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.     

基于混沌机制的混合量子粒子群优化算法

针对量子粒子群优化算法在处理一般复杂函数时可以找到函数最优解但容易陷入局部极小等问题,提出利用混沌搜索解决早熟收敛的混合量子粒子群算法CODPSO。数值实验结果表明,与量子粒子群优化算法相比,该算法效率高、优化性能好,具有较强的避免局部极小能力,对初值具有较强的鲁棒性。     

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。     

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.     

一种求解高维复杂函数优化问题的混合粒子群优化算法

对于高维复杂函数,传统的确定性算法易陷入局部最小,而单一的全局随机搜索算法收敛速度慢.本文通过将粒子群优化算法和单纯形法相结合,利用前者搜索速度快、搜索范围广和后者收敛速度快的特 性,提出一种快速、易实现的混合粒子群优化算法.基于典型高维复杂函数的仿真表明:该混合算法效率高、优化性能好、对初值具有很强的鲁棒性,其性能大大优于单一的优化方法.     

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。     

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。     

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。     

基于混沌变异的小生境粒子群算法

针对粒子群算法早熟收敛和搜索精度低的问题，提出了基于混沌变异的小生境粒子群算法（NCPSO）．该算法结合小生境技术并加入了淘汰机制，使算法具有良好的全局寻优能力．变尺度混沌变异具有精细的局部遍历搜索性能·使算法具有较高的搜索精度．实验结果表明，NCPSO算法可有效避免标准PSO算法的早熟收敛，具有寻优能力强、搜索精度高、稳定性好等优点．适合于工程应用中的复杂函数优化问题．     

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.     

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。     

基于量子粒子群算法的多方法协作优化方法

介绍粒子群算法和具有量子行为的粒子群优化算法QPSO(Quantum-behaved Particle Swarm Optimization).针对QPSO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,提出了基于QPSO算法的多方法协作优化算法,将QPSO算法与进化规划EP(Evolutionary Programming)算法协作.实验结果表明,改进算法在收敛性和取得最优值方面优于PSO算法和QPSO算法.     

基于模拟退火的花朵授粉优化算法

针对花朵授粉算法寻优精度低、收敛速度慢、易陷入局部极小的不足,提出一种把模拟退火(SA)融入到花朵授粉算法中的混合算法。该算法通过SA的概率突跳策略使其避免陷入局部最优,并利用SA的全域搜索的性能增强算法的全局寻优能力。通过6个标准测试函数进行测试,仿真结果表明,改进算法在4个测试函数中能够找到理论最优值,其收敛精度、收敛速度、鲁棒性均比基本的花朵授粉算法(FPA)、蝙蝠算法(BA)、粒子群优化(PSO)算法及改进的粒子群算法有较大的提高;同时,对非线性方程组问题进行求解的算例应用也验证了改进算法的有效性。     

一种高效的混合蝙蝠算法

针对基本蝙蝠算法存在收敛速度慢,易陷入局部最优,求解精度低等缺陷,提出一种融合局部搜索的混合蝙蝠算法用于求解无约束优化问题。该算法利用混沌序列对蝙蝠的位置和速度进行初始化,为全局搜索的多样性奠定基础;融合Powell搜索以增强算法的局部搜索能力,加快收敛速度;使用变异策略在一定程度上避免算法陷入局部最优。选取几个标准测试函数进行仿真实验,结果表明：与基本蝙蝠算法和粒子群优化算法相比,混合蝙蝠算法具有更好的寻优性能。     

随机装卸工问题的新型混合粒子群算法

提出随机装卸工问题并将其转化为确定性问题,给出了其求解策略。针对粒子群算法简便实用但易过早收敛的问题,提出了一种结合人工免疫算法的新型混合粒子群算法,将该算法运用于求解随机装卸工问题。数值算例的计算结果表明:与基本粒子群算法相比,改进的粒子群算法在求解随机装卸工问题上表现出的求解精度和速度都十分理想。     

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。     

一种基于改进粒子群算法的PID参数整定方法

粒子群算法是一种基于仿生学的全局优化算法,具有方法简单,易于实现,寻优效果好等优点,是工业PID控制参数整定的常用方法。本文针对标准粒子群算法的PID整定方法易于陷入局部最优,引入遗传算法中杂交的思想,通过引入杂交算子改善早熟问题,同时针对粒子群算法样本集随机产生,无法保证样本集多样性的缺点,特引入混沌理念,对样本集采用混沌序列法生成,提高样本的多样性,随机性。仿真结果表明,所采用改进算法在PID参数整定中,超调小,收敛快,较好的弥补了标准粒子群算法的弊端。