群核进化粒子群优化方法

粒子群优化方法（PSO Particle Swarm Optimization）是由Kennedy和Eberhart于1995年提出的进化计算技术,并成功应用于各类优化问题。其基本思想源于对鸟群捕食等群体行为的研究。本文对标准PSO方法进行了分析,给出了“群核”（Swarm-Core）的概念,并在此基础上,提出了群核进化粒子群优化方法（Swarm-Core Evolutionary Particle Swarm Optimization,SCEPSO）,同时把该方法与其它版本PSO方法进行了比较。试验结果表明：在相同环境下,SCEPSO方法能较好地克服传统PSO方法中的不足,测试结果较其它几个版本的PSO方法有很大提高,是非常有效的。     

基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。     

动态环境下的种群扩散粒子群优化算法

传统的粒子群优化算法在优化过程中难以有效地监测环境的动态变化和响应。针对上述问题,通过增加外围监测粒子加强监测有效性,提出一种可以动态响应环境变化的种群多样性扩散函数,在此基础上设计一种扩散粒子群优化算法(DPSO),在动态环境中与APSO、CPSO进行比较,实验结果表明,DPSO可以更有效地跟踪动态环境下极值的变化并快速收敛。     

随机交叉粒子群优化算法

针对粒子群优化算法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,设计了一种随机交叉算子,提出了随机交叉粒子群优化算法。该算法在每次迭代中,对当前粒子和整个粒子群的最优粒子进行随机交叉,产生新的较优粒子并代替原来的粒子,从而加快了算法的收敛速度,增强了算法的寻优能力。仿真结果表明,该算法具有较高的优化性能。     

粒子群优化算法研究综述

粒子群优化算法是一类基于群体智能的启发式全局优化技术,群体中的每一个微粒代表待解决问题的一个候选解,算法通过粒子间信息素的交互作用发现复杂搜索空间中的最优区域。本文介绍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,并提出了未来可能的研究方向。     

粒子群优化算法的研究进展

粒子群优化算法是一类新兴的基于群智能的随机优化算法,同其它的进化算法相比,其最具吸引人的特征是简单容易实现和更强的全局优化能力。本文介绍了PSO算法的研究现状,并讨论了PSO将来的研究方向。     

双中心粒子群优化算法

粒子群优化(PSO)算法是一种新兴的群体智能优化技术,由于其原理简单、参数少、效果好等优点已经广泛应用于求解各类复杂优化问题.而影响该算法收敛速度和精度的2个主要因素是粒子个体极值与全局极值的更新方式.通过分析粒子的飞行轨迹和引入广义中心粒子和狭义中心粒子,提出双中心粒子群优化(double center particle swarm optimization, DCPSO)算法,在不增加算法复杂度条件下对粒子的个体极值和全局极值更新方式进行更新,从而改善了算法的收敛速度和精度.采用Rosenbrock和Rastrigrin等6个经典测试函数,按照固定迭达次数和固定时间长度运行2种方式进行测试,验证了新算法的可行性和有效性.     

基于核模糊聚类的动态多子群协作骨干粒子群优化

针对骨干粒子群优化（BBPSO）算法易陷入局部最优、收敛速度低等问题,提出了基于核模糊聚类的动态多子群协作骨干粒子群优化（KFC-MSBPSO）算法。该算法在标准骨干粒子群算法的基础上,首先,采用核模糊聚类方法将主群分割为多个子群,令各个子群协同寻优,提高了算法的搜索效率。然后,引入非线性动态变异因子,根据子群内粒子数以及收敛情况动态调节子群粒子变异概率,通过变异的方式使子群粒子重新回到主群,提高了算法的探索能力;进一步采用主群粒子吸收策略与子群合并策略加强了主群与子群之间、子群与子群之间的信息交流,提高了算法的稳定性。最后,利用子群重建策略,结合主群与子群搜索到的最优解,调节子群重建的间隔代数。通过Sphere等6个标准测试函数进行对比实验,结果表明,KFC-MSBPSO算法和经典BBPSO算法以及反向骨干粒子群优化（OBBPSO）算法等改进算法相比寻优准确率至少提高了约11.1%,在高维解空间内测试结果的最佳均值占到83.33%并且具有更高的收敛速度。这说明KFC-MSBPSO算法具有良好的搜索性能与鲁棒性,可应用于高维复杂函数的优化问题中。     

粒子群优化方法在动态优化中的研究现状

作为一种基于群智能的并行随机优化方法,粒子群优化算法（PSO）在优化求解问题中体现出了良好的性能．从提出至今引起了广泛的关注,研究成果也不断涌现．从2000年开始,PSO被用于动态优化问题中．这对PSO的研究提出了新的挑战,对于动态问题的优化不再是在解空间中找到一个最优点,而是要尽可能地在解空间中跟踪运动变化的最优点．对目前为止对于PSO在动态环境优化问题的研究内容进行了分析和总结,介绍了针对动态环境优化问题PSO的改进方法、对环境变化的检测和应对策略、优化性能评价的一系列方法以及各种试验及应用案例．     

动态环境下粒子分群与种群多样性的关系研究

如何构建策略解决动态优化问题一直是智能计算研究的重点.采用种群熵来刻画粒子群算法中群体的多样性,在由DF1(Dynamic Function 1)生成的动态环境下分析了4种不同粒子群方法中群体的多样性以及对动态目标点的跟踪效果.实验结果表明,动态环境下,群体多样性保持能够影响算法的跟踪效果.可以通过调整分群比例来改变群体的多样性,进而在不同的动态环境下采取不同比例的分群策略以达到较好的跟踪效果.     

基于动态粒子数的微粒群优化算法

提出了基于动态粒子数的微粒群算法,并建立了粒子数变化函数．该函数包含粒子数衰减趋势项和周期振荡项．衰减趋势项能够在种群向最优解不断收敛的过程中逐渐减少粒子数,以提高粒子效率．周期振荡项中的递增阶段代表了新粒子的随机出现,以增加粒子群的多样性,而周期振荡项中的递减阶段代表了探索性能差的粒子逐渐消亡,以提高优化效率．对4个标准函数进行测试,仿真结果表明该算法能有效地减少计算量,并显著提高全局搜索性能．     

粒子群优化算法改进及展望

粒子群优化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。本文给出了多种改进形式以及与其他算法的比较,并提出了未来可能的研究方向。     

基于近似动态规划的微粒群系统参数优化研究

从系统最优控制的角度对微粒群参数的动态优化问题进行探讨. 针对离散动态规划的``维数灾"问题, 将群体启发式随机搜索机制引入动态规划的最优策略求解, 提出了一种群体智能近似动态规划模式; 基于该模式给出简化的确定型微粒群反馈控制系统参数优化的近似计算方法, 并扩展应用于具有随机变量的微粒群系统; 仿真计算得到了微粒群加速因子的近似最优动态规律, 并将所得策略与一种时变加速因子(Time-varying acceleration coefficients, TVAC)策略进行了函数优化性能的比较与分析, 初步实验结果表明该近似动态规划模式可有效地用于微粒群系统参数的动态优化设置.     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

一种改进的粒子群优化算法及其仿真

粒子群优化算法（particle swarm optimization，PSO）是一种新兴的优化技术，其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点，在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题，提出了一种旨在保持种群多样性的改进PSO（IPSO）算法，以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试，结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能，而且还具有良好的稳定性。     

一种改进的粒子群优化算法及其仿真

粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。     

一种求旅行商问题的离散粒子群算法

针对旅行商问题提出一种离散粒子群算法。算法重新定义了速度及其与粒子位置的相关算子,设计了"距离排序矩阵"(保存距离城市由近到远的其他城市的矩阵),并根据它生成可动态变化的优秀基因库来指导粒子高效地进行全局搜索。本文用TSPLIB中的部分案例进行实验,实验结果表明,该算法在求解旅行商问题上有很好的性能,并且具有很好的鲁棒性。