二次插值的粒子群优化算法

为了克服粒子群优化算法容易早熟的问题,提出了一种新的粒子群优化算法。算法在进行速度和位置更新后,随机选取两个个体历史最好位置（不含全局最好位置）与全局最好位置,利用二次插值产生新的位置,并与当前个体历史最好位置相比较,更新当前个体历史最好位置和全局历史最好位置。对6个经典测试函数进行数值实验,结果表明该算法提高了算法的寻优能力和收敛速度。     

基于改进粒子群算法的聚类算法

K-均值算法是一种传统的聚类分析方法,具有思想与算法简单的特点,因此成为聚类分析的常用方法之一.但K-均值算法的分类结果过分依赖于初始聚类中心的选择,对于某些初始值,该算法有可能收敛于一般次优解.在分析K-均值算法和粒子群算法的基础上,提出了一种基于改进的粒子群算法的聚类算法.该算法将局部搜索能力强的K均值算法和全局搜索能力强的粒子群算法结合,提高了K均值算法的局部搜索能力、加快了收敛速度,有效地阻止了早熟现象的发生.实验表明该聚类算法有更好的收敛效果.     

一种新的改进粒子群优化算法

在现有文献研究的基础上,首先阐述标准粒子群优化算法的基本原理,并对它加以分析,指出标准粒子群优化算法初始粒子种群的产生速度慢、在优化过程中容易陷入局部最优等缺点,然后对其缺点进行改进,将改进的粒子群优化算法和标准粒子群优化算法进行实验对比分析研究,从实验结果中可知,改进粒子群优化算法在收敛速度及收敛精度上都明显好于标准粒子群优化方法.     

一种改进的粒子群优化算法及其仿真

为了提高粒子群算法的性能,针对粒子群算法的早熟收敛和收敛速度问题,提出了一种改进的粒子群优化算法.在分析了粒子群算法不足的基础上,提出了两个提高算法性能的改进途径.该算法对动态惯性权重策略进行了扩展,并引入随机扰动策略,从两个方面同时改进以提高算法的收敛速度和克服局部极值的能力.函数测试的结果表明,该算法能显著提高收敛速度,并能有效克服局部极值.     

粒子群优化算法综述

概括粒子位置、速度更新公式的修正,控制参数的变换和种群多样的维持等粒子群优化算法的改进技术,介绍具有量子行为、并行处理能力及解决多目标优化问题的新型粒子群优化算法,讨论粒子群优化算法和基他优化算法混合的基本思想.     

多样性反馈与控制的粒子群优化算法

针对粒子群优化(PSO)算法的早熟收敛问题,提出了一种多样性反馈与控制的粒子群优化(DFCPSO)算法。该算法在搜索过程中根据多样性反馈信息,动态调整算法参数,改善了搜索次数在多样性曲线上的分布情况。当多样性或群体适应度方差下降到给定的阈值时,通过基于最优点排斥的初始化操作,高效率发散,使粒子飞离聚集区域,重新开始搜索,从而使种群多样性保持在合理范围内,避免了早熟收敛现象。对多个标准测试函数的实验结果表明,与当前多样性控制的粒子群优化(DCPSO)算法相比,DFCPSO算法在复杂优化问题和多模态优化问题中具有更强的全局搜索能力。     

质心粒子群优化算法

为了加快粒子群算法收敛速度,提出了质心粒子群优化算法（CPSO）。算法通过计算种群所有个体最优记录所构成的一个群体的质心,对种群个体当前的最优记录和全局最优记录进行比较、替换或更新等操作,从而加快算法的收敛速度。仿真实验表明,在求解相同精度的情况下,质心粒子群优化算法的收敛速度优于线性递减惯性权重粒子群优化算法（LDWPSO）。     

多样性反馈与控制的粒子群优化算法

针对粒子群优化(PSO)算法的早熟收敛问题,提出了一种多样性反馈与控制的粒子群优化 (DFCPSO)算法。该算法在搜索过程中根据多样性反馈信息,动态调整算法参数,改善了搜索次数在多样性曲线上的分布情况。当多样性或群体适应度方差下降到给定的阈值时,通过基于最优点排斥的初始化操作,高效率发散,使粒子飞离聚集区域,重新开始搜索,从而使种群多样性保持在合理范围内,避免了早熟收敛现象。对多个标准测试函数的实验结果表明,与当前多样性控制的粒子群优化(DCPSO)算法相比,DFCPSO算法在复杂优化问题和多模态优化问题中具有更强的全局搜索能力。     

一种混沌粒子群嵌入优化算法及其仿真

为克服混沌粒子群优化(CPSO)算法由于采用随机数作为算法参数而不能保证种群多样性和优化遍历性的缺陷,通过将混沌变量嵌入到常规粒子群优化算法(PSO)中,使PSO算法中的惯性权值和随机数用混沌随机序列来替代,提出了一种新的混沌粒子群嵌入优化算法(CEPSO),以充分利用混沌运动的随机性、遍历性克服粒子群优化算法容易陷入局部最优的缺点.通过复杂多维函数的寻优测试,验证了本算法的有效性,并将仿真结果与混沌粒子群优化算法进行比较,证明了CEPSO算法更具有较强的全局搜索能力和收敛速度.     

改进的粒子群求解多目标优化算法

根据粒子群算法求解多目标问题的特点,个体极值和全局极值的选择不同会对实验结果产生很大影响。目前普遍的选择方法仅仅根据简单的支配关系,但是会存在两个解之间没有支配关系而导致不去更新个体最优值（PB）和全局最优值（GB）,这样会导致更好的个体极值和全局极值的遗漏从而降低收敛时间。文中提出一种新的个体极值和全局极值的选择策略。使用这种策略,可以加快收敛,提高准确性,防止非劣解的遗漏。通过几个测试函数的实验仿真,所得解集的分步性和多样性都有显著的提高。     

经验粒子群算法在飞机着陆调度中的应用

为高效解决飞机着陆调度问题,对其离散解空间进行连续化编码,提出经验粒子群（experiential particle swarm optimization , EPSO）算法。提炼飞机着陆调度问题中的领域知识作为每个粒子的经验,优化粒子群算法的寻优过程,增加算法的稳定性。引入控制工程领域中的滚动时域控制（receding horizon control , RHC）策略,在尽量考虑问题完整性的前提下,最大限度降低求解的复杂度,形成最终的RHC‐EPSO算法。实验结果表明,该算法能够比现有算法更加高效和稳定地找到飞机着陆调度问题的最优解。     

一种用于多目标优化的混合粒子群优化算法

将粒子群算法与局部优化方法相结合,提出了一种混合粒子群多目标优化算法（HMOPSO）。该算法针对粒子群局部优化性能较差的缺点,引入多目标线搜索与粒子群算法相结合的策略,以增强粒子群算法的局部搜索能力。HMOPSO首先运行PSO算法,得到近似的Pareto最优解;然后启动多目标线搜索,发挥传统数值优化算法的优势,对其进行进一步的优化。数值实验表明,HMOPSO具有良好的全局优化性能和较强的局部搜索能力,同时HMOPSO所得的非劣解集在分散性、错误率和逼近程度等量化指标上优于MOPSO。     

多群多层协同进化算法的约束优化求解及应用*

针对基于可行性规则求解约束优化问题易陷入局部、master-slave协同进化模型同层种群间没有信息交流的情况,提出多群多层协同进化算法(MSMHCO)。算法在信息交流上,同层采用种群单向信息交流,不同层采用顶层指导底层的信息交流;在进化方式上采用后一层在前一层的基础上的进化方式;在搜索方式上融合全局并行搜索、局部串行搜索、混沌映射的遍历性和模拟退火算法的突跳功能。典型函数测试表明,MSMHCO算法和同类算法相比,收敛速度更快,求解精度更高。丁烯烷化过程的约束优化实例也进一步证明了MSMHCO算法的有效性。     

两群微粒群优化算法及其应用

针对微粒群优化算法容易陷入局部极值的缺陷,提出两群微粒群优化算法．通过对5种常用测试函数进行测试和比较,结果表明两群微粒群优化算法比基本微粒群优化算法更容易找到全局最优解,优化效率明显提高．然后将两群微粒群优化算法用于催化裂化装置主分馏塔轻柴油95%点软测量建模,通过与实际工业数据对比,表明该软测量模型具有高的精度、好的性能和广阔的应用前景．     

基于粒子群优化算法的多交叉口信号配时*

以城市道路多个单点信号控制交叉口组成的绿波系统为研究对象,对绿波系统的交叉口信号配时优化进行研究。通过对路段和干线机动车流进行协调控制设计,以西安市某两相邻交叉口晚高峰时段各进口道的交通量、通行能力、饱和流量以及各交叉口进口道的实际车均延误时间为约束,确定各交叉口的信号周期及各相位有效绿灯时长,使得干线延误量最小。设计了PSO算法的编码方式,分别采用PSO算法、灾变PSO算法和二阶振荡PSO算法对多交叉口交通信号配时进行优化计算。仿真实验表明,二阶振荡PSO算法在该实例中表现最优。     

改进的多种群协同进化微粒群优化算法

提出一种改进的基于多种群协同进化的微粒群优化算法（ＰＳＯ）．该算法首先利用免疫算法实现解空间的均匀划分,增加了算法稳定性和全局搜索能力．在运行过程中,通过种群进化信息生成解优胜区域,指导变异生成的微粒群向最优解子空间逼近,提高算法逃出局部最优的能力．将此算法与ＰＳＯ 算法和多种群协同进化微粒群算法进行比较,数据实验证明,该算法不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和稳定性均有显著提高．     

一种改进粒子群算法及其在Wie ne r模型辨识中的应用

针对标准粒子群算法收敛速度较慢、收敛精度较低、容易陷入局部最优等方面的缺点,提出一种融合细菌觅食算法和鲶鱼效应的混合粒子群算法。通过四个经典测试函数仿真实验,验证了该算法具有较其他改进方法更强的全局搜索能力、收敛速度和收敛精度。并针对一类可描述成Wiener模型的工业过程进行了参数辨识,通过数值仿真验证了混合粒子群算法的实用性以及较其他算法更强的非线性辨识能力。     

多策略协同进化粒子群优化算法

为了提高粒子群优化(PSO)算法的优化性能, 提出了一种多策略协同进化PSO(MSCPSO)算法。该方法引入了多策略进化模式和多子群协同进化机制, 将整个种群划分为多个子群, 每个子群中的粒子按照不同的进化策略产生新的粒子。子群周期性地更新共享信息, 以加快算法的收敛速度。通过六个基准函数实验, 仿真结果表明, 新算法在计算精度和收敛速度方面均优于其他七种PSO算法。     

改进的粒子群算法在化工过程优化中的应用

在现有自适应粒子群优化算法的研究基础上本文引入1种反弹机制(Rebound Mechanism),提出了1种改进的粒子群算法——反弹自适应粒子群优化算法。RAPSO能在搜索过程中充分利用粒子的飞行速度和方向等信息(下文称为动量信息),维持粒子的多样性以提升算法的搜索性能。通过比较,本文提出的RAPSO在一定程度上改进了现有的自适应粒子群算法的优化性能。运用RAPSO对催化裂化装置进行优化试验,其结果表明无论在单变量优化还是在多变量优化中,该装置的转化率都得到了一定程度的提高。     

新型改进果蝇优化算法

针对传统果蝇优化算法在进行优化时所存在的寻优精度偏低和收敛速度较慢的问题,提出了一种新的改进果蝇优化算法。该算法在迭代过程中将每次迭代所得最优值的变化率作为下一次果蝇种群飞行距离变化的参考依据。动态改变果蝇种群每次飞行的距离,能够有效地权衡算法的全局搜索能力和局部搜索能力。将该改进算法在函数优化中与原果蝇算法和另外两种果蝇改进算法进行仿真对比,结果表明,所提出的改进算法在收敛精度、收敛速度以及稳定性方面具有明显优势。