适应性粒子群寻优算法Ⅱ

适应性粒子群寻优算法Ⅰ(APSO-Ⅰ)是在有序的决策中始终引入随机的,不可预测的决定.为解决APSO-Ⅰ算法收敛深度不够的问题,提出适应性粒子群寻优第Ⅱ代算法(APSO-Ⅱ).APSO-Ⅱ算法是将有序(标准PSO粒子群寻优)和无序(自适应寻优)进行适当的分离,以发挥各自的优势.在自适应寻优阶段,通过在最优粒子邻域空间探寻更优化的解,一但新的优化解被发掘,便利用标准PSO快速寻优.典型复杂函数优化的仿真结果表明,APSO-Ⅱ在收敛速度和收敛深度上均优于DPSO(耗散型PSO),HPSO(自适应层次PSO),AEPSO(自适应逃逸PSO)和APSO-Ⅰ.

     

多策略并行学习的异构粒子群优化算法

针对标准粒子群优化(PSO)算法在复杂问题上收敛速度慢和早熟收敛的缺点,提出了一种多策略并行学习的异构PSO算法(MHPSO).该算法首先从种群多样性和跳出局部极值的角度提出了两种新学习策略(局部扰动学习策略和高斯子空间学习策略),并将这两种策略与MBB-PSO策略融合组成高效稳定的策略池.其次提出了一种简单有效的策略更换机制,指导粒子迭代寻优中何时更换学习策略.基准测试函数的实验结果表明,改进的粒子群优化算法在求解精度和收敛速度上得到极大的提高.与一些改进PSO算法(如自适应的粒子群优化(APSO)算法等)相比,所提算法具有更优良的寻优性能.     

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.     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

基于禁忌搜索的混合粒子群优化算法

在粒子群优化算法中引入禁忌搜索思想从而增加粒子群的多样性,改进惯性权重,添加罚函数重新构造适应度函数.在此基础上提出一种基于禁忌搜索的混合粒子群优化算法(THPSO).通过6个标准测试函数实验,结果表明提出的算法比基本粒子群优化算法(PSO)具有更好的全局寻优能力、更快的收敛速度以及获得更高精度的解的能力.     

基于密度自适应粒子群优化的图像可用度分类

研究图像优化评估方法,针对卫星遥感图像可用度模糊神经网络分类器学习过程中存在的学习速度慢且容易陷入局部极小值的问题,为提高评估的准确率,提出了一种密度自适应粒子群优化(Density Adaptive PSO,DAPSO)算法.通过信息熵建立粒子群密度评估测度并更新粒子群的粒子数量,以保持种群的多样性,有利于提高算法全局寻优能力.利用120幅中巴资源02B卫星(CBERS-02B)高分辨率相机(HR)采集的遥感图像,比较BP算法,标准粒子群优化算法以及密度自适应粒子群优化算法的模糊神经网络可用度分类器识别结果,表明新的算法收敛速度更快,有更强的全局寻优能力,并为应用提供依据.     

一种改进的禁忌-粒子群算法及应用

针对粒子群优化算法(PSO)的局部搜索能力差和存在早熟收敛的问题,将禁忌搜索(TS)思想融入到粒子群算法中,提出一种新的禁忌搜索的粒子群优化算法.新算法结合了PSO和TS各自的优点,在寻优前期利用粒子群算法得到较好的初始值,同时将个体极值pbest放人禁忌表,在寻优后期,当粒子的搜索能力减弱时,利用禁忌搜索算法中禁忌表的短期记忆功能,使其跳出局部最优解,并且在搜索过程中允许接受劣解.将改进的算法应用于函数的优化,仿真结果表明,改进算法具有计算精度高、稳定性强的特点,是一种非常有效的计算智能方法.     

基于子区域的粒子群优化算法研究

针对粒子群优化(PSO)算法在寻优时容易陷入局部最优的不足,提出一种基于子区域的PSO算法。将搜索空间划分成若干个子区域,在各个子区域中均使用标准PSO算法进行寻优,通过比较各个子区域的全局最优解,从而得出整个搜索空间的全局最优。与标准PSO算法及自适应变异PSO算法的比较结果表明,该算法能降低在寻优过程中陷入局部最优的概率,具有较强的寻优能力。     

粒子群算法求解连续优化问题的性能分析

粒子群优化(PSO)算法是一类有效的随机全局优化技术,适用于求解连续优化问题.它利用一个粒子群搜索解空间,通过粒子间的相互作用发现复杂搜索空间中的最优区域.本文介绍了基本的PSO算法,使用3类代表性的标准测试函数对粒子群算法进行了实验分析,并进一步讨论了PSO算法的寻优性能,提出了PSO求解连续优化问题的性能分析策略.     

基于EM算法和PSO算法的混合优化算法

针对粒子群优化算法容易陷入局部最优解并且存在过早收敛的问题,将类电磁机制算法中的吸引-排斥机制引入到粒子群优化算法中,提出一种类电磁机制算法和粒子群优化算法的混合优化算法(EMPSO).首先按照基本粒子群优化算法的寻优方式对各粒子进行更新,再利用类电磁机制中的吸引-排斥机制对个体最优粒子和群体最优粒子进行移动,最后通过几个标准测试函数进行了测试,并与标准粒子群算法(PSO)、免疫粒子群算法(IPSO)、混沌粒子群算法(CPSO)进行对比.测试结果表明,改进算法提高了全局搜索能力和熟练速度,改善了优化性能.     

适应性粒子群寻优算法

社会性的群体寻优是秩序与混沌之间的平衡,适应性微粒群寻优算法(APSO)是在标准PSO上添加反映适应性的随机项,并引入小概率因子,使微粒飞行到粒子群的中心,平衡秩序和随机两个行为.APSO算法的本质是在有序的决策中始终引入随机的、不可预测的决定,从而使得寻优的决策尽可能模拟社会性群体寻优的复杂行为.典型复杂函数优化的仿真结果表明,APSO算法具有较好的稳定性.     

具有快速收敛和自适应逃逸功能的粒子群优化算法

为了克服标准粒子群优化算法(PSO)后期收敛速度慢、容易陷入局部最优等缺点,借鉴人工蜂群算法的思想,提出了一种提高收敛速度并且带有自适应逃逸功能的粒子群优化算法(FAPSO)。算法中每进化一次粒子搜索两次：一次全局搜索,一次局部搜索。当粒子陷入局部最优时,通过逃逸功能使粒子重新搜索。8个经典基准测试函数仿真结果表明,改进的粒子群优化算法在收敛速度和寻优精度上均有提高,相对于目前常用的改进粒子群优化算法如CLPSO等,t检验结果说明,新算法具有明显的优势。     

基于MGA-PSO的云计算多目标任务调度

为了提高云计算任务调度的效率,将微生物遗传算法(MGA)和改进的粒子群算法(PSO)融合成MGA-PSO算法用于云计算任务调度.综合任务完工时间、任务执行成本及虚拟机负载均衡三个目标构造适应度函数,以此寻找任务调度的最优解;对粒子群算法进行改进,使用动态惯性权重策略以提高算法的自适应搜索能力;在任务调度前期使用MGA算法缩小求解空间,在任务调度后期使用改进的PSO快速收敛到最优解.仿真实验表明:与其他三种算法相比,该算法有较快的收敛速度和较强的寻优能力;在云计算任务调度中,不仅能减少任务完工时间和执行成本,还能优化虚拟机的负载.     

结合SCE法的粒子群优化QoS路由算法

QoS (Quality of Service) 路由问题是一个非线性的组合优化问题,理论上已证明了该问题是NP完全问题.粒子群优化算法是一种基于群智能演化计算技术,PSO在求解连续性优化问题上得到了较好的应用,而把PSO算法用于求解路由算法等离散性问题还比较少见,同时,PSO算法在收敛过程中还存在随机性,某些情况下会出现停滞现象.为此本文提出了一种结合SCE(Shuffled Complex Evolution)法的粒子群优化方法用于求解QoS路由问题.该算法通过引入插入算子、删除算子、算子系列和基本算子序列等概念,对基本的粒子群优化算法进行改进;通过采用SCE法,使算法跳出局部最优解的限制.仿真结果显示,该算法取得了满意的效果,在寻优速度上优于遗传算法,也提高了算法收敛到最优解的能力.     

基于群能量恒定的粒子群优化算法

针对标准粒子群优化(PSO)算法在寻优过程中容易出现早熟的情况,提出一种群能量恒定的粒子群优化(SEC-PSO)算法.算法根据粒子内能进行动态分群,对较优群体采取引入最差粒子的速度更新策略,对较差群体采取带有惩罚机制的速度更新策略,由其分担由于较优群体速度降低而产生的整群能量损失,从而有效地避免了PSO算法的早熟.典型优化问题的仿真结果表明,该算法具有较强的全局搜索能力和较快的收敛速度,优化性能得到显著的提高.     

一种混合的IWOPSO改进入侵性杂草优化算法

为了提高入侵性杂草优化算法(IWO)在搜索深度上的不足,使算法在处理连续性问题时具有更好的全局收敛性,根据杂草算法在搜索上的广度和粒子群算法(PSO)在搜索上的深度,提出了一种改进的IWOPSO混合算法。该算法在子代扩散中以PSO算法中的位置、速度公式代替了杂草算法中的正态分布方式,引入一个随机数对新的子代个体进一步正态分布,提高了算法后期的局部搜索能力,使算法收敛到更好的全局最优解。利用5个benchmark函数测试算法的寻优能力,仿真结果表明,无论对于多峰还是单峰函数,低维还是高维函数,IWOPSO算法的收敛速度和最优解都要优于标准IWO和PSO算法。     

一种自适应混合粒子群优化算法及其应用*

为提高粒子群算法的寻优精度,提出一种将单纯形法(SM)和粒子群(PSO)算法相结合的自适应混合粒子群优化(AHPSO)算法,该算法根据进化需要动态调整粒子的惯性权重,并在进化停滞时使用SM优化。通过仿真实验证明了AHPSO的寻优性能优于SPSO和SMPSO。将AHPSO用于某航空发动机的PID参数优化,其整定性能优于现有的工业方法和其他PSO算法。     

自适应和声粒子群搜索算法

针对现有改进和声搜索算法(IHS)的不足,提出一种自适应和声粒子群搜索算法(AHSPSO).首先对和声记忆库中每个变量用粒子群算法寻优,再利用自适应参数PAR和bw调节来提高对多维问题的搜索效率.利用5个标准的优化算法测试函数对AHSPSO算法进行测试,并与IHS,PSO和SA算法进行对比,仿真结果表明了AHSPSO算法具有较强的精确寻优和跳出局部最优的能力.     

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。     

结合SCE法的粒子群优化QoS路由算法

QoS(QualityofService)路由问题是一个非线性的组合优化问题,理论上已证明了该问题是NP完全问题。粒子群优化算法是一种基于群智能演化计算技术,PSO在求解连续性优化问题上得到了较好的应用,而把PSO算法用于求解路由算法等离散性问题还比较少见,同时,PSO算法在收敛过程中还存在随机性,某些情况下会出现停滞现象。为此本文提出了一种结合SCE(shuffledcomplexevolution)法的粒子群优化方法用于求解QoS路由问题。该算法通过引入插入算子,删除算子,算子系列和基本算子序列等概念,对基本的粒子群优化算法进行改进;通过采用SCE法,使算法跳出局部最优解的限制。仿真结果显示,该算法取得了满意的效果,在寻优速度上优于遗传算法,也提高了算法收敛到最优解的能力。