多种群粒子群优化算法

将一定规模的粒子群平分成三个子群,并分别按基本粒子优化算法、ω自线性调整策略的粒子群算法和云自适应粒子群算法三种不同规则进化,既保持各个子群和算法的独立性和优越性,又不增加算法的复杂性,并提出“超社会”部分,重新定义了速度更换式子,同时还引入了扩张变异方法和扰动操作。实验仿真结果表明,给出算法的全局搜索能力、收敛速度,精度和稳定性均有了显著提高。     

求解矩阵特征值的混合人工鱼群算法

根据矩阵特征值的分布理论,通过确定矩阵特征值的分布区域,用混合人工鱼群算法来求解任意数值矩阵特征值的近似值。实验结果表明,这种基于混合人工鱼群求解矩阵特征值的算法,可达到一定的精度,能够有效地获得任意矩阵的特征值。     

基于粒子群算法的二重积分方法研究

提出了一种基于粒子群算法的不等距节点数值积分方法,该方法初始时在矩形积分区域两个方向的区间内各自任意选取一定的节点,通过粒子群算法优化这些节点,以优化后的节点为分割点求数值积分的值,最后得到比较精确的积分结果.数值积分算例表明,该算法得到的积分值精度高,自适应强,是一种有效的数值积分方法,在数值计算和工程实际应用中具有一定的参考和应用价值.     

云自适应粒子群算法

文中提出了云自适应粒子群优化（CAPSO）算法,根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略,由X条件云发生器自适应调整普通子群粒子的惯性权重,由于云模型云滴具有随机性和稳定倾向性特点,使惯性权重既具有传统的趋势性,满足快速寻优能力,又具有随机性,在提高收敛速度和保持种群多样性之间做了一个很好的权衡。通过典型函数优化实验表明,与标准粒子群算法相比,CAPSO具有较高的计算精度和较快的收敛速度。     

基于扩张变异方法的云自适应粒子群算法

提出了一种基于扩张变异方法的云自适应粒子群算法,该算法利用云模型X务件云发生器自适应调整每一个粒子个体惯性权值.采用扩张变异方法进行变异,可避免因多维而多变量引起多因素的干扰,加快搜索速度,其目的进一步改进粒子群算法的性能,为解决高维空间优化问题提供一种有效方法.最后,以高维函数优化为实例,计算机仿真结果表明,给出的算法具有鲁棒性强、收敛速度快、精度高等特点.     

基于粒子群算法的数值积分方法研究

提出了一种基于粒子群算法的不等距节点数值积分方法.该方法初始时在积分区间内任意选取一定的节点,通过粒子群算法优化这些节点,最后得出比较精确的积分结果.本算法计算精度高,对被积函数要求低.数值积分算例验证了本算法的有效性和正确性,因此在工程实际中具有一定的参考和应用价值.     

求解矩阵特征值和特征向量的PSO算法

提出一种基于粒子群优化算法的求解方法,将线性方程组的求解转化为无约束优化问题加以解决,采用粒子群优化算法求解矩阵特征值和特征向量。仿真实验结果表明,该方法求解精度高、收敛速度快,能够在10代左右收敛,可以有效获得任意矩阵的特征值和特征向量。