粒子群优化算法研究进展

粒子群优化(PSO)算法作为一种仿生进化算法,是受到自然界生物群体行为机制的启发而提出的.本文首先介绍PSO算法的基本原理和工作机制.然后着重就PSO算法的理论和应用研究现状进行综述,包括PSO算法的改进、PSO算法的参数设置、PSO算法的收敛性、PSO算法与其它算法的融合以及PSO算法在优化领域的典型应用,并进一步分析它们的研究重点和发展方向.最后是关于PSO算法面临的问题和研究展望,提出PSO算法研究中值得探讨的一些课题.     

微粒群优化算法的研究

粒子群优化(PSO)算法是一种启发式全局优化技术,一种基于群智能的演化计算方法,其源于鸟群群体运动行为的研究,算法通过粒子问的相互作用发现复杂搜索空间中的最优区域.PSO的优势在于简单容易实现而又功能强大.分析了粒子群优化算法的基本原理,给出了多种改进形式以及研究现状和发展情况,并提出了未来可能的研究方向.     

粒子群优化算法综述

为了进一步推广应用粒子群优化算法(PSO)并为深入研究该算法提供相关资料,在分析PSO基本原理和机制的基础上,从参数设置.收敛性、拓扑结构及与其它算法混合等方面对其发展历程和研究现状进行深入调查,论述了该算法的各种改进技术,并阐述了PSO在连续领域和离散领域的应用成果,最后对该算法未来发展趋势做出了展望.     

基于综合改进型PSO算法的电网无功优化研究

为改善基本粒子群优化(PSO)算法的电网无功优化性能,提出了一种新的综合改进型PSO算法,该算法将蜜蜂进化机制、遗传选择机制与PSO算法相结合.在寻优前期,为提高粒子的全局寻优能力,采用蜜蜂进化机制与粒子群相结合的蜜蜂进化PSO算法,可有效地增加粒子的多样性;在寻优后期,为增加粒子的收敛速度,采用遗传选择机制与PSO算法相结合的选择PSO算法.利用综合改进型PSO算法和其他典型优化算法,分别对IEEE 14标准电网以及某地实际运行电网进行对比分析,结果显示,综合改进后的PSO算法进行无功优化时,其收敛速度明显加快,收敛能力显著提高,电网无功优化性能有了很大改善,验证了该算法的正确性和有效性.     

一种改进的RBF神经网络学习算法

提出一种基于减聚类、K-means算法及改进的粒子群优化(PSO)算法的径向基函数(RBF)神经网络混合学习算法. 该算法首先使用减聚类确定隐层节点数和K-means初始聚类中心; 然后通过K-means算法求取RBF网络所有参数, 作为PSO的初始粒子群; 为了提高PSO算法的收敛性和稳定性, 对基本PSO算法进行了优化改进, 最后使用改进的PSO算法训练RBF神经网络中的所有参数. 对IRIS数据集分类识别的仿真结果表明, 改进的混合算法具有更高的分类准确率和更好的稳定性.     

粒子群优化算法的分析与研究

粒子群优化算法是一种新兴的基于群智能的演化计算方法,其思想来源于对鸟群运动行为的研究.群体中的每一个粒子通过追随个体最优解和群体最优解来完成解的迭代过程.首先介绍了PSO算法的基本原理,然后对PSO的几种典型改进算法进行了介绍并通过仿真实验对各种算法进行了分析和比对,最后对粒子群算法研究方向进行了展望.     

基于改进PSO算法的BP神经网络的应用研究

为了克服粒子群优化算法本身存在的早熟和局部收敛的固有问题,在描述了BP神经网络的基本结构的基础上,介绍了粒子群优化算法(PSO)的基本概念,并通过对二者优缺点的分析与比较,结合二者的优势,将粒子矢量位移应用到PSO算法中,并在此基础上,用改进的PSO算法对BP网络进行训练,还利用某商场的部分消费数据进行了实验.结果表明,基于改进的PSO算法的BP网络在收敛速度和精度上都比基于传统的PSO算法好.     

基于TanW-ArccosC PSO算法的PP求解与实证分析

通过结合正切函数Tan-W和反余弦函数Arccos-C提出了一种改进的粒子群优化算法,简称TanW-ArccosC PSO算法。TanW-ArccosC PSO算法通过对惯性权重和学习因子的改进,增加了粒子群的多样性,增强了算法的搜索能力,提高了算法的收敛速度。针对投资组合问题,通过在大智慧软件中随机提取数据,利用MATLAB软件,分别用改进的TanW-ArccosC PSO算法和标准PSO算法进行求解与实证分析其投资组合问题的投资比例和CVaR值,实证分析结果表明TanW-ArccosC PSO算法具有更良好的搜索能力、低风险性以及可操作性。     

粒子群算法在异常检测中的应用研究

主要研究了粒子群算法在异常检测中的应用,包括PSO算法结合聚类方法、PSO结合神经网络、PSO 结合支持向量机以及单一的PSO算法,分析了各种算法的性能特点,指出了粒子群算法在异常检测中的研究方向,对后续研究工作具有一定参考价值.     

一种改进的粒子群优化算法

粒子群优化算法（PSO）是一种生物进化技术。依据粒子间的相互影响发现搜索空间中的最优解。通过分析基本PSO算法的进化方程,研究了一种具有更好收敛速度和全局收敛性的改进PSO算法。5个典型测试函数的仿真实验表明该改进算法是行之有效的。     

一类新颖的粒子群优化算法

粒子群优化(PSO)是一类有效的随机全局优化技术。它利用一个粒子群搜索解空间,每个粒子表示一个被优化问题的解,通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出一类新颖的PSO算法,该算法在基本PSO算法的粒子位置更新公式中增加了一个积分控制项。积分控制项根据每个粒子的适应值决定粒子位置的变化,改善了PSO算法摆脱局部极小点的能力。另外,该算法增加了限制搜索空间范围的机制,这对某些函数优化问题是必需的。用5个基准函数做的对比实验结果显示,该算法优于基本PSO算法以及自适应修改惯性因子的PSO算法。     

微粒群优化算法研究现状及其进展

对进化计算中引起广泛兴趣的微粒群优化(PSO)算法的研究现状进行了考察，介绍了一些最新研究进展，包括：杂交PSO、基于邻域算子的PSO和基于不同搜索方向的PSO，并简要介绍了PSO在求解复杂优化问题如多目标优化和带约束优化中的优势。最后给出了一些应用实例，讨论了将来可能的研究内容。     

一种改进粒子群算法在参数辨识中的应用

提出一种两群并列随机粒子群搜索算法用来改善PSO算法的缺点,即易于早熟和收敛速度慢。该算法将粒子群中适应度较高的粒子的平均位置,展开一个同步的随机搜索过程并且指导下一次的最优粒子,跳出局部最优位置。从搜索结果可以看出,改进粒子群克服了局部早熟和收敛速度慢的缺点。仿真结果表明了该算法的有效性。     

新的进化计算算法——粒子群优化算法

Particle Swarm Optimization (PSO),rooting from simulation of swarm of bird, is a new branch of Evolution Algorithms based on Swarm Intelligence.Concept of PSO,which can be described with only several lines of codes,is more easily understood and realized than some other optimization algorithms.PSO has been successfully applied to much engineering.Firstly,this paper depicts natural explanation about PSO,secondly,introduces its basic theory and several development versions of PSO,and presents some applications of PSO.At last,a brief conclusion and further research direction are given.     

Particle Swarm Optimization inspired by starling flock behavior

Swarm intelligence is a meta-heuristic algorithm which is widely used nowadays for efficient solution of optimization problems. Particle Swarm Optimization (PSO) is one of the most popular types of swarm intelligence algorithm. This paper proposes a new Particle Swarm Optimization algorithm called Starling PSO based on the collective response of starlings. Although PSO performs well in many problems, algorithms in this category lack mechanisms which add diversity to exploration in the search process. Our proposed algorithm introduces a new mechanism into PSO to add diversity, a mechanism which is inspired by the collective response behavior of starlings. This mechanism consists of three major steps: initialization, which prepares alternative populations for the next steps; identifying seven nearest neighbors; and orientation change which adjusts velocity and position of particles based on those neighbors and selects the best alternative. Because of this collective response mechanism, the Starling PSO explores a wider area of the search space and thus avoids suboptimal solutions. We tested the algorithm with commonly used numerical benchmarking functions as well as applying it to a real world application involving data clustering. In these evaluations, we compared Starling PSO with a variety of state of the art algorithms. The results show that Starling PSO improves the performance of the original PSO and yields the optimal solution in many numerical benchmarking experiments. It also gives the best results in almost all clustering experiments.     

基于蚁群信息机制的粒子群算法

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法。通过构造单个粒子的多个进化方向和类似于蚂蚁群算法信息素表的选择机制,保留了粒子的多种可能进化方向。提高了粒子间的多样性差异,从而改善算法能力。改进后的混合粒子群算法的性能优于带线性递减权重的粒子群算法。     

A team-oriented approach to particle swarms

The Particle Swarm Optimization (PSO) is a simple, yet very effective, population-based search algorithm. However, degradation of the population diversity in the late stages of the search, or stagnation, is the PSO's major drawback. Most of the related recent research efforts are concentrated on alleviating this drawback. The direct solution to this problem is to introduce modifications which increase exploration; however it is difficult to maintain the balance of exploration and exploitation of the search process with this approach. In this paper we propose the decoupling of exploration and exploitation using a team-oriented search. In the proposed algorithm, the swarm is divided into two independent teams or sub swarms; each dedicated to a particular aspect of search. A simple but effective local search method is proposed for exploitation and an improvised PSO structure is used for exploration. The validation is conducted using a wide variety of benchmark functions which include shifted and rotated versions of popular test functions along with recently proposed composite functions and up to 1000 dimensions. The results show that the proposed algorithm provides higher quality solution with faster convergence and increased robustness compared to most of the recently modified or hybrid algorithms based on PSO. In terms of algorithm complexity, TOSO is slightly more complex than PSO but much less complex than CLPSO. For very high dimensions (D > 400), however, TOSO is the least complex compared to both PSO and CLPSO.     

微粒群算法求解背包问题综述

微粒群算法是一种群体智能优化算法,它具有个体数目少、计算简单、鲁棒性好等优点;其缺点是容易陷入局部极值点,进化后期收敛速度慢且精度较差。本文对微粒群算法的基本原理、参数设置及优化进行了介绍,并对0-1背包问题的模型及目前的解决方法进行了简介。     

五种粒子群优化模型效率的研究

粒子群优化算法按照认知部分和社会部分被区分为5种模型（完全模型、自认知模型、社交模型、非自身社交模型和非自身完全模型）。为了明确5种粒子群优化模型的效率,选用进化计算领域中常用的5种基准函数,分别对5种粒子群优化算法模型设置不同的参数,分析了它们在求解5种基准函数时的成功率、平均函数求值数、最佳适应度等。结果表明：PSO完全模型和非自身完全模型使用收缩系数K在某些参数设置下求解高维问题时即搜索问题的解时效率较高,社交模型和非自身社交模型在一些参数设置下求解Schaffer函数等二维问题的效率最好。     

微粒群算法求解背包问题综述

微粒群算法是一种群体智能优化算法,它具有个体数目少、计算简单、鲁棒性好等优点;其缺点是容易陷入局部极值点,进化后期收敛速度慢且精度较差.本文对微粒群算法的基本原理、参数设置及优化进行了介绍,并对0-1背包问题的模型及目前的解决方法进行了简介.