共查询到19条相似文献,搜索用时 156 毫秒
1.
2.
传统粒子群优化算法容易陷入局部最优解,搜索效率不高,针对此问题,提出了一种基于种群关系和斥力因子的多种群粒子群优化算法SRB-PSO (Swarm-Relation-Based PSO).根据当前搜索结果定义种群之间统治、对等和被统治3种关系,通过引入斥力因子来保证种群间搜索的多样性,并通过统治和被统治关系提高算法的搜索效率,从而在改善算法的全局搜索性能的同时提高解的质量.将算法与其他几种主流粒子群优化改进算法在标准测试集上进行对比,实验结果证明了SRB-PSO算法能较好地保持粒子多样性,全局搜索能力强,在解决多峰函数时的性能优于其他几种主流粒子群优化改进算法. 相似文献
3.
针对粒子群算法(PSO)种群多样性低和易于陷入局部最优等问题,提出一种粒子置换的双种群综合学习PSO算法(PP-CLPSO)。根据PSO算法的收敛特性和Logistic映射的混沌思想,设计并行进化的PSO种群和混沌化种群,结合粒子编号机制,形成双种群系统中粒子的同号结构和同位结构,其中粒子的惯性权重根据适应度值自适应调节;当搜索过程陷入局部最优时,PSO种群同位结构下适应度值较差的粒子,根据与混沌化种群间的同号结构执行粒子置换操作,实现了双种群系统资源的合理调度,增加了种群的多样性;进而综合双向搜索的同位粒子学习策略和线性递减搜索步长的局部学习策略,进行全局探勘和局部搜索,提高了算法的求解精度。实验选取9个基准测试函数,同时与4个改进的粒子群算法和4个群智能算法进行对比验证,实验结果表明,PP-CLPSO算法在求解精度和收敛速度等方面具备较好的综合性能。 相似文献
4.
5.
一种新型的动态粒子群优化算法 总被引:1,自引:1,他引:0
为了改进标准粒子群优化算法全局搜索性能,提出了一种种群动态变化的多种群粒子群优化算法。当算法搜索停滞时,把种群分裂成2个子种群,通过子种群粒子随机初始化及个体替代机制增强种群多样性,两个子种群并行搜索一定代数后,通过混合子种群来完成不同子种群中粒子的信息交流。收敛性分析表明,本文算法能以概率1收敛到全局最优解。实验结果表明,本文算法具有较好的全局寻优能力和较快的收敛速度。 相似文献
6.
7.
8.
为有效求解逆向物流车辆路径(VRPSPD)模型,本文提出一种基于种群多样性的自适应PSO算法(SDAPSO)。在SDAPSO运行时,根据种群多样性,自适应地对种群中运行较差的粒子进行扰动操作,提升这些粒子向最优解收敛的能力;同时,对全局最优粒子进行概率扰动,以增加种群的多样性。标准检测函数的仿真结果表明SDAPSO算法是对基本PSO算法的有效改进。在对VRPSPD模型求解中,通过与其它粒子群算法相比,表明SDAPSO是求解该类问题的一种有效方法。 相似文献
9.
10.
11.
基于种群多样性评价的自适应遗传算法 总被引:1,自引:1,他引:0
遗传算法是解决优化问题的一种重要而有效的方法,在很多领域中得到了广泛的应用.在实际应用过程中,"过早收敛"是遗传算法经常遇到的问题之一,其主要原因是进化过程中个别优秀个体的迅速繁殖导致种群多样性的过早丧失.针对这一问题,提出了一种基于改进种群熵的多样性评价方法,并根据种群多样性评价及个体的适应度,从宏观和微观两方面对个体操作概率进行动态调整.仿真实验表明改进算法具有良好的全局搜索能力,一定程度上避免了过早收敛. 相似文献
12.
13.
为了求解一些复杂优化问题的全局最优解,基于保护区种群迁移动力学模型,提出了一种新的群智能优化算法,简称PZPMDO算法。在该算法中,假设有很多生物种群生活在某生态系统中,该生态系统被分成两个区域,即非保护区和保护区,对生活在保护区内的生物种群实施各种保护。在非保护区与保护区之间存在种群迁移通道,若某区域内的某生物种群的密度过高,该生物种群就会自发地迁移到低密度区域,从而导致低密度区域内的生物种群受到迁移过来的生物种群的影响;若某生物种群的占比越大,该生物种群的影响也就越大;若某生物种群越强壮,该生物种群就越会将其优势传播给其他生物种群。不同区域内的各生物种群因生存竞争而相互影响,这种影响会体现在种群部分特征间的相互作用上,且该影响是随时间变化的。文中采用ZGI指数描述一个生物种群的强弱程度,利用保护区种群迁移动力学模型、种群迁移和相互影响关系构造算子。PZPMDO算法拥有8个算子,且演化时每次仅处理总变量数的1/1000~1/100,具有搜索速度快和全局收敛性的特点,适用于求解维数较高的全局优化问题。 相似文献
14.
为了更有效地避免早熟收敛,提高算法的全局搜索能力,提出了基于种群多样性的可变种群缩减差分进化算法(Dapr-DE)。首先,Dapr-DE使用群体多样性指标控制种群规模缩减;然后,使用聚类将种群分为不同类簇,在类簇中根据适应度值删除个体,既维持了种群的多样性,又减少了由于 存在过多相似个体而导致的局部收敛。最后在CEC14测试集的30个函数优化问题上进行了实验比较,验证了所提算法的有效性。 相似文献
15.
基于种群熵的GA-BP混合优化算法及其应用 总被引:1,自引:0,他引:1
文章通过引入种群熵的概念把遗传算法和神经网络的BP算法有机结合起来,提出了一种新的混合算法GA-BP混合优化算法,从而充分利用了遗传算法和神经网络的BP算法各自具有的优点,并把GA-BP混合优化算法应用到机器人坐标逆变换中去。实验表明,GA-BP混合优化算法能较好地实现机器手端坐标到关节角的变换。 相似文献
16.
17.
基因表达式编程( GEP)是一种进化算法,存在局部极小问题,解决此问题的一般方法是保持进化过程中种群的差异度.为了保证进化过程中种群的差异度,文中提出一种融合种群空间和样本空间的种群差异度度量方法.并基于此融合种群差异度度量方法,提出差异控制的GEP进化算法.同时在初始种群生成时,针对GEP结构的特殊性,将敌手理论应用于GEP种群初始化.实验结果表明文中算法能较有效避免过早陷入局部极小. 相似文献
18.
基于种群差异度的自适应遗传算法 总被引:7,自引:0,他引:7
常规遗传算法采用恒定的选择压力和变异概率,后期进化速度较慢,对于复杂优化问题通常难以获得高质量的解。该文根据染色体的相似性,提出了种群差异度的概念,并依据种群差异度自适应地调整遗传参数。算例表明,与常规遗传算法相比,文章提出的算法能显著提高解的质量和收敛速度。 相似文献
19.
为解决服装生产中的裁剪分床计划问题,结合生产过程的影响因素和订单需求,建立了裁剪分床的多目标数学模型进行优化,使用一种改进的双种群粒子群-遗传混合算法对模型进行求解。混合算法将进化种群划分为普通种群和精英种群,利用改进的遗传算法来全局搜索进化普通群体并筛选精英个体,同时结合粒子群优化算法进化精英群体。交叉和变异保证种群的多样性,粒子群寻优机制提升进化速度,两种群在进化时交叉影响不断寻找最优方案。实验结果表明:混合算法在解决多目标的生产订单裁剪分床问题上表现稳定,相比改进的遗传算法有更快的寻优速度,比手工计算方法减少1个裁床,裁剪时间缩短5?min且超裁数量降低60%,可以适应不同目标需求,针对实际生产中的裁剪分床有一定的应用价值。 相似文献