鸟群觅食行为的模拟,由于其计算简单、快速,被广泛应用。但是,基本粒子群算法在求解的过程中存在着全局搜索能力和局部求精能力两个性能指标之间的矛盾,算法容易陷入局部极值,进化后期的收敛速度慢。针对上述问题,提出了基于混沌变异算子的粒子群算法,可以使粒子摆脱局部极值,继续优化,加快收敛速度。将基于混沌变异的粒子群算法与模糊算法相结合,用于控制倒立摆系统的平衡。仿真实验表明,混沌变异粒子群算法优化了倒立摆系统模糊控制器的设计,改善了控制效果。     

基于粒子群算法的模糊控制在倒立摆中的应用

粒子群算法是一种仿生进化算法,源于对鸟群觅食行为的模拟,由于其计算简单、快速,被广泛应用.但是,基本粒子群算法在求解的过程中存在着全局搜索能力和局部求精能力两个性能指标之间的矛盾,算法容易陷入局部极值,进化后期的收敛速度慢.针对上述问题,提出了基于混沌变异算子的粒子群算法,可以使粒子摆脱局部极值,继续优化,加快收敛速度.将基于混沌变异的粒子群算法与模糊算法相结合,用于控制倒立摆系统的平衡.仿真实验表明,混沌变异粒子群算法优化了倒立摆系统模糊控制器的设计,改善了控制效果.     

变异自适应混沌粒子群算法求解线性超定方程

针对粒子群算法容易陷入局部最优值和全局局部搜索平衡能力较差的问题,提出来变异自适应混沌粒子群算法.根据进化代数调节惯性权重和加速因子,新算法较好平衡了粒子群算法中的全局和局部搜索模型,利用变异因子可以使得粒子跳出局部最优值,保证种群后期仍然具有进化潜力.新算法在5个测试函数上和标准粒子群算法,自适应粒子群算法,混沌粒子群算法进行了比较,通过三种比较标准,结果说明了新算法具有较快的收敛速度,和较强的进化潜力.通过对线性超定方程组的求解,说明了新算法在数学方面具有较高的使用价值.     

基于改进惯性权重的粒子群优化算法

惯性权重是粒子群算法中平衡全局搜索和局部搜索能力的重要参数,提出了一种基于改进惯性权重的粒子群优化算法。该算法在进化初期采用基于不同粒子不同维的动态自适应惯性权重策略,加快收敛速度,在进化后期采用线性递减权重策略,同时为防止陷入局优,适时引入混沌变异增加种群多样性。对5个典型测试函数的测试结果表明,NPSO在收敛速度、收敛精度、稳定性和全局搜索能力等方面比线性权重PSO(LDIWPSO)均有很大程度上的提高。     

协同智能的蝙蝠差分混合算法

为解决差分进化算法后期收敛易陷入局部最优和早熟收敛的问题,提出一种群体智能优化算法,即协同智能的蝙蝠差分混合算法。利用蝙蝠个体脉冲回声定位的特点,与差分种群相互协作,在当前最优解gbest附近进行一次详细搜索,有效增加种群的多样性,跳出局部最优。通过蝙蝠种群和差分种群两个种群的相互协作,较好平衡全局搜索和局部开发之间的能力。为验证算法有效性,选用9个常用的基准测试函数和5个0-1背包问题,与标准粒子群算法、带高斯扰动的粒子群算法、蝙蝠算法、差分算法、烟花算法相对比,仿真实验表明,所提算法总体性能优于其它5种算法。     

基于差分演化和粒子群优化的改进WSN覆盖算法

动态部署传感器节点随机性大,无法保证特定目标区域的覆盖质量,引入智能优化算法后有效提高了节点动态部署的质量,但一般的智能优化算法在动态部署时存在“早熟”等缺陷。为了进一步提高节点动态部署的质量,针对节点的覆盖问题进行研究,结合粒子群优化和差分演化的优点,前期用粒子群优化算法,发挥粒子群擅长前期搜索收敛较快的特点,后期用差分演化算法,发挥差分演化擅长局部搜索的特点,这样取双方所长,克服双方所短,从而使算法有更好的搜索能力。仿真结果表明,本文提出的算法相对于改良惯性权重的粒子群算法、结合虚拟力的粒子群算法以及基本差分演化算法,具有更好的搜索能力,优化后的网络覆盖率更高。     

基于种群划分与变异策略的粒子群优化算法

粒子群算法因其形式比较简洁，参数设置灵活，操作简便易行，并且能够快速收敛，从而引起广泛关注。但是传统的粒子群算法也有缺陷：收敛速度慢以及容易陷入局部最优等。针对这些问题，本文借鉴小生境的方法，在进化初始阶段，对种群进行划分，将初始种群分为子种群，对不同的子种群进行不同的变异策略；在进化过程中，针对不同的子种群，设置不同的惯性权重因子ω，用来增强全局搜索能力与局部搜索能力。实验结果表明，本文提出的算法较传统的粒子群算法具有较快的收敛性以及找寻的全局最优解更接近真实解集，收敛精度比较高。     

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。     

一种改进的微粒群优化算法

提出了一种基于差分进化算子变异的改进微粒群优化算法，为减小陷入局优的可能性，在群体最优信息陷入停滞时引入差分进化算子变异，使算法摆脱局部极优点的束缚，同时又保持前期搜索速度快的特性，提高全局搜索能力。仿真实验表明：与标准微粒群优化算法相比，该文算法的全局收敛性能得到了显著提高，能有效避免微粒群优化算法中的早熟收敛问题。     

一种自适应多策略行为粒子群优化算法

针对粒子群优化算法收敛速度慢、局部搜索能力差等缺点,提出一种自适应多策略行为粒子群优化算法.算法中每个粒子拥有4种行为进化策略,在迭代过程中通过计算每种进化策略的立即价值、未来价值和综合奖励来决定粒子的进化行为,并通过策略行为概率变异算法提升个体寻优速度或避免陷入局部最优解.在经典的基准测试函数上,对新算法与其他7个群智能进化算法的测试结果进行比较分析,结果表明所提出算法具有很好的求解精度和收敛速度,尤其适合应用于一些高维优化问题.     

CW-PSO及其在古建筑传感器优化配置中的应用研究

针对粒子群优化算法容易陷入早熟收敛以及全局搜索和局部搜索平衡能力差等缺点,提出了基于余弦自适应调整惯性权重的粒子群优化算法(CW-PSO),并将其应用在木构古建筑传感器优化配置中。仿真结果表明,该算法在一定程度上避免了早熟收敛,提高了全局和局部搜索性能,又能得到较为精确的寻优结果。     

A comparative study of various meta-heuristic techniques applied to the multilevel thresholding problem

The multilevel thresholding problem is often treated as a problem of optimization of an objective function. This paper presents both adaptation and comparison of six meta-heuristic techniques to solve the multilevel thresholding problem: a genetic algorithm, particle swarm optimization, differential evolution, ant colony, simulated annealing and tabu search. Experiments results show that the genetic algorithm, the particle swarm optimization and the differential evolution are much better in terms of precision, robustness and time convergence than the ant colony, simulated annealing and tabu search. Among the first three algorithms, the differential evolution is the most efficient with respect to the quality of the solution and the particle swarm optimization converges the most quickly.