自适应双群微粒群优化算法

针对微粒群优化算法PSO（Particle Swarm Optimization Algorithm）容易陷入局部最优点的缺陷,提出一种自适应双群微粒群优化算法（ATS-PSO）。该算法将种群分成两个子群,分别采用全局版本和局部版本两种不同的搜索策略,共同更新种群的历史最优解,并且在算法迭代期间根据群体适应值方差自适应调整两个子群的规模和结构。为了分析算法的性能,对几种典型的非线性函数进行了测试。结果表明,新算法的全局收敛能力有了明显改善,而且能有效缓解早熟收敛问题。     

自适应变异的粒子群优化算法

针对粒子群算法的早熟收敛问题,提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值,根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力,增大寻找全局最优的几率。对几种典型函数的测试结果表明,新算法的全局搜索能力有了明显的提高,有效避免了早熟收敛问题。     

一种改进惯性权重的变异微粒群优化算法

针对微粒群优化算法的早熟收敛和进化后期收敛速度慢等问题,提出了一种改进惯性权重的变异微粒群优化算法.在算法运行过程中,对适应度值不同的微粒赋予不同的惯性权重,使算法既具有良好的空间探索能力又有良好的局部挖掘能力;在群体最优信息陷入停滞时引入变异算子,对聚集在局部最优微粒附近的微粒的位置和速度进行变异操作,使算法摆脱局部最优点的束缚.对4种典型函数的测试结果表明,新算法的全局搜索能力和收敛速度都得到了提高,并且能够有效避免早熟收敛问题.     

一种新的位置变异的PSO算法

针对标准粒子群优化算法在优化高维复杂函数时易产生早熟收敛的问题,提出一种新的位置变异的PSO算法。为平衡算法的全局和局部搜索能力,新算法按一定概率交替使用随机惯性权重和标准PSO算法的惯性权重;为增强种群多样性和抑制算法早熟,新算法在每次迭代中,对满足一定条件的粒子都进行一种有效脱离局部最优区域的位置变异。最后,通过对5个标准测试函数在60维和90维的性能对比实验证实：新算法收敛精度高,且有效克服了早熟收敛问题。     

改进微粒群算法求解模糊交货期Flow-shop调度问题

针对模糊交货期Flow-shop调度问题的特点,论文提出用微粒群这种具有快速收敛、全局性能好的迭代优化算法进行求解,并使用惩罚函数、增加数据记忆库和自适应变异机制等方法对微粒群算法进行改进,减少了算法陷入局部极值的可能性。通过仿真实例,改进微粒群算法的全局寻优、收敛性和克服早熟的能力均优于遗传、启发式算法。     

具有自适应邻域探测机制的改进型PSO算法

针对基本PSO算法在全局优化中易陷入局部极值和收敛精度低的不足,分析了基本PSO算法早熟收敛的原因,提出具有自适应邻域探测机制的改进型粒子群优化(ANE-PSO)算法.该算法在进化过程中以概率总体递减的方式,选择部分粒子对最佳位置按半径总体递减的规则进行邻域探测,并引入速度变异算子,提高种群的多样性,增强了算法的全局搜索能力.并证明它依概率1收敛到全局最优解.通过与其它三个改进算法比较.结果表明ANE-PSO具有较好的全局搜索能力,收敛速度较快,稳定性较好,且没有增加时间复杂度,较有效的避免了早熟收敛问题.     

一种改进惯性权重的变异微粒群优化算法

针对微粒群优化算法的早熟收敛和进化后期收敛速度慢等问题,提出了一种改进惯性权重的变异微粒群优化算法。在算法运行过程中,对适应度值不同的微粒赋予不同的惯性权重,使算法既具有良好的空间探索能力又有良好的局部挖掘能力;在群体最优信息陷入停滞时引入变异算子,对聚集在局部最优微粒附近的微粒的位置和速度进行变异操作,使算法摆脱局部最优点的束缚。对4种典型函数的测试结果表明,新算法的全局搜索能力和收敛速度都得到了提高,并且能够有效避免早熟收敛问题。     

基于种群规模动态减小的混合微粒群优化算法研究

针对基本微粒群优化(PSO,particle swarm optimization)算法存在早熟、易陷入局部极值等缺点,提出了一种改进的PSO优化算法。该算法分为全局搜索和局部搜索两个阶段。在全局搜索阶段采用基本PSO算法快速收缩搜索范围;在局部搜索阶段将PSO算法与模拟退火(SA,simulated annealing)算法结合,通过产生部分变异微粒确保算法能够跳出局部极值。同时为提高搜索效率,动态地减少种群规模。仿真结果表明,该算法具有较好的优化性能以及较高的执行效率。     

免疫克隆粒子群优化算法在水面舰船图像分割中的应用

介绍了一种免疫克隆粒子群优化(IC PSO)算法来进行函数优化,目的在于克服基本粒子群优化(PSO)算法容易陷入局部极值的不足,从而实现全局搜索.通过免疫克隆原理的应用,根据亲和度的高低进行粒子克隆选择、淘汰和高频变异,提高了种群的多样性,增强了算法全局搜索的能力,提高了收敛速度和精度.实验结果表明,该算法完成全局搜...     

一种改进的自适应逃逸微粒群算法及实验分析

分析了变异操作对微粒群算法(particle swarmoptimization,简称PSO)的影响,针对收敛速度慢、容易陷入局部极小等缺点,结合生物界中物种发现生存密度过大时会自动分家迁移的习性,给出了一种自适应逃逸微粒群算法,并证明了它依概率收敛到全局最优解.算法中的逃逸行为是一种简化的确定变异操作.当微粒飞行速度过小时,通过逃逸运动使微粒能够有效地进行全局和局部搜索,减弱了随机变异操作带来的不稳定性.典型复杂函数优化的仿真结果表明,该算法不仅具有更快的收敛速度,而且能更有效地进行全局搜索.     

基于周期性演化策略的粒子群优化算法

针对标准粒子群优化算法(PSO)在寻优过程中容易出现早熟的问题,提出一种基于周期性演化策略的粒子群优化算法.该策略通过在速度更新方程中构建基于粒子群能量的粒子群最优值扰动项,使得粒子群能量在演化过程中可以周期性变化.相比标准PSO算法,当粒子群能量较大时,能够增强局部搜索能力;当粒子群能量较小时,能够增强全局搜索能力.典型优化问题的仿真结果表明,所提出的算法与线性下降惯性权重粒子群优化(LWPSO)和PSO算法相比,优化性能得到了显著提高.     

基于函数变换的改进混沌粒子群优化*

粒子群在搜索过程中容易陷入局部而无法找到全局最优值,为了解决此早熟问题,提出基于函数变换的改进混沌粒子群优化算法。此方法将Logistic映射和改进的Tent映射引入到粒子群中代替随机数;将函数变换引入到粒子的速度、位置更新过程中以凸显全局最优值与局部极优值的差异,从而使粒子跳出局部极优值点,加细搜索进而找到全局最优值点。数值实验表明,基于函数变换的改进混沌粒子群在搜索时间和效率上要优于标准粒子群和基于Logistic映射的混沌粒子群。改进的算法是可行而有效的。     

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。     

引入人工蜂群搜索算子的粒子群算法

针对标准粒子群算法易出现早熟现象和收敛速度慢等问题,提出一种引入人工蜂群搜索算子的粒子群算法.首先利用人工蜂群搜索算子很强的探索能力,对粒子搜索到的历史最优位置进行搜索以帮助算法快速跳出局部最优点;然后,为了提高算法的全局收敛速度,提出一种基于混沌和反学习的初始化方法.通过12个标准测试函数的仿真实验并与其他算法相比较,所得结果表明所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.     

基于双指数分布的粒子群算法

针对标准粒子群算法容易陷入局部最优、收敛精度低的缺点,提出了一种改进的粒子群算法。它用双指数分布改进了速度方程度,并用其动态地调整粒子的最大速度,扩大了群体的多样性,增强了粒子跳出局部最优解的能力,保证了整个寻优过程的持续收敛。通过比较和分析5个典型测试函数的实验结果,改进的粒子群算法提高了迭代后期的收敛速度,有效地避免PSO算法的早熟收敛问题,而且具有较高的收敛精度。     

一种自适应柯西变异的反向学习粒子群优化算法

针对传统粒子群优化算法易出现早熟的问题,提出了一种自适应变异的反向学习粒子群优化算法。该算法在一般性反向学习方法的基础上,提出了自适应柯西变异策略(ACM)。采用一般性反向学习策略生成反向解,可扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,采用ACM策略对当前最优粒子进行扰动,自适应地获取变异点,在有效提高算法局部开采能力的同时,使算法能更加平稳快速地收敛到全局最优解。为进一步平衡算法的全局搜索与局部探测能力,采用非线性的自适应惯性权值。将算法在14个测试函数上与多种基于反向学习策略的PSO算法进行对比,实验结果表明提出的算法在解的精度以及收敛速度上得到了大幅度的提高。     

Particle Swarm Optimization with Chaos-based Initialization for Numerical Optimization

Particle swarm optimization (PSO) is a population based swarm intelligence algorithm that has been deeply studied and widely applied to a variety of problems. However, it is easily trapped into the local optima and premature convergence appears when solving complex multimodal problems. To address these issues, we present a new particle swarm optimization by introducing chaotic maps (Tent and Logistic) and Gaussian mutation mechanism as well as a local re-initialization strategy into the standard PSO algorithm. On one hand, the chaotic map is utilized to generate uniformly distributed particles to improve the quality of the initial population. On the other hand, Gaussian mutation as well as the local re-initialization strategy based on the maximal focus distance is exploited to help the algorithm escape from the local optima and make the particles proceed with searching in other regions of the solution space. In addition, an auxiliary velocity-position update strategy is exclusively used for the global best particle, which can effectively guarantee the convergence of the proposed particle swarm optimization. Extensive experiments on eight well-known benchmark functions with different dimensions demonstrate that the proposed PSO is superior or highly competitive to several state-of-the-art PSO variants in dealing with complex multimodal problems.     

一种克服粒子群早熟的混合优化算法

针对粒子群优化算法在寻优时容易出现早熟现象,提出在粒子群收敛停滞时,从种群中随机选择粒子进行共轭梯度法计算,通过引入共轭梯度算法计算的信息来影响粒子速度的更新,以保持群体的活性,从而打破群体信息陷入局部最优的状况.不同于传统的粒子群算法,该算法有机地结合了粒子群的全局搜索能力和共轭梯度法的强大局部搜索能力,从而在一定程度上有效地克服了粒子群早熟的缺点.仿真计算结果表明,该改进粒子群的方法对于不同维数的非线性函数具有很好的寻优效果.     

基于QPSO算法的作业车间调度问题的研究

针对现行的遗传算法存在进化速度过慢和过早收敛的局限,以及粒子群优化算法搜索空间有限、容易陷入局部最优点的缺陷,提出将一种基于量子行为的粒子群优化算法应用于作业车间调度问题.将该问题中的每个调度组成一个多维向量,以此向量作为量子粒子群优化算法中的粒子进行进化,由此在解空间内搜索最优解.实例仿真结果表明,该算法收敛速度快、全局收敛性能好,可以得到比遗传算法、粒子群优化算法更佳的调度效果,证明了算法的有效性.     

自适应任务分配的粒子群优化算法

针对基本粒子群优化(PSO)算法早熟收敛、易陷入局部极值的缺陷,提出自适应任务分配的粒子群优化算法。该算法根据粒子的多样性动态分配粒子任务,把种群粒子分为开发和探索两种类型,分别采用全局模型和动态邻域局部模型执行开发和探索任务以平衡算法的全局和局部搜索能力,维持种群多样性。动态邻域模型扩大了解的搜索空间,能有效抑制早熟停滞现象,采用高斯扰动对处于停滞状态的精英粒子进行学习,协助精英粒子跳出局部最优,进入解空间的其他区域继续进行搜索。针对6个标准复合测试函数进行实验,结果表明所提算法具有更强的全局搜索能力,求解精度更高。