改进协同粒子群算法的汽车涂装线调度

针对汽车涂装线的复杂调度问题,提出了基于改进协同粒子群算法的新调度方法,建立了汽车涂装线的最优调度模型.将协同粒子群算法生成的各子种群看成一个个单独的Agent,构成一个多智能体联盟,子种群Agent能感知和学习联盟中其他Agent的最优位置和自身信息,进行粒子的惯性权重自适应调整.通过相互竞争,协同进化,得到联盟最优值,解码获取最优的调度策略.最后通过实例仿真,验证了该算法在涂装线调度优化中的可行性和有效性.     

一种混沌粒子群算法

针对传统的粒子群算法易陷入局部最小,且算法后期的粒子速度下降过快而失去搜索能力等缺陷,本文提出了一种基于混沌思想的新型粒子群算法。该算法通过生成混沌序列的方式产生惯性权重取代传统惯性权重线性递减的方案,使粒子速度呈现多样性的特点,从而提高算法的全局搜索能力;根据算法中粒子群体的平均粒子速度调节惯性权重,防止粒子速度过早降低而造成的搜索能力下降的问题;最后通过引入粒子群算法系统模型稳定时惯性权重和加速系数之间的约束关系,增强了粒子群算法的局部搜索能力。对比仿真实验表明,本文所提改进的混沌粒子群算法较传统粒子群算法具有更好的搜索性能。     

基于DWSPSO的软件测试数据自动生成

针对软件结构测试数据的自动生成提出了一种动态改变惯性权重的简化粒子群算法(DWSPSO)。该算法舍弃了粒子速度这个参数,并通过粒子群中所有粒子适应度的整体变化跟踪粒子群的状态。在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性全局搜索与局部搜索能力。实验结果表明,该算法在测试数据的自动生成上,优于基本的粒子群算法以及惯性权值线性递减粒子群算法(LDWPSO)。     

一种非线性动态自适应的Agent联盟生产算法

代理(Agent)联盟是对无线传感器网络WSN(Wireless Sensor Network)进行管理的重要手段.引入粒子群算法PSO(Particle Swarm Optimization)并对其进行改进,使PSO的参数具有非线性动态自适应性.将改进的PSO用于求解Agent联盟生成问题,并针对WSN的特性设计了一种效益函数用于评价联盟的效益.采用基于非线性动态自适应PSO的Agent联盟生成算法,在联盟生成初期搜索范围较广,搜索后期在局部挖掘上表现出良好的性能.实验证明在解决Agent联盟生成问题中,基于PSO的算法在稳定性上优于其他算法,基于改进PSO的联盟生成算法可以加大搜索空间,更快的收敛到最优解,且该算法可以同时生成多个Agent联盟,支持并行多任务环境下的Agent联盟求解.     

惯性权重粒子群算法模型收敛性分析及参数选择

为提高粒子群算法的收敛性,基于动力系统的稳定性理论分析了带有惯性权重的粒子群算法模型的收敛性,提出了在算法模型收敛条件下惯性权重w和加速系数c的参数约束关系.使用4个测试函数对具有所提参数约束关系的惯性权重粒子群算法模型和典型参数取值惯性权重粒子群算法模型进行了对比仿真研究,实验结果表明,具有提出的参数约束关系的惯性权重粒子群算法模型在收敛性方面具有显著优越性.     

基于蚁群系统的参数自适应粒子群算法及其应用

为了解决粒子群算法惯性权重自适应问题,提出一种基于蚁群系统的惯性权重自适应粒子群算法(AS-PSO).AS-PSO首先将惯性权重取值区间离散化,各个惯性权重子区间在初期赋予相同的信息素;然后,粒子群算法中的各个粒子,根据各个惯性权重子区间中的信息素浓度和粒子在搜索空间中分布的先验知识,确定各个惯性权重子区间的选择概率,并进而实现粒子的空间搜索;最后,基于粒子的进化信息,实现惯性权重子区间信息素浓度的更新.仿真研究表明,AS-PSO算法在种群进化寻优的同时,能根据种群的进化信息,通过蚁群算法实现惯性权重参数的自适应调整和进化,且不增加测试函数的调用次数;算法寻优性能优于传统的自适应粒子群算法和根据速度信息自适应调整参数的粒子群算法.同时,算法实际应用于复杂系统模型参数的优化估计,获得满意结果.     

融入蜕变关系的杂交粒子群算法及在测试数据生成中的应用

粒子群算法作为一种智能优化算法，因算法收敛速度快和简单易实现的优点，在测试数据生成中应用广泛.为了提升测试数据生成的效率，本文引入蜕变关系以覆盖待测程序的多条路径，提出融入蜕变关系的杂交粒子群算法并应用于软件测试数据生成中.首先，提出粒子群算法的自适应惯性权重调节方案，提高算法的收敛速度；其次，为避免粒子群算法陷入局部极值，呈现早熟性，本文提出杂交粒子群算法，将在遗传算法中交配的主要操作引入粒子群算法中；然后，对于已生成的测试数据，利用待测程序的蜕变关系衍生出新的测试数据以覆盖待测程序的其他路径.最后，通过实验结果验证，本文提出的方法在收敛速度和生成多路径的测试数据上有明显优势.     

一种动态改变惯性权重的自适应粒子群算法

针对标准粒子群算法在进化过程中种群多样性降低而早熟的问题,提出一种动态改变惯性权重的自适应粒子群算法.采用种群中平均粒子相似程度作为种群多样性的测度,并用于平衡算法的全局探索和局部开发.基于对惯性权重随种群多样性测度变化的动态分析,建立了惯性权重随种群多样性测度的变化关系,并将其引入该算法中.最后对6个经典测试函数进行仿真,结果表明该算法在平均最优值和成功率上都有所提高,特别是对多峰函数效果更明显.     

基于改进粒子群算法的BP算法的研究

针对BP算法的缺陷以及标准粒子群算法优化BP网络权值的不足,为了提高算法的全局搜索能力,提出了基于自适应动态调整惯性权重的粒子群算法的BP网络算法.算法根据适应度值的改变情况来调整惯性权重,使惯性权重的改变不依赖于最大迭代次数和当代迭代次数,从而使整个网络具有较快的收敛速度和较小的误差.将算法应用于海参疾病的诊断中.实验发现,基于自适应动态调整惯性权重的粒子群算法的BP算法比基本粒子群算法的BP算法收敛速度快,算法的准确率也比较高,同时改进算法训练的BP网络也比基本粒子群算法训练的BP网络稳定.仿真证明,自适应动态调整惯性权重的粒子群算法对BP算法的优化优于基本粒子群算法.     

基于改进粒子群算法的反舰导弹航路规划研究

针对飞行器航路规划问题,提出了一种改进粒子群算法.在标准粒子群算法的基础上,对惯性权重系数进行了非线性的调整,对学习因子进行线性和非线性的优化,并引入遗传算法中的交叉算子,将较好粒子与较差粒子进行交叉,保证了种群的多样性,从而提高算法的全局搜索能力.为了验证算法的可行性与有效性,对其进行仿真测试.实验结果表明,与标准粒子群算法、线性惯性权重相比,改进的粒子群算法表现出较强的全局搜索能力和较好的收敛性.     

求解TSP问题的模糊自适应粒子群算法

由于惯性权值的设置对粒子群优化（PSO）算法性能起着关键的作用，本文通过引入模糊技术，给出了一种惯性权值的模糊自适应调整模型及其相应的粒子群优化算法，并用于求解旅行商（TSP）问题。实验结果表明了改进算法在求解组合优化问题中的有效性，同时提高了算法的性能，并具有更快的收敛速度。     

粒子群优化算法中惯性权值调整的一种新策略

惯性权值的设置对粒子群优化（PSO）算法的性能起着关键作用,现有的基于惯性权值的改进算法提高了算法的性能,但都把惯性权值作为全局参数,很难控制算法的搜索能力。本文在充分分析惯性权值的关键作用基础上给出一种新的惯性权值调整策略及其相应的粒子群优化算法,使用不同的惯性权值更新同一代种群。测试结果表明,新算法提高了算算法的性能,并具有更快的收敛速度和跳出局部最优的能力。     

惯性权重正弦调整的粒子群算法

通过对标准粒子群算法中惯性权重的分析,提出了一种惯性权重正弦调整的粒子群算法。运用差分方程对粒子速度变化过程和位置变化过程进行分析,得到了粒子群算法的收敛条件。通过对4个典型的函数的测试,实验结果表明该方法在收敛速度和全局收敛性方面都比标准粒子群算法和随机惯性权重粒子群算法有明显改进。理论分析和仿真实验验证了新算法的正确性和有效性。     

一种改进的微粒群优化算法

基于惯性权重对微粒群优化算法（Particle Swarm Optimization,PSO）优化性能的显著影响,提出了一种改变惯性权重的方法以改进PSO算法的优化性能。算法中惯性权重的动态改变是通过对其进行PSO寻优来控制的。经过对标准函数的测试计算,无论是二维还是多维的问题,这种改变惯性权重的PSO算法的寻优结果的准确度和精度均得以提高,收到了良好的效果,尤其在高维情况下,显示出算法性能得到了明显改善。     

基于动态惯性因子的PSO算法的研究

标准粒子群算法是一种有效的寻找函数极值的演化计算方法,它简便易行,收敛速度快.但算法也存在收敛精度不高,易陷入局部极值点的缺点.针对这些缺点,在原有算法的基础上,提出一种动态改变惯性因子的粒子群优化算法(DCWPSO),使得粒子在迭代过程中惯性因子随粒子进化度和聚合度的变化而改变.文中通过对测试函数的仿真实验,并与自适应改变惯性因子的粒子群算法(ACWPSO)以及标准粒子群算法比较,其结果表明这种改进的粒子群算法在性能上明显优于这两种粒子群算法.     

带有权重函数学习因子的粒子群算法

粒子群算法(PSO)中惯性权重和学习因子的独自调整策略削弱了算法进化过程的统一性和粒子群的智能特性,很难适应复杂的非线性优化,为此提出一种利用惯性权重来控制学习因子的PSO算法。该算法将学习因子视作惯性权重的线性、非线性以及三角函数,在惯性权重随时间线性或非线性递减的过程中,学习因子发生相应的递减或递增变化,进而通过增强两者之间的相互作用来平衡算法的全局探索和局部开发能力,更好地引导粒子进行优化搜索。同时为了分析惯性权重和学习因子的融合性能,采用线性和非线性权重法进行比较,测试函数的优化结果表明了采用非线性递减权重的优越性。最后通过对多个基准测试函数的优化分析,并与带有异步线性变化和三角函数学习因子调整方法的PSO进行比较发现,该策略利用惯性权重调整学习因子,能达到平衡粒子个体学习能力和向群体学习能力的作用,提高了算法的优化精度。     

基于粒距和动态区间的粒子群权值调整策略

由于标准粒子群优化(PSO)算法把惯性权值作为全局参数,因此很难适应复杂的非线性优化过程。针对这一问题,提出了一种基于粒距和动态区间的权值调整策略（PSSIW）,根据粒子的粒距大小在动态区间内选取不同的权值,并通过区间的动态变化来控制算法的收敛速度。设计了四种不同的动态区间,并采用三个常用的标准测试函数测试不同区间对算法性能的影响。通过与标准粒子群算法比较发现,该策略提高了算法摆脱局部极值的能力,是一种新型全局收敛粒子群算法。     

一种惯性权重动态调整的新型粒子群算法

在简要介绍基本PSO算法的基础上，提出了一种根据不同粒子距离全局最优点的距离对基本PSO算法的惯性权重进行动态调整的新型粒子群算法（DPSO）．并对新算法进行了描述。以典型优化问题的实例仿真验证了DPSO算法的有效性。     

融合隶属度函数的自适应惯性权重模式的粒子群优化算法

粒子群算法(Particle Swarm Optimization,PSO)的性能极大地依赖于其惯性权重参数的选择策略。当在一次迭代中更新粒子速度时,PSO忽略了粒子间的差异,在所有粒子上应用了相同的惯性权重。针对这一问题,提出一种自适应惯性权重的粒子群算法PSO-AIWA,有效合理地均衡PSO的全局搜索和局部搜索能力。根据当前粒子与全局最优粒子间的差异,算法可以通过基于粒子间距的隶属度函数动态调整粒子的惯性权重,使得每次迭代中,粒子可以根据当前状态在每个维度上的搜索空间内选择合适的惯性权重进行状态更新。在6种基准函数下进行了算法的性能测试,结果表明,与随机式惯性权重PSO算法与线性递减惯性权重PSO-LDIW算法相比,该算法可以获得更好的粒子分布和收敛性。     

基于自适应惯性权重的均值粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖参数选取等缺点,提出了一种基于自适应惯性权重的均值粒子群优化算法。对算法中的惯性权重参数采用动态自适应变化方式,在迭代过程中根据粒子适应度差值将种群划分为三个等级,对不同等级的粒子采用不同的惯性权重策略,使粒子能根据自己所处的位置选择合适的惯性权重值,更快地收敛到全局最优位置;同时分别用个体极值和全局极值的线性组合取代PSO算法中的全局最优位置与个体最优位置。通过实验仿真与对比,验证了新算法性能优于标准PSO及其它一些改进的PSO算法,能够用较少的迭代次数找到最优解,具有更快的收敛速度和更高的收敛精度。