PSOSA混合优化策略

本文提出了一种微粒群算法与模拟退火算法相结合的混合优化方法，该方法在群体进化的每一代中，首先通过微粒群算法的进化方法来控制微粒的飞行方向，然后利用模拟退火算法来拓展其搜索领域。这样既可以利用微粒群算法的收敛快速性，又可以利用模拟退火算法的全局收敛性。本文还证明了该混合优化方法依概率1收敛于全局最优解。仿
真结果表明，在搜索空间维数增大时，该方法的全局收敛性明显优于基本微粒群算法。     

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.     

基于模拟退火机制的多微粒群协同进化算法*

模拟退火和多微粒群协同进化是两种较好的改进微粒群算法性能的方法,将这两种思想有机地结合起来,提出了一种基于模拟退火机制的多微粒群协同进化算法。通过对三个标准函数优化的实验表明,该算法高效、稳定地提高了全局寻优能力。     

模拟退火混沌粒子群算法的盲检测

考虑到基本粒子群算法在初始化时具有盲目性,收敛速度慢,在进化过程中会出现早熟现象.文中给出了MIMO系统的盲均衡模型,在对基本粒子群优化算法的MIMO系统盲检测研究基础上.分别引入了模拟退火机制和混沌机制,据此基础上提出一种改进的算法:基于模拟退火混沌粒子群优化的盲检测算法,并对这几种算法和改进算法的性能进行仿真.仿真结果表明,改进算法具有全局收敛性好、收敛速度快、误码率低的优点,能够很好地解决盲检测盲均衡问题.     

差分进化微粒群优化算法-DEPSO

微粒群优化算法是一种新的进化计算技术,具有良好的优化性能,但是对于高维多模态函数,因进化后期微粒多样性的降低导致算法早熟收敛.文章提出的差分进化微粒群优化算法(DEPSO),拓宽了微粒信息传递的途径,增加了微粒的多样性,保证了算法的全局收敛.实验结果表明,DEPSO比PSO有更好的性能.     

一种新型的多种群微粒群算法

针对微粒群算法容易出现早熟问题,提出一种动态种群与子群混合的微粒群算法（SPSDPSO）。该算法在微粒群搜索停滞时对微粒进行分群,在子群内部通过微粒随机初始化以及个体替代策略提高优化性能,在子群进化一定代数后重新混合为一个种群继续优化,种群进化与子群进化交替进行直至满足算法终止条件。SPSDPSO的种群与子群混合进化策略增强了群体多样性,并且使得子群体之间能够进行充分的信息交流。收敛性分析表明,SPSDPSO以概率1收敛到全局最优解。函数测试结果表明,新算法的全局收敛性能有了显著提高。     

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。     

一种基于单纯形法的随机微粒群算法

以保证全局收敛的随机微粒群算法SPSO为基础,本文提出了一种改进的随机微粒群算法--SM-SPSO。该方法是在SPSO的进化过程中,以单纯形法所产生的最优个体来代替SPSO中停止的微粒,参与下一代的群体进化。这样既可以利用单纯形法的收敛快速性,又可以利用SPSO的全局收敛性。通过对两个多峰的测试函数进行仿真,其结果表明在搜索空间维数相同的情况下,SM-SPSO的收敛率及收敛速度均大大优于SPSO。     

协同进化算法及在软测量建模中的应用

综合基本微粒群优化算法(Particle Swarm Optimization,PSO)和模拟退火(Simulated Annealing,SA)算法,提出了一种新型的协同进化方法(SAPSO)。通过PSO和SA两种算法的协同搜索,可以有效地克服微粒群算法的早熟收敛。用SAPSO训练神经网络,并将其用于延迟焦化装置粗汽油干点和高压聚乙烯熔融指数的软测量建模。与几种常见建模方法比较,结果表明该软测量模型具有更高的测量精度和更好的泛化性能,能够满足现场测量要求。     

以模拟退火算法为收敛判据的混合微粒群算法

本文提出了一种以模拟退火算法为收敛判据的混合微粒群算法,不仅保留了微粒群算法收敛速度快、易于实现的特点,而且通过模拟退火为群体置换更优的微粒,从而保证算法得到一个高质解.仿真结果表明了该方法的有效性.     

机载雷达组网多站测角被动跟踪轨迹优化研究

研究多观测器轨迹优化控制问题,由于多站测角被动跟踪系统运行存在误差,用机载雷达组网的可移动传感器采集信息,可对雷达载体轨迹优化进行研究,利用控制雷达载体的飞行轨迹可有效解决跟踪目标的弱观测性及估计器的稳定性。为了改善传统轨迹优化算法容易陷入早熟收敛和局部最小的问题,提出一种模拟退火(Simulated Annealing,SA)和粒子群优化(Particle Swarm Optimization,PSO)算法的混合优化方法(SA-PSO)。在给出了角度信息的适应度函数表达式基础上,结合模拟退火算法的局部搜索能力和粒子群优化算法的全局搜索能力,提高优化算法的收敛速度、精度以及全局搜索能力。实验证明,改进的混合算法对雷达载体轨迹优化有效,并减小对机动目标的被动跟踪误差。     

一种多尺度协同变异的粒子群优化算法

为了改善粒子群算法易早熟收敛、精度低等缺点,提出一种多尺度协同变异的粒子群优化算法,并证明了该算法以概率1收敛到全局最优解.算法采用多尺度高斯变异机制实现局部解逃逸.在算法初期阶段,利用大尺度变异及均匀变异算子实现全局最优解空间的快速定位;随着适应值的提升,变异尺度随之降低;最终在算法后期阶段,利用小尺度变异算子完成局部精确解空间的搜索.将算法应用6个典型复杂函数优化问题,并同其他带变异操作的PSO算法比较,结果表明,该算法在收敛速度及稳定性上有显著提高.     

一种模拟退火和粒子群混合优化算法

针对粒子群优化算法(PSO)容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点.把模拟退火技术(SA)引入到PSO箅法中,提出了一种混合优化算法.混合优化算法在各温度下依次进行PSO和SA搜索,是一种两层的串行结构.由于PSO提供了并行搜索结构,所以,混合优化算法使SA转化成并行SA算法.SA的概率突跳性保证了种群的多样性,从而防止PSO算法陷入局部极小.混合优化算法保持了PSO算法简单容易实现的特点,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度.仿真结果表明,混合优化算法的优化性能优于基本PSO算法.     

MQPSO: 一种具有多群体与多阶段的QPSO算法*

提出了一种改进的QPSO(Quantum-behaved Particle Swarm Optimization)算法,即一种具有多群体与多阶段的具有量子行为的粒子群优化算法.在该算法中,粒子被分为多个群体,利用多个阶段进行全局搜索,这样可以有效地避免粒子群早熟,提高了算法的全局收敛性能.对几个重要测试函数的测试结果证明,MQPSO算法的收敛性能优于标准粒子群算法(Standard Particle Swarm Optimization, SPSO)以及QPSO算法.     

基于混沌云模型的粒子群优化算法

针对传统粒子群优化（PSO）算法寻优精度不高和易陷入局部收敛区域的缺点,引入混沌算法和云模型算法对PSO算法的进化机制进行优化,提出混沌云模型粒子群优化（CCMPSO）算法。在算法处于收敛状态时将粒子分为优秀粒子和普通粒子,应用云模型算法和优秀粒子对收敛区域局部求精,发掘全局最优位置;应用混沌算法和普通粒子对收敛区域以外空间进行全局寻优,探索全局最优位置。应用特征根法对CCMPSO算法的收敛性进行分析,并通过仿真实验证明,CCMPSO算法的寻优性能优于其他常用PSO算法。     

粒子群和人工鱼群混合优化算法

提出基于粒子群的人工鱼群混合优化算法,该算法综合利用人工鱼群算法的良好全局收敛性和粒子群算法的局部快速收敛性、易实现性等优点,克服人工鱼群算法收敛速度慢及粒子群算法后期全局收敛差的缺点,发挥了两者的优越性,并成功应用于求解具有变量边界约束的非线性的复杂函数最优化问题和求解复杂化学方程根的问题。仿真结果表明,混合粒子群算法不仅具有较好的全局收敛性能,而且具有较快的收敛速度。     

基于粒子群优化算法的并行模拟退火算法

针对模拟退火（simulated annealing,SA）算法收敛速度慢,随机采样策略缺乏记忆能力,算法内在的串行性使其具有并行化问题依赖等缺点,提出了基于粒子群优化（particle swarm optimization,PSO）算法的并行模拟退火算法。该算法利用粒子群优化算法中个体的记忆功能引导算法在解空间中开展精细搜索,在反向学习算法基础上设计新的反向转动操作机制增加了算法的多样性,借助PSO的天然并行性克服了SA的并行问题依赖性,并在集群上实现了多Agent协同进化的改进算法。对Toy模型的蛋白质结构预测问题进行了仿真实验,结果表明该算法能有效提高求解问题的质量和效率。     

基于模拟退火的花朵授粉优化算法

针对花朵授粉算法寻优精度低、收敛速度慢、易陷入局部极小的不足,提出一种把模拟退火(SA)融入到花朵授粉算法中的混合算法。该算法通过SA的概率突跳策略使其避免陷入局部最优,并利用SA的全域搜索的性能增强算法的全局寻优能力。通过6个标准测试函数进行测试,仿真结果表明,改进算法在4个测试函数中能够找到理论最优值,其收敛精度、收敛速度、鲁棒性均比基本的花朵授粉算法(FPA)、蝙蝠算法(BA)、粒子群优化(PSO)算法及改进的粒子群算法有较大的提高;同时,对非线性方程组问题进行求解的算例应用也验证了改进算法的有效性。     

改进微粒群算法求解模糊交货期Flow-shop调度问题

针对模糊交货期Flow-shop调度问题的特点,论文提出用微粒群这种具有快速收敛、全局性能好的迭代优化算法进行求解,并使用惩罚函数、增加数据记忆库和自适应变异机制等方法对微粒群算法进行改进,减少了算法陷入局部极值的可能性。通过仿真实例,改进微粒群算法的全局寻优、收敛性和克服早熟的能力均优于遗传、启发式算法。