一种新型的动态粒子群优化算法

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。     

一种动态分组的粒子群优化算法

针对粒子群优化算法易陷入局部最优的问题,提出一种动态分组的粒子群优化算法.通过对鸟群习性的研究,给出交互粒子的概念,并在粒子群优化过程中引入动态分组机制,将种群动态划分成多个子种群,且每次划分的子种群数目是从特定集合中随机选取,从而增加交互粒子划分到同一子种群的概率.每个子种群在收敛进化的同时,利用环拓扑结构提高种群多样性及算法搜索全局最优解的能力.实验结果表明,与其他粒子群优化算法相比,该算法具有更好的稳定性、寻优性能以及更高的收敛精度.     

改进免疫粒子群算法在矿车调度优化中的应用

提出了一种基于自适应搜索的改进免疫粒子群算法.算法在传统免疫粒子群算法的基础上,对子种群进行分组,以并联形式对算法进行融合,动态调整各组子种群规模,根据粒子最大浓度值自适应调整搜索范围.首先,算法融合了浓度调节机制,结合粒子最大浓度值来调节子种群数目以充分利用粒子群资源;与此同时,针对次优子种群进行疫苗接种,利用粒子最大浓度值调节接种疫苗的搜索范围,在避免了种群退化现象的同时,提高了算法的收敛精度和全局搜索能力.文中建立了露天矿山矿车调度模型并进行了仿真实验,仿真结果表明,所提算法充分利用了矿车资源,具有一定优越性和较好的工程应用价值.     

内嵌区域震荡搜索的粒子群优化算法

针对粒子群优化算法早熟收敛现象,提出了一种改进的粒子群优化算法。新算法在粒子群中的每个粒子吸引子的基础上引入了区域震荡搜索因子。每个粒子在协同收敛的同时,震荡搜索粒子极值位置周围区域,增加种群的多样性,提升算法的全局寻优能力,有效避免算法陷入局部收敛。仿真结果表明,改进后的算法在收敛精度上得到显著的改善。     

基于改进量子粒子群的K-means聚类算法及其应用

针对传统K-means聚类算法受初始类中心影响导致聚类准确度较低的问题,利用量子粒子群优化算法全局搜索能力强、收敛速度快的优势,提出一种基于改进量子粒子群的K-means聚类算法.为防止量子粒子群优化算法陷入局部极值,采用具有高斯扰动的局部吸引子以提高种群跳出局部最优的能力;为提高算法的收敛速度,采用加权更新种群平均最...     

基于分工合作和搜索空间重构的粒子群优化

针对粒子群算法早熟收敛及后期收敛速度慢的缺点,提出一种基于分工合作和搜索空间重构的改进粒子群算法。首先基于分工合作的思想,对不同性能的粒子赋予不同的惯性权值,从微观上提高粒子搜索效率;同时,每当种群迭代到一定次数时,对搜索空间进行自适应重构,从宏观上提高种群的后续搜索效率,并适度重新初始化种群,恢复种群多样性。以4个经典测试函数对算法性能进行了测试比较。仿真结果表明,该算法明显提高了收敛效率,改善了求解质量。     

结合K-means的并行粒子群优化

通过给基于孤岛模型的并行粒子群算法引入K-means来进行子种群的划分。这不仅可以使一个子种群中的粒子位置相对集中,学习相对容易,而且可以提高搜索效率,使有限的时间用在最有效的搜索上。针对并行算法的特点,对其进行改进,在满足一定条件时才进行通信,这样可以避免无效通信,减少通信所花的时间。仿真结果证实,该算法具有较高的收敛速度和收敛精度。     

吸引子权重改变内嵌区域震荡搜索粒子群算法

针对粒子群算法搜索精度不高、搜索最优解较慢的问题,提出了一种改进的粒子群算法。该算法通过调整全局最优解和个体最优解,形成一个新的全局吸引子解指导粒子收敛,优化种群粒子来搜索解空间的最优值。再将优化方案融入到内嵌区域震荡搜索的粒子群算法（RSPSO）中,仿真结果表明,改进的粒子群算法在寻优能力及搜索精度方面都得到了进一步的提高。     

基于种群划分与变异策略的粒子群优化算法

粒子群算法因其形式比较简洁，参数设置灵活，操作简便易行，并且能够快速收敛，从而引起广泛关注。但是传统的粒子群算法也有缺陷：收敛速度慢以及容易陷入局部最优等。针对这些问题，本文借鉴小生境的方法，在进化初始阶段，对种群进行划分，将初始种群分为子种群，对不同的子种群进行不同的变异策略；在进化过程中，针对不同的子种群，设置不同的惯性权重因子ω，用来增强全局搜索能力与局部搜索能力。实验结果表明，本文提出的算法较传统的粒子群算法具有较快的收敛性以及找寻的全局最优解更接近真实解集，收敛精度比较高。     

协同震荡搜索混沌粒子群求解资源受限项目调度问题

针对求解资源受限项目调度问题(RCPSP),提出了协同震荡搜索混沌粒子群(CSCPSO)算法。算法围绕种群粒子吸引子建立双向协同震荡搜索机制,该机制一方面使粒子向吸引子收敛,另一方面使粒子震荡调整自身与吸引子相邻维度大小关系不一致的维度,提升算法的搜索精度和种群的多样性。项目调度采用基于粒子的拓扑排序和串行项目进度生成机制,保证项目调度解决方案满足资源约束和紧前约束。采用具体算例对算法进行检验,结果表明该算法在求解RCPSP的精度和稳定性方面表现更优。     

具有启发式探测及自学习特征的降维对称微粒群算法

提出对称微粒群算法SymPSO_HD,用以提高PSO算法的搜索能力。引入种群分布熵以保证种群的分布性;引入具有探测特征的启发式粒子,用以影响普通粒子的位置;提出邻域内的克隆变异选择策略及全局范围内的降维对称粒子策略,用以增强粒子的局部及全局学习能力。仿真实验及分析结果表明,SymPSO_HD算法搜索能力稳定,适应性强,能以较大概率收敛到全局最优。     

基于K-均值聚类的协同进化粒子群优化算法

针对粒子群优化（PSO）算法优化高维问题时,易陷入局部最优,提出一种基于K-均值聚类的协同进化粒子群优化（KMS-CCPSO）算法。该算法通过引入K-均值算法扩大种群的局部搜索范围,采用柯西分布和高斯分布相结合的方法更新粒子的位置。实验结果表明,该算法具有较好的优化性能,其优势在处理高维问题上更为明显。     

动态邻域混合粒子群优化算法

粒子群优化(PSO)算法对于多峰搜索问题一直存在早熟收敛问题。为在增强PSO算法全局搜索能力的同时提高收敛速度,提出一种动态邻域混合粒子群优化算法DNH_PSO,采用PSO局部模型,将随机拓扑和冯诺依曼拓扑相结合形成动态邻域,提高算法的全局搜索能力,为增强算法的局部搜索能力并加快收敛速度,使用粒子邻域全面学习策略,将拟牛顿法引入算法中。与其他PSO实验对比分析表明,该算法对于多峰搜索问题具有较好的全局收敛性。     

改进的云自适应粒子群算法

为了提高粒子群算法的寻优速度和精度,提出一种改进的云自适应粒子群算法（MCAPSO）。算法中根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略和进化策略,普通子群粒子采用云自适应惯性权重,有效地调整了算法的全局与局部搜索能力。选取了五个基准函数进行测试,与其他PSO算法作了比较。仿真结果表明该方法是有效的。     

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。     

具有量子行为的粒子群优化算法的改进

为改善基本粒子群的全局、局部搜索能力和收敛速度、计算精度,基于标准PSO算法和量子理论基础之上,提出一种改进的基于量子行为的PSO算法—WbQPSO算法。新算法中,采用全同粒子系更新位置,并引入混沌思想,对每个粒子进行混沌搜索,另外通过在Mbest_i中加入权重系数,试图改善粒子群的全局、局部搜索能力和收敛速度以及计算精度。对经典函数的测试计算表明：改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。     

求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法（PSO）通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题（JSP）。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题（JSP）的混合微粒群算法。算法将微粒群算法、遗传算法（GA）、模拟退火（SA）算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明：与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

基于改进粒子群算法的k均值聚类算法

针对[k]-means算法易受初始中心影响的缺点,提出了基于改进粒子群算法的[k]-means聚类算法[（k]-means cluster algorithm based on Improved PSO,IPK-means）,在粒子群算法中加入混沌搜索过程,以增加PSO迭代后期粒子群的多样性,并且在粒子更新过程中,给出了一种动态调整因子公式,使得调整因子与该粒子的适应度值大小相关,即同一迭代中不同粒子也会拥有不同的调整因子。最后将改进的PSO算法应用于[k]-means聚类,为其寻找较好的初始中心,实验结果表明了该算法可取得较好的聚类结果。     

PSO算法在子任务分配中的应用

设计一种双重粒子编码方式,提出用于求解子任务分配问题的粒子群优化(PSO)算法。采用预约束方法产生初始种群,根据PSO算法容易陷入局部最优的特点,引入和声搜索策略加以改进。通过对经典实例的仿真分析,并与其他算法进行对比,证明新算法具有较强的寻优能力,收敛速度较快。     

基于遗传算子的改进粒子群优化算法

为了克服PSO算法容易陷入局部最优的缺陷,提出一种基于遗传算子的改进PSO算法。该算法借鉴常规的遗传算法中的选择交叉操作,在优化搜索过程中更新粒子的位置时,进行交叉操作,可以扩大全局搜索范围,避免局部最优,提高粒子的多样性。对改进后的算法使用几个典型的测试函数进行了仿真实验,实验结果表明,相比于标准PSO该算法的全局搜索能力和收敛精度都有较大提高,有效地改善了优化性能。