基于混沌搜索解决早熟收敛的混合粒子群算法

针对标准粒子群优化算法(PSO)在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了新的混合粒子群算法——基于混沌优化搜索解决早熟收敛的粒子群算法。采用了基于群体适应值方差的早熟判断机制,同时提出了一种缩小混沌搜索的变量空间范围的新方法,提高了搜索效率。基于典型高维复杂函数的数值实验表明,混合粒子群算法效率高、优化性能好、对初值具有很强的鲁棒性。尤其是,混合粒子群算法具有很强的避免局部极小能力,其性能远远优于单一优化方法。     

混沌量子粒子群优化算法

针对量子粒子群优化算法在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了混沌量子粒子群优化算法.采用了基于群体适应值方差的早熟判断机制,同时提出了一种基于混沌搜索的新方法,提高了搜索效率.数值实验结果表明,混沌量子粒子群算法效率高、优化性能好,且具有很强的避免陷入局部最优的能力,其性能远远优于一般的粒子群算法和量子粒子群算法.     

混合粒子群优化算法

针对粒子群优化算法在处理高维复杂函数时存在收敛速度慢、易陷入早熟收敛等缺点,提出了混合粒子群优化算法。它借鉴群体位置方差的早熟判断机制,把基因换位和变异算子引入到算法中,构造出新的个体和个体基因的适应值函数,将适应值最差的基因进行变异。为减少算法计算量,采用耗散的粒子群算法结构。实验表明,该算法比只有一个适应值的粒子群算法具有更快的收敛速度。且具有很强的避免局部极小能力,其性能远远优于单一优化方法。     

一种基于混沌优化机制的双粒子群优化算法

针对标准粒子群优化算法PSO(Particle Swarm Optimization)在处理高维复杂函数时存在收敛速度慢、易陷入局部最优和算法通用性不强等缺点,提出了一种基于混沌优化机制的双粒子群优化算法.它借鉴群体适应值方差的早熟判断机制,同时提出了一种逐步缩小搜索变量空间的新方法.典型数值实验表明,该算法效率高、优化性能好、对初值具有很强的鲁棒性.尤其是该算法具有很强的避免局部极小能力,其性能远远优于单一优化方法.     

权重自适应调整的混沌量子粒子群优化

针对量子粒子群优化算法在处理高维复杂函数收敛速度慢、易陷入局优的问题,利用混沌算子的遍历性提出了基于惯性权重自适应调整的混沌量子粒子群优化算法。该算法在运行过程中根据粒子适应值的优劣情况,相应采取不同的惯性权重策略,以调节粒子的全局搜索和局部搜索能力。对几个典型函数的测试结果表明,该算法在收敛速度和精度上有大幅度的提高,且有很强的避免陷入局优的能力,性能远远优于一般的粒子群算法和量子粒子群算法。     

一种结合自适应局部搜索的粒子群优化算法

本文提出一种结合自适应局部搜索的混合粒子群优化算法.该方法在粒子群优化算法的全局搜索过程中,使用能根据当前种群搜索状态自适应地调整局部搜索空间大小的局部搜索算法加强其局部搜索能力.采用了著名的基准函数对算法的性能进行测试,并与其他已有算法进行了比较.结果表明,这种混合粒子群优化算法能获得更高的搜索成功率和质量更好的解,特别在高维复杂函数优化上具有很强的竞争力.     

一种混沌优化机制的双量子粒子群优化算法

针对量子粒子群优化算法(quantum delta Particle Swarm Optimization,PSO)在处理高维复杂函数时存在收敛速度慢、易陷入局部最优和算法通用性不强等缺点,提出了一种基于混沌优化机制的双量子粒子群优化算法。它借鉴群体位置方差的早熟判断机制,同时提出了一种逐步缩小搜索变量空间的新方法。典型数值实验表明,该算法效率高、优化性能好、对初始位置具有很强的鲁棒性。尤其是该算法具有很强的避免局部极小能力,其性能远远优于单一优化方法。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

人工鱼群与微粒群混合优化算法*

针对人工鱼群算法局部搜索不精确、微粒群优化算法易发生过早收敛等问题,提出一种新的人工鱼群与微粒群混合优化算法。算法的主要思想是先利用人工鱼群的全局收敛性快速寻找到满意的解域,再利用粒子群算法进行快速的局部搜索,所得混合算法具有局部搜索速度快,而且具有全局收敛性能。最后,以五个标准函数和一个应用实例进行测试,测试结果表明,提出的算法在一定程度上避免了陷入局部极小,加快了收敛速度且提高了搜索精度。     

一种优化高维复杂函数的PSO算法

对于高维复杂函数，一般粒子群优化算法收敛速度慢，易早熟收敛。本文重构一个适合高维复杂函数惯性权重函数，使粒子群算法寻优过程中的全局收搜能力和局部收搜能力良好平衡，以达到快速收敛，高效避免早熟问题，获得最优解。对典型高维复杂函数的仿真表明：算法在求解质量和求解速度两方面都得到了好的结果。     

一种改进惯性权重的PSO算法

针对高维复杂函数优化,标准PSO算法收敛速度慢,易陷入局部最优点的缺点,提出一个惯性权重函数使算法的全局与局部搜索能力得到良好平衡,以达到快速收敛;并且该算法通过在后期进行变异操作,有效地增强了算法跳出局部最优解的能力。通过对三个典型的测试函数的优化所做的对比实验,表明改进的算法在求解质量和求解速度两方面都得到了好的结果。     

一个基于PSO和DE的杂凑全局优化算法

结合粒子群优化算法和差分进化算法思想提出了一个杂凑的全局优化算法——PSO-DE,通过对4个基准测试函数的实验测试,并与PSO和DE算法比较,证明新算法在低维（≤10维）搜索空间可以获得更高质量的解。     

基于混合反向学习策略的鲸鱼优化算法

针对鲸鱼优化算法(WOA)在解决高维复杂问题时存在收敛速度慢、全局搜索能力不足的问题,提出一种最优最差个体混合反向学习的WOA（MWOA）。首先,引入一种自适应惯性权重,用于调节寻优前期的步长和寻优后期的种群多样性;其次,提出一种混合反向学习策略并将其融入WOA,以提高算法的收敛精度;最后,引入一种参数非线性衰减策略,以提高其在高维度以及复杂问题上的探索开发能力和收敛速度。将MWOA与WOA、MS-WOA、IWOA对10个基准函数的优化效果进行比较,结果表明MWOA在收敛速度、优化精度上相较对比算法均有所提升。另外,将MWOA与CODE、CPSO、EGWO和DIHS进行比较,结果表明MWOA具有较好的收敛精度。     

基于混合粒子群算法的高维优化问题求解

为解决高维复杂函数的优化问题，克服标准粒子群算法早熟收敛、局部搜索能力弱等缺点，在标准粒子群优化算法中融合了遗传算法的设计思想，提出了一种新颖的混合粒子群算法。高维函数个别维上的差解导致算法最终无法找到全局最优解，而通常的优化算法很难寻找到每一维上的最佳值。受遗传算法思想的启发，在粒子的进化过程中，通过对最优粒子的每一维进行评价，找到导致最终解质量差的维度，对其维上的数据进行变异，进而有针对性地改进，寻找到每一维上的最佳位置。对典型高维复杂函数的仿真表明：算法在求解质量和求解速度两方面都得到了好的结果。     

一种基于粒子群算法求解约束优化问题的混合算法

通过将粒子群算法(PSO)与差别进化算法(DE)相结合，提出一种混合算法PSODE，用于求解约束优化问题．PSODE是在PSO算法中适当引入不可行解，将粒子群拉向约束边界，加强对约束边界的搜索，同时与DE算法结合以加强搜索能力．基于典型高维复杂函数的仿真表明，该算法简单高效，鲁棒性强．     

基于局部搜索的反向学习竞争粒子群优化算法

为提升粒子群优化算法在复杂优化问题,特别是高维优化问题上的优化性能,提出一种基于Solis&Wets局部搜索的反向学习竞争粒子群优化算法(solis and wets-opposition based learning competitive particle swarm optimizer with local search, SW-OBLCSO). SW-OBLCSO算法采用竞争学习和反向学习两种学习机制,并设计了基于个体的局部搜索算子.利用10个常用基准测试函数和12个带有偏移旋转的复杂测试函数,在不同维度情况下将SW-OBLCSO算法与多种优化算法进行对比.实验结果表明,所提出算法在收敛速度和全局搜索能力上表现出突出的性能.对模糊认知图(fuzzy cognitive maps)学习问题的测试表明, SW-OBLCSO算法在处理实际问题时同样具有出色的性能.