求解约束优化问题的动态邻域粒子群算法*

粒子群算法(PSO)求解约束优化问题存在较严重的早熟收敛现象,为了有效抑制早熟收敛,提出了基于改进的约束自适应方法的动态邻域粒子群算法(IPSO)。算法采用动态邻域策略提高算法的全局搜索能力,设计了一种改进的自适应约束处理方法,根据迭代代数线性增加搜索偏向系数,在早期偏向于搜索可行解,在后期偏向于搜索最优解,并引入序列二次规划增强算法的局部搜索能力。通过基准测试函数实验对比分析,表明该算法对于约束优化问题具有较好的全局收敛性。     

改进的约束多目标粒子群算法

在约束优化问题搜索空间分析的基础上提出了一种改进的约束多目标粒子群算法（CMOPSO）。提出一种动态ε不可行度许可约束支配关系作为主要约束的处理方法,提高了算法的边缘搜索能力和跨越非联通可行区域的能力。设计了一种新的密集距离度量方法用于外部档案维护,提高了算法的效率;提出了新的全局向导选取策略,使算法获得了更好的收敛性和多样性。数值仿真实验结果表明约束多目标粒子群算法算法可得到分布性、均匀性及逼近性都较好的Pareto最优解。     

基于自适应粒子群算法的约束布局优化研究

二维带平衡及不干涉约束的圆集在圆容器内的布局优化问题（如卫星舱布局）在理论上属于带性能约束的布局优化M题，它是NP—hard问题的难点，由于它的复杂性，传统的粒子群优化算法难于求解．通过对传统的粒子群优化算法的多重改进，提出了一种自适应粒子群优化算法，该算法在整个搜索过程中，既能保持粒子群原有基本结构，同时又能扩大搜索范围，在提高多样性的同时保证搜索精度，从而加快了收敛速度，有效避免早熟收敛问题，得到最优解．将改进后的算法应用于约束布局问题，建立了此类问题的粒子群算法，通过3个算例的数值计算，验证了该算法的可行性和有效性．     

基于粒子群优化算法的约束布局优化

布局优化是NP难问题，也是复杂的非线性约束优化问题．针对这个问题，将新的基于粒子群优化的方法应用于布局参数的优化，提出了适合粒子群优化的约束处理，并通过与直接搜索算法的混合，加强了算法在局部区域的搜索能力．通过实例将该算法与乘子法以及基于遗传算法的布局优化方法进行了比较．仿真结果表明，该算法可以提高布局优化问题解的质量，同时降低计算费用．     

基于模式搜索法的云模型粒子群算法

针对粒子群算法在多峰寻优中易陷入局部最优、精度低、难以搜寻到较多的极值点等问题,提出一种基于模式搜索法的云模型粒子群算法.首先通过云模型粒子群算法在可行域内进行全局搜索,然后使用模式搜索法对搜索到的较优解进行局部寻优以提高解的精度.仿真测试表明,在保证收敛速度的同时,所提算法的收敛精度和搜索到的极值点数目均得到显著提高.     

吸引子权重改变内嵌区域震荡搜索粒子群算法

针对粒子群算法搜索精度不高、搜索最优解较慢的问题,提出了一种改进的粒子群算法。该算法通过调整全局最优解和个体最优解,形成一个新的全局吸引子解指导粒子收敛,优化种群粒子来搜索解空间的最优值。再将优化方案融入到内嵌区域震荡搜索的粒子群算法（RSPSO）中,仿真结果表明,改进的粒子群算法在寻优能力及搜索精度方面都得到了进一步的提高。     

迭代粒子群算法及其在间歇过程鲁棒优化中的应用

针对无状态独立约束和终端约束的间歇过程鲁棒优化问题，将迭代方法与粒子群优化算法相结合，提出了迭代粒子群算法．对于该算法，首先将控制变量离散化，用标准粒子群优化算法搜索离散控制变量的最优解．然后在随后的迭代过程中将基准移到刚解得的最优值处，同时收缩控制变量的搜索域，使优化性能指标和控制轨线在迭代过程中不断趋于最优解．算法简洁、可行、高效，避免了求解大规模微分方程组的问题．对一个间歇过程的仿真结果证明了迭代粒子群算法可以有效地解决无状态独立约束和终端约束的间歇过程鲁棒优化问题．     

基于群体智能算法的电力台区数据分析技术

电力系统经济负荷运行调节中,存在复杂的非凸、非线性问题,难以实现电力系统运行可靠性和经济性。传统群体智能算法只是单一模仿生物群体行为,不能很好地进行电力系统负荷经济调节。因此提出了一种基于群体智能算法统一框架的粒子群算法,算法根据不同的适应度隶属度函数赋予不同惯性权重,通过外点法构造辅助函数将非可行域的约束以罚函数形式写入目标函数,并建立变罚系数提升目标函数求解过程的搜索范围和收敛速度,同时由搜索策略和变异策略,提升全局搜索能力。通过仿真结果表明：改进PSO算法相较于传统遗传算法、粒子群算法的收敛速度更快,解的离散度更小,收敛精度更高。     

求解约束优化问题的一种新方法——基于量子粒子群优化算法

在用粒子群优化(PSO)算法求解约束优化问题时,处理好约束条件是取得良好的优化效果的关键。针对群体智能和约束优化问题的特点,提出了一种在每次迭代中有选择地保留一定数量不可行解的方法——DCFI(DirectChooseFixedInfeasiblesolutions)法,并把它结合到最近提出的量子粒子群优化(QDPSO)算法中。该算法可以利用保留下来的不可行解来帮助搜索靠近边界的最优解,同时又可以避免罚因子的选择问题。数值实验显示了该算法的有效性。     

双局部粒子群算法解决环境经济调度问题

提出一种基于双局部最优的多目标粒子群优化算法,与可行解为优的约束处理方法相结合,来求解决非线性带约束的多目标电力系统环境经济调度问题。该算法针对传统多目标粒子群算法多样性低的局限性,通过对搜索空间的分割归类来增加帕累托最优解的多样性;并采用一种新的双局部最优来引导粒子的搜索,从而增强了算法的全局搜索能力。算法加入了可行解为优的约束处理方法对IEEE30节点六发电机电力系统环境经济负荷分配模型分别在几个不同复杂性问题的情况进行仿真测试,并与文献中的其他算法进行了比较。结果表明,改进的算法能够在保持帕累托最优解多样性的同时具有良好的收敛性能,更有效地解决电力系统环境经济调度问题。     

Using augmented Lagrangian particle swarm optimization for constrained problems in engineering">Using augmented Lagrangian particle swarm optimization for constrained problems in engineering

The comparatively new stochastic method of particle swarm optimization (PSO) has been applied to engineering problems especially of nonlinear, non-differentiable, or non-convex type. Its robustness and its simple applicability without the need for cumbersome derivative calculations make PSO an attractive optimization method. However, engineering optimization tasks often consist of problem immanent equality and inequality constraints which are usually included by inadequate penalty functions when using stochastic algorithms. The simple structure of basic particle swarm optimization characterized by only a few lines of computer code allows an efficient implementation of a more sophisticated treatment of such constraints. In this paper, we present an approach which utilizes the simple structure of the basic PSO technique and combines it with an extended non-stationary penalty function approach, called augmented Lagrange multiplier method, for constraint handling where ill conditioning is a far less harmful problem and the correct solution can be obtained even for finite penalty factors. We describe the basic PSO algorithm and the resulting method for constrained problems as well as the results from benchmark tests. An example of a stiffness optimization of an industrial hexapod robot with parallel kinematics concludes this paper and shows the applicability of the proposed augmented Lagrange particle swarm optimization to engineering problems.     

求解约束优化问题的粒子进化变异遗传算法

设计一种求解约束优化问题的粒子进化变异遗传算法(IGA_PSE).首先,分析候选解约束条件离差统计信息与约束违反函数之间的关系及其性质,基于约束条件离差统计信息提出一种改进约束处理方法;其次,基于粒子进化策略提出3种新变异算子;然后,讨论该算法早熟收敛的3种情况,并提出相应的种群多样化维持策略;最后,通过数值实验表明所提出的算法能够有效求解约束优化问题.     

基于参数方程处理等式约束优化的粒子群算法

针对目前已有的粒子群优化算法求解有等式约束优化问题时对收敛速度和解的精度的影响,提出了一种新的基于参数方程的粒子群优化算法.它是粒子群在初始化和选代进化过程中使用求解参数方程的方法处理等式约束设计出的粒子群优化算法.数值实验结果表明,新算法是有效的.它不仅提高了收敛速度和解的精度,而且是一种通用的智能算法.     

Sequential approximation optimization assisted particle swarm optimization for expensive problems

In this paper, an efficient sequential approximation optimization assisted particle swarm optimization algorithm is proposed for optimization of expensive problems. This algorithm makes a good balance between the search ability of particle swarm optimization and sequential approximation optimization. Specifically, the proposed algorithm uses the optima obtained by sequential approximation optimization in local regions to replace the personal historical best particles and then runs the basic particle swarm optimization procedures. Compared with particle swarm optimization, the proposed algorithm is more efficient because the optima provided by sequential approximation optimization can direct swarm particles to search in a more accurate way. In addition, a space partition strategy is proposed to constraint sequential approximation optimization in local regions. This strategy can enhance the swarm diversity and prevent the preconvergence of the proposed algorithm. In order to validate the proposed algorithm, a lot of numerical benchmark problems are tested. An overall comparison between the proposed algorithm and several other optimization algorithms has been made. Finally, the proposed algorithm is applied to an optimal design of bearings in an all-direction propeller. The results show that the proposed algorithm is efficient and promising for optimization of the expensive problems.     

A hybrid algorithm based on particle swarm and chemical reaction optimization

In this paper, a hybrid method for optimization is proposed, which combines the two local search operators in chemical reaction optimization with global search ability of for global optimum. This hybrid technique incorporates concepts from chemical reaction optimization and particle swarm optimization, it creates new molecules (particles) either operations as found in chemical reaction optimization or mechanisms of particle swarm optimization. Moreover, some technical bound constraint handling has combined when the particle update in particle swarm optimization. The effects of model parameters like InterRate, γ, Inertia weight and others parameters on performance are investigated in this paper. The experimental results tested on a set of twenty-three benchmark functions show that a hybrid algorithm based on particle swarm and chemical reaction optimization can outperform chemical reaction optimization algorithm in most of the experiments. Experimental results also indicate average improvement and deviate over chemical reaction optimization in the most of experiments.     

求解工程约束优化问题的PSO-ABC混合算法*

针对包含约束条件的工程优化问题,提出了基于人工蜂群的粒子群优化PSO-ABC算法。将PSO中较优的粒子作为ABC算法的蜜源,并使用禁忌表存储其局部极值,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性规则进行约束处理,将粒子种群分为可行子群和不可行子群,并在ABC算法产生蜜源的过程中保留部分较优的可行解和不可行解的信息,弥补了可行性规则处理最优点位于约束边界附近的问题时存在的不足。四个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。     

0-1背包问题的模糊粒子群算法求解*

针对基本粒子群算法在背包问题上表现的不足,在基本粒子群算法的基础上运用模糊规则表加入了新的扰动因子,提出了一种新的算法——模糊粒子群算法。该算法结合了模糊控制器中输入/输出的模糊化处理和粒子群寻优的特点,为实际问题提供了新的解决手段。将模糊粒子群算法应用于0-1背包问题上,通过多组实例数据进行测试,验证表明了本算法具有良好的有效性和鲁棒性。     

量子群智能优化算法综述

随着科学技术的不断发展,最优化理论及其衍生出的算法已经广泛应用于人们的日常工作与生活当中,现实世界中的很多问题都可以被描述为组合优化问题。群智能优化算法这些年来被证明在解决组合优化问题方面效果显著,将当下处于研究热点的量子计算概念引入群智能优化算法形成的量子群智能优化算法,为更好地解决组合优化问题提出了一个新的研究方向。在过去的二十多年里,许多量子群智能优化算法被不断开发出来,同时在此基础上进行了大量改进与应用。综述了量子蚁群算法、量子粒子群算法、量子人工鱼群算法、量子人工蜂群算法、量子布谷鸟搜索算法、量子混合蛙跳算法、量子萤火虫算法、量子蝙蝠算法等量子群智能优化算法,并对量子群智能优化算法面临的问题以及未来研究方向进行了深入探讨。     

基于改进量子粒子群算法的Nash均衡研究

在N人非合作博弈Nash均衡问题求解过程中,将量子不确定性原理、协同演化以及免疫算法内的抗体浓度抑制机制引进到经典粒子群算法中,设计了一种新型改进量子粒子群算法来更好地处理Nash均衡问题。该算法在运算过程中,运用抗体浓度以及协同演化的方式来维系粒子群具备的多样性特征,并借助量子不确定性缩减迭代搜索耗时。该算法不仅有效地将粒子群算法运算简单与方便实现的特质承继下来,而且算法的收敛速度以及其全局搜索能力都获得了大幅度的提升。相关数值算例分析表明,改进的算法能够更好地处理粒子早熟,相较遗传算法以及免疫粒子群算法更具性能优越性。