嵌入极值优化的混合粒子群优化算法

针对标准粒子群算法容易陷入局部极值和精度低的问题,提出一种嵌入极值优化算法的粒子群优化算法。在线性下降的惯性权重粒子群算法运行过程中,间隔一定迭代次数与极值优化算法相结合,利用其波动性增加种群的多样性,并有效结合粒子群算法较强的全局探索能力和极值优化算法精细的局部搜索性能,以较高精度收敛到全局极值。仿真实验结果表明,该混合算法是一种求解高维多峰连续函数极值的有效方法。     

一种混合优化算法面向高维函数优化的研究

基本粒子群算法（PSO）在面对高维多极值函数优化的问题时粒子容易快速集中到最优粒子附近，导致粒子运动能力丧失，种群陷入停滞，因此寻优效果并不理想。针对这种情况，通过引入人工鱼群算法（AFSA）中的聚群和觅食行为与粒子群算法相结合形成一种新的混合优化算法来解决这些问题。最终通过仿真实验证明该混合优化算法在面对高维函数的优化问题上具有优秀的寻优能力。     

一种多目标优化问题的理想灰色粒子群算法*

针对逼近理想解的排序方法对Pareto前端的距离跟踪以及灰色关联度能够很好地分析非劣解集曲线与Pareto最优解集曲线的相似性,提出了一种求解多目标优化问题的理想灰色粒子群算法。该算法利用理想解理论与灰色关联度理论来求解粒子与理想解之间的相对适应度和灰色关联度系数,把两者的和定义为相对理想度,通过相对理想度来判别粒子的优劣,以确定个体极值和全局极值。通过四组不同类型的基准函数测试算法性能,并与目标加权法和灰色粒子群算法比较分析,结果表明该算法能够较好地收敛到Pareto最优解集,不但具有较好的收敛性和分布     

基于模糊物元模型的高维多目标FJSP研究*

为解决高维多目标柔性作业车间调度问题,提出了一种基于模糊物元模型与粒子群算法的模糊粒子群算法（Fuzzy Particle Swarm Optimization,FPSO）。该算法以模糊物元分析理论为依据,采用复合模糊物元与基准模糊物元之间的欧式贴近度作为适应度值引导粒子群算法的进化,并引入具有容量限制的外部存储器保留较优的Pareto非支配解以供决策者选择。此外,构建了优化目标为最大完工时间、设备总负荷、加工成本、最大设备负荷与加工质量的高维多目标优化模型,并以Kacem基准问题与实际生产数据为例进行仿真模拟与对比分析。结果表明,该算法具有良好的收敛性且搜索到的非支配解分布性较好,能够有效地应用于求解高维多目标柔性作业车间调度问题。     

多目标优化中带变异算子的灰色粒子群算法

针对如何在多目标优化过程中求解更好的Pareto解集,提出一种基于变异算子的灰色粒子群算法。该算法将灰色关联度应用于粒子群算法,且将方差的概念引入灰色关联度,以区分那些点关联系数有显著差异而其均值相等的各组序列。以此作为变异策略来控制粒子群算法,以避免现有灰色粒子群算法在求解多目标问题时所出现的局部收敛现象。通过四组不同类型的基准函数测试算法性能,测试结果表明该算法能很好地收敛到Pareto最优解集并有效避免了过早陷入局部最优解。     

高维多峰函数的量子行为粒子群优化算法改进研究

针对群智能优化算法求解高维多峰函数时,难以优化粒子每一维和易陷入局部极值点问题,在分析了量子行为粒子群优化（QPSO）算法机理的基础上,对QPSO算法进行改进：采取前后代粒子逐维对比优化,以及构造一种新的调控收缩-扩张系数的函数。实验结果表明,改进算法在收敛精度与收敛速度上都十分显著地优于QPSO算法,而且具有很强的避免陷入局部最优的能力,非常适合求解高维、多峰优化问题。     

改进的r支配高维多目标粒子群优化算法

高维多目标优化问题是广泛存在于实际应用中的复杂优化问题,目前的研究方法大都限于进化算法.本文利用粒子群优化算法求解高维多目标优化问题,提出了一种基于r支配的多目标粒子群优化算法.采用r支配关系进行粒子的比较与选择,并结合粒子群优化算法收敛速度快的优势,使得算法在目标个数增加时仍保持较强的搜索能力;为了弥补由此造成的群体多样性的丢失,优化非r支配阈值的取值策略;此外,引入决策空间的拥挤距离测度,并给出新的外部存储器更新方法,从而进一步防止算法陷入局部最优.对多个基准测试函数的仿真结果表明所得解集在收敛性、多样性以及围绕参考点的分布性上均优于其他两种算法.     

基于混合粒子群算法的RBF神经网络参数优化

针对径向基函数（RBF）神经网络中心参数的优化问题，提出了一种混合粒子群优化算法。该算法应用灰色关联理论定义了粒子群的灰色相似度，分两个阶段对标准的粒子群优化算法（PSO）的全局和局部搜索能力做了改进和提高。在仿真实验中，应用该方法对典型的Mackey-Glass混沌时间序列进行了预测。并与标准的K均值算法、遗传算法和粒子群算法进行了比较，其结果表明，所预测的各项误差均低于其他常规算法的预测结果。     

目标空间映射策略的高维多目标粒子群优化算法

为了平衡优化算法在高维多目标优化问题中收敛性和多样性之间的关系,增加算法的选择压力,本文提出了一种基于目标空间映射策略的高维多目标粒子群优化算法(many-objective particle swarm optimization algorithm based on objective space mapping strategy,MOPSO-OSM)。在求解高维多目标优化问题时,Pareto准则难以从众多的非支配解中确定最优“折中”解,因此将高维多目标空间映射为以收敛性和多样性评价指标的2维空间,再将上述2维空间根据性能指标的优劣划分为4个不同区域。同时,使用反向学习策略提高算法跳出局部最优的能力。实验表明,MOPSO-OSM算法可以有效平衡收敛性和多样性之间的关系,达到求解复杂多目标优化问题的目的。     

基于几何变换的MAGA求解多纳什均衡

针对粒子群优化PSO早熟收敛而且只能寻找一个极值的问题,提出基于几何变换的MAGA混合智能算法,并应用于博弈论求解多纳什均衡问题。算法由粒子群优化和禁忌搜索TS算法构成,对粒子群优化的改进包括对粒子运动松散控制和引入遗传算法GA增强粒子多样性;禁忌搜索算法对邻域空间深度搜索;引入Deflection-Repulsion几何变换对目标函数进行动态变换使算法能够寻找多极值。仿真结果表明,该算法在多纳什均衡求解问题表现突出,寻优速度快,准确率高,可扩展到其他多模态多极值问题领域。     

结合梯度法的混合微粒群优化算法

在微粒群优化算法PSO中引入梯度算法,提出了一种新型的混合微粒群优化算法———GPSO。该混合优化算法是对PSO每一次进化后的所有微粒进一步执行梯度法寻优操作,并以寻找到的更优个体替代当前个体参与群体的下一代进化。GPSO既利用了PSO出色的全局搜索能力,又借助梯度法的快速局部寻优能力,很好地将两者的优势结合在一起。数值实验表明:无论是对于低维的多峰函数,还是高维的多峰和单峰病态函数,GPSO都表现出很强的优化效率、适用性和鲁棒性。     

广义粒子群优化模型

粒子群优化算法提出至今一直未能有效解决的离散及组合优化问题．针对这个问题，文中首先回顾了粒子群优化算法在整数规划问题的应用以及该算法的二进制离散优化模型，并分析了其缺陷．然后，基于传统算法的速度一位移更新操作，在分析粒子群优化机理的基础上提出了广义粒子群优化模型（GPSO），使其适用于解决离散及组合优化问题．GPSO模型本质仍然符合粒子群优化机理，但是其粒子更新策略既可根据优化问题的特点设计，也可实现与已有方法的融合．该文以旅行商问题（TSP）为例，针对遗传算法（GA）解决该问题的成功经验，使用遗传操作作为GPSO模型中的更新算子，进一步提出基于遗传操作的粒子群优化模型，并以Inverover算子作为模型中具体的遗传操作设计了基于GPSO模型的TSP算法．与采用相同遗传操作的GA比较，基于GPSO模型的算法解的质量与收敛稳定性提高，同时计算费用显著降低．     

基于灰色粒子群优化的快速图像匹配算法

针对图像匹配中速度慢、抗噪性差等问题,提出一种基于灰色理论和粒子群优化的快速图像匹配算法——GPSO算法。该算法首先通过粒子群初始化,获得待匹配的多个初始位置和更新速度;然后,利用模板图和当前搜索位置子图的直方图信息,形成参考序列和比较序列,设计基于两类序列间灰色关联度的适应度函数。在此基础上,各粒子根据个体经验和社会经验,利用群体智能的高效并行寻优能力,逐代逼近最佳匹配位置。实验显示,本算法在保证了一定匹配精度的情况下,明显提高了匹配速度和鲁棒性。     

基于遗传粒子群算法的高维复杂函数优化方法

针对高维复杂函数优化的特点,提出了一种遗传算法与粒子群算法相结合的主-从结构算法。算法中,主级为全局搜索的遗传算法;从级为局部邻域搜索的粒子群算法。通过主-从协调机制和从级转换函数设计,使算法不依赖复杂的编码方式和进化算子进行全局精确搜索。通过仿真和比较实验,验证了算法对高维复杂函数优化的有效性。     

协同进化算法在关联规则挖掘中的应用

文中采用了一种协同进化算法,分别利用改进的遗传算法和粒子群算法对两个种群同时进行迭代,并在种群之间引入一种信息交互机制,使两个种群协同进化。文中最后通过实验对该协同进化算法、传统的遗传算法以及粒子群算法应用于关联规则挖掘时的性能进行比较,证明了该协同进化算法在可接受的时间复杂度前提下,不仅继承了传统遗传算法挖掘关联规则时无须产生规模庞大的候选项集和有效减少扫描数据库次数的优点,更弥补了其容易早熟收敛的缺陷,从而能高效地搜索出数据库中高质量的关联规则,这点在其应用于高维数据集时尤为显著。     

基于混合粒子群算法的供热管网优化设计

供热管网优化设计一直是多年来城市地下管网工程中的研究热点。通过分析供热管网的优化模型,建立关于供热管网的目标函数即供热管网投资费用,根据供热管网的目标函数及约束条件建立适应度函数。利用粒子群优化算法对该非线性模型进行求解,借鉴遗传算法中变异操作的思想,设计基于遗传算法的混合粒子群算法,寻求在水力约束条件下目标函数的最小值。实例结果表明,将粒子群优化算法应用于供热管网优化设计可以取得较好的优化结果,并且充分的体现出粒子群算法的寻优能力。     

A new gradient based particle swarm optimization algorithm for accurate computation of global minimum

Stochastic optimization algorithms like genetic algorithms (GAs) and particle swarm optimization (PSO) algorithms perform global optimization but waste computational effort by doing a random search. On the other hand deterministic algorithms like gradient descent converge rapidly but may get stuck in local minima of multimodal functions. Thus, an approach that combines the strengths of stochastic and deterministic optimization schemes but avoids their weaknesses is of interest. This paper presents a new hybrid optimization algorithm that combines the PSO algorithm and gradient-based local search algorithms to achieve faster convergence and better accuracy of final solution without getting trapped in local minima. In the new gradient-based PSO algorithm, referred to as the GPSO algorithm, the PSO algorithm is used for global exploration and a gradient based scheme is used for accurate local exploration. The global minimum is located by a process of finding progressively better local minima. The GPSO algorithm avoids the use of inertial weights and constriction coefficients which can cause the PSO algorithm to converge to a local minimum if improperly chosen. The De Jong test suite of benchmark optimization problems was used to test the new algorithm and facilitate comparison with the classical PSO algorithm. The GPSO algorithm is compared to four different refinements of the PSO algorithm from the literature and shown to converge faster to a significantly more accurate final solution for a variety of benchmark test functions.     

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.     

混合粒子群优化算法

针对粒子群优化算法在处理高维复杂函数时存在收敛速度慢、易陷入早熟收敛等缺点,提出了混合粒子群优化算法。它借鉴群体位置方差的早熟判断机制,把基因换位和变异算子引入到算法中,构造出新的个体和个体基因的适应值函数,将适应值最差的基因进行变异。为减少算法计算量,采用耗散的粒子群算法结构。实验表明,该算法比只有一个适应值的粒子群算法具有更快的收敛速度。且具有很强的避免局部极小能力,其性能远远优于单一优化方法。