具有自适应随机惯性权重的PSO算法

通过对标准PSO算法中惯性权重和全局最好值的分析，提出了一种根据全局最好值的变化而自适应变化的随机惯性权重的方法。通过对5个典型的Benchmark函数的测试，结果表明此方法在收敛速度和全局收敛性方面都较线性递减的惯性权重的方法有所改进。最后，将改进的PSO算法应用于分类问题，与标准PSO算法与C4．5的结果相比，分类精度和速度都有所提高。     

基于速度夹角的粒子群协同优化算法

粒子群算法（PSO）是一种随机全局优化算法，在许多领域得到了广泛应用。针对PSO存在易陷入局部极值、进化后期收敛速度缓慢的缺点，提出一种基于速度夹角的粒子群协同优化算法（V-PSCO），并且引入了一种基于高斯分布的累积分布函数的惯性权重调整策略。将V-PSCO用于几种典型函数的优化问题，结果表明，V-PSCO具有更强的全局搜索能力，优化性能明显提高。     

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。     

一种改进惯性权重的变异微粒群优化算法

针对微粒群优化算法的早熟收敛和进化后期收敛速度慢等问题,提出了一种改进惯性权重的变异微粒群优化算法。在算法运行过程中,对适应度值不同的微粒赋予不同的惯性权重,使算法既具有良好的空间探索能力又有良好的局部挖掘能力;在群体最优信息陷入停滞时引入变异算子,对聚集在局部最优微粒附近的微粒的位置和速度进行变异操作,使算法摆脱局部最优点的束缚。对4种典型函数的测试结果表明,新算法的全局搜索能力和收敛速度都得到了提高,并且能够有效避免早熟收敛问题。     

基于强化学习的适应性微粒群算法

惯性权重足微粒群算法(PSO)的重要参数,它可以甲衡算法的全局和局部搜索能力的关系,改善算法的性能.对此,提出一种基于强化学习的适应性微粒群算法(RPSO).首先将不同惯性权重调整策略视为粒子的行动集合;然后通过计算Q函数值.考察粒子多步进化的效果;进而选择粒_了最优进化策略,动态调整惯性权重,以增强算法寻找全局最优的...     

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。     

用正弦函数描述非线性惯性权重的微粒群算法

为改进标准微粒子群算法,提出了一种用Sin函数非线性描述惯性权重动态调整微粒群的方法。由于原算法存在早熟收敛和搜索效率低,提出改进基本微粒群算法的惯性权重参数,将微粒群算法中的惯性权重用正弦函数来描述,通过对粒子位置和速度进行自适应非线性调整,使算法在前期阶段具有较快的收敛速度,在算法后期局部搜索能力也不错,减少了微粒陷入局部极值的机会,使结果收敛于全局最优解,为了验证算法的有效性,采用Shaffer’s F6和Levy No.5函数进行测试,实验结果表明,新方法具有比较好的效果。     

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。     

二阶微粒群算法

为了提高标准微粒群算法的全局收敛性,提出了一种新的微粒群算法——二阶微粒群算法.首先,介绍了二阶微粒群算法的引入,分析了其收敛性,并且研究了其参数的选择范围.其次,在分析二阶微粒群算法的进化方程的基础上,引出了具有随机惯性权重的标准微粒群算法.再次,在二阶微粒群算法中加入振荡因子来调整微粒的速度变化率,更好地使二阶微粒群算法收敛于全局最优.最后,利用这几种改进方法对典型测试函数进行仿真,实验结果表明,这些方法能够有效克服早熟问题,在全局收敛性和收敛速度方面均优于标准微粒群算法.     

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.     

基于群体适应度方差的自适应粒子群优化算法

针对基本粒子群优化算法稳定性较差和易陷入局部收敛的缺点,提出了一种基于群体适应度方差的自适应粒子群优化算法。一方面,在可行域中采用混沌初始化生成均匀分布的粒群,提高了初始解的质量;另一方面,构造了基于群体适应度方差的惯性权重的自适应变换公式,增强了算法跳出局部最优解的能力。仿真实验结果表明了该算法的可行性和有效性。     

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.     

粒子群优化算法中惯性权重的研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法。惯性权重是粒子群算法中非常重要的参数,可以用来控制算法的开发和探索能力。简单介绍了标准粒子群优化算法的基本原理,全面综述了现有文献中对惯性权重的研究进展情况。     

A novel stability-based adaptive inertia weight for particle swarm optimization

Particle swarm optimization (PSO) is a stochastic population-based algorithm motivated by intelligent collective behavior of birds. The performance of the PSO algorithm highly depends on choosing appropriate parameters. Inertia weight is a parameter of this algorithm which was first proposed by Shi and Eberhart to bring about a balance between the exploration and exploitation characteristics of PSO. This paper presents an adaptive approach which determines the inertia weight in different dimensions for each particle, based on its performance and distance from its best position. Each particle will then have different roles in different dimensions of the search environment. By considering the stability condition and an adaptive inertia weight, the acceleration parameters of PSO are adaptively determined. The corresponding approach is called stability-based adaptive inertia weight (SAIW). The proposed method and some other models for adjusting the inertia weight are evaluated and compared. The efficiency of SAIW is validated on 22 static test problems, moving peaks benchmarks (MPB) and a real-world problem for a radar system design. Experimental results indicate that the proposed model greatly improves the PSO performance in terms of the solution quality as well as convergence speed in static and dynamic environments.     

Interactive Self Improvement Based Adaptive Particle Swarm Optimization

One of the most familiar stochastic heuristic search algorithm is Particle swarm optimization (PSO), which is motivated by social behavior of animals like birds, fishes, and so forth. The significant advantages of PSO algorithm are simple structure and limited parameters to be used. Among the parameters, inertia weight is considered as the most crucial one in PSO which brings trade-off between the characteristics of exploitation and exploration. A novel Interactive Self-Improvement based Adaptive PSO (ISI-APSO) method that traits better searching efficiency and accuracy than the traditional particle swarm optimization is proposed. More precisely, it can achieve faster convergence speed while on global search over the entire search space. The simulation results show that the performance of our proposed ISI-APSO is substantially improved than other heuristic algorithms in terms of the search efficiency and convergence speed.     

一种混沌惯性权重的简化粒子群算法

惯性权值作为粒子群算法的一个全局参数,能够方便地控制算法的搜索能力和收敛速度,在算法运行过程中具有重要的作用。在分析惯性权值的作用基础上提出了一种混沌惯性权重的简化粒子群优化算法,利用混沌序列的内在随机性、遍历性和规则性,提高算法的寻优能力。测试结果表明,新算法具有更快的收敛速度和更强的全局寻优能力。     

混沌惯性权值调整策略的粒子群优化算法

粒子群优化算法是一种新颖的智能优化算法。惯性权值对粒子群优化算法的性能有着重要的影响。在分析已有的惯性权值调整策略的基础上,提出了混沌惯性权值调整策略,该策略将惯性权值用一个混沌变量来描述。标准测试函数实验表明,在不影响优化结果精度的情况下,混沌惯性权值调整策略的粒子群优化算法收敛速度较已有方法有了明显的提高。