PSO算法原理及应用

粒子群优化（Particle swarm optimization,PSO）算法在众多的优化问题上都表现出有益的性能,已经开始广泛应用于实际工程项目中。回顾了PSO算法的发展过程,介绍了PSO算法的基本原理,在标准PSO算法的基础上,介绍了tsP—SO、EOPSO和MPSO等扩展算法,对几种改进算法的性能和改进效果进行了总结。并对PSO算法在电网规划和建筑结构损伤中的应用进行了仿真实验。实验结果表明,改进的PSO算法能够在一定时间内给出令人满意的优化方案,符合工程应用的实际要求,具有推广意义。     

改进的粒子群优化算法设计FIR低通数字滤波器

粒子群优化算法(PSO)因具有参数少、易于实现等优点,在解决优化问题时表现出很好的性能。有限长单位脉冲响应(FIR)数字滤波器因具有稳定的结构、易于实现等优点,在实际中有着很广泛的应用。因此,将基于三角函数因子的改进PSO算法(TFPSO)用于对FIR低通数字滤波器性能的优化,并将其与基于折射原理反向学习(refrPSO)、基于反向学习(OPSO)的PSO算法所设计的FIR低通数字滤波器的性能进行比较。在实验中构造出一种性能较好的适应值函数,以验证这几种改进的PSO算法所设计的FIR低通数字滤波器的性能。实验结果表明,基于三角函数因子的PSO算法滤波性能较差,而基于折射原理反向学习的PSO算法性能最佳。     

微粒群优化算法

介绍了微粒群优化（PSO）算法的原理、算法流程、算法参数及其对算法性能的影响．讨论了各种改进的PSO算法．分析了多相微粒群优化算法（MPPSO）的原理、算法方程、算法参数及其对算法性能的影响．最后归纳了PSO算法的应用概况，并就PSO算法进一步的研究工作进行了探讨和展望．     

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.     

基于改进PSO算法的BP神经网络的应用研究

为了克服粒子群优化算法本身存在的早熟和局部收敛的固有问题,在描述了BP神经网络的基本结构的基础上,介绍了粒子群优化算法(PSO)的基本概念,并通过对二者优缺点的分析与比较,结合二者的优势,将粒子矢量位移应用到PSO算法中,并在此基础上,用改进的PSO算法对BP网络进行训练,还利用某商场的部分消费数据进行了实验.结果表明,基于改进的PSO算法的BP网络在收敛速度和精度上都比基于传统的PSO算法好.     

QPSO算法与PSO算法求解二维热传导反问题

热传导反问题在国内研究起步较晚,研究方法有很多,但通常方法很难较好地接近全局最优.在介绍经典的微粒群优化算法(PSO)的基础上,研究基于量子行为的微粒群优化算法(QPSO)的二维热传导参数优化方法,具体介绍依据目标函数如何利用上述的算法去寻找最优参数组合.为了提高算法的收敛性和稳定性,在具体应用中对算法进行了改进,并进行了大量实验,结果显示在解决热传导反问题优化问题中,基于QPSO算法的性能比经典PSO算法更加优越,证明QPSO在热传导领域具有很大的实际应用价值.     

集成学习在粒子群优化算法改进中的应用研究

集成学习通过结合多个学习者可以获得更好的结果。从三个方面,即从粒子级和维度级上进行集成,全过程或阶段性使用集成以及在单种群或多子种群中应用集成,研究了集成学习用于改进粒子群优化（PSO）算法的方式。通过三个典型函数优化问题的实验结果表明,与标准PSO和一些改进方法相比,集成学习可以改进PSO算法性能。     

基于改进粒子群算法的模糊神经网络PID控制器设计

针对模糊神经网络PID控制器中参数初始值的设置对控制器性能影响大的问题,提出一种改进的PSO算法优化模糊神经网络PID控制器参数的设计方法.该方法采用实数编码的方式对控制器参数进行优化,并以ITAT指标作为改进的PSO优化算法的适应度函数.实验仿真表明:经过改进的PSO算法优化的模糊神经网络PID控制器具有良好的动静态性能,响应速度更快,超调量更小,控制精度更高.     

基于遗传算子的改进粒子群优化算法

为了克服PSO算法容易陷入局部最优的缺陷,提出一种基于遗传算子的改进PSO算法。该算法借鉴常规的遗传算法中的选择交叉操作,在优化搜索过程中更新粒子的位置时,进行交叉操作,可以扩大全局搜索范围,避免局部最优,提高粒子的多样性。对改进后的算法使用几个典型的测试函数进行了仿真实验,实验结果表明,相比于标准PSO该算法的全局搜索能力和收敛精度都有较大提高,有效地改善了优化性能。     

引入萤火虫行为和Levy飞行的粒子群优化算法

粒子群优化（PSO）算法具有易陷入局部最小值和全局搜索能力差的缺陷,对PSO算法的改进大多只是在某一方面利用单一搜索策略进行改进,针对这种改进策略不能全面优化PSO算法性能的问题,提出一种引入萤火虫行为和Levy飞行的粒子群优化（FBLFPSO）算法。根据改进的自调节步长的萤火虫搜索策略改善PSO的局部搜索能力,避免PSO陷入局部最小值;后期利用Levy飞行策略增强种群多样性,提高PSO全局搜索能力,跳出局部最优解。仿真实验结果表明,与现有相关算法相比,FBLFPSO的全局搜索能力和搜索精度都有较大提高。     

LADPSO: using fuzzy logic to conduct PSO algorithm

Optimization plays a critical role in human modern life. Nowadays, optimization is used in many aspects of human modern life including engineering, medicine, agriculture and economy. Due to the growing number of optimization problems and their growing complexity, we need to improve and develop theoretical and practical optimization methods. Stochastic population based optimization algorithms like genetic algorithms and particle swarm optimization are good candidates for solving complex problems efficiently. Particle swarm optimization (PSO) is an optimization algorithm that has received much attention in recent years. PSO is a simple and computationally inexpensive algorithm inspired by the social behavior of bird flocks and fish schools. However, PSO suffers from premature convergence, especially in high dimensional multi-modal functions. In this paper, a new method for improving PSO has been introduced. The Proposed method which has been named Light Adaptive Particle Swarm Optimization is a novel method that uses a fuzzy control system to conduct the standard algorithm. The suggested method uses two adjunct operators along with the fuzzy system in order to improve the base algorithm on global optimization problems. Our approach is validated using a number of common complex uni-modal/multi-modal benchmark functions and results have been compared with the results of Standard PSO (SPSO2011) and some other methods. The simulation results demonstrate that results of the proposed approach is promising for improving the standard PSO algorithm on global optimization problems and also improving performance of the algorithm.     

粒子群优化算法的收敛性分析及其混沌改进算法

分析了粒子群优化算法的收敛性,指出它在满足收敛性的前提下种群多样性趋于减小,粒子将会因速度降低而失去继续搜索可行解的能力;提出混沌粒子群优化算法,该算法在满足收敛性的条件下利用混沌特性提高种群的多样性和粒子搜索的遍历性,将混沌状态引入到优化变量使粒子获得持续搜索的能力.实验结果表明混沌粒子群优化算法是有效的,与粒子群优化算法、遗传算法、模拟退火相比,特别是针对高维、多模态函数优化问题取得了明显改善.     

基于粒子群算法求解多目标优化问题

粒子群优化算法自提出以来，由于其容易理解、易于实现，所以发展很快，在很多领域得到了应用．通过对粒子群算法全局极值和个体极值选取方式的改进，提出了一种用于求解多目标优化问题的算法，实现了对多目标优化问题的非劣最优解集的搜索，实验结果证明了算法的有效性．     

基于拓扑结构与粒子变异改进的粒子群优化算法

为使粒子群优化算法(PSO)优化过程的多样性与收敛性得到合理解决,以提高算法优化性能,基于种群拓扑结构与粒子变异提出两种粒子群改进算法RSMPSO和RVMPSO.改进算法将具有信息定向流动的闭环拓扑结构与星型拓扑结构或四边形拓扑结构相结合,促使粒子在前期寻优过程中具有较高的多样性,保证搜索的广度,而在后期满足粒子群的整体收敛性,保证寻优的精度.同时,将布谷鸟搜索算法(CS)中的偏好随机游走变异策略引入改进算法中,增强粒子跳出局部最优的能力.对标准测试函数的仿真实验表明,所改进的PSO算法与其他6个对比算法相比不仅操作简单,优化精度高,而且在算法收敛性及稳健性方面都有着更出色的表现.     

混合粒子群优化算法优化前向神经网络结构和参数

提出了综合利用粒子群优化算法（PSO）和离散粒子群优化算法（D-PSO）同时优化前向神经网络结构和参数的新方法。该算法使用离散粒子群优化算法优化神经网络连接结构,用多维空间中0或1取值的粒子来描述所有可能的神经网络连接,同时使用粒子群优化算法优化神经网络权值。将经过该算法训练的神经网络应用于故障诊断,能够有效消除冗余连接结构对网络诊断能力的影响。仿真试验的结果表明,相比遗传算法等其他算法,该算法能够有效改善神经网络结构和参数的优化效率,提高故障模式识别的准确率。     

离散微粒群优化算法的研究进展

首先,介绍了近年来出现的５种较为典型的离散ＰＳＯ,并分析了它们与基本ＰＳＯ 之间的联系和区别;然后,归纳了提高离散ＰＳＯ 优化性能的若干途径,并总结了离散ＰＳＯ 的应用现状;最后,探讨了离散ＰＳＯ 有待进一步研究的若干方向和内容．     

基于改进粒子群算法的反舰导弹航路规划研究

针对飞行器航路规划问题,提出了一种改进粒子群算法.在标准粒子群算法的基础上,对惯性权重系数进行了非线性的调整,对学习因子进行线性和非线性的优化,并引入遗传算法中的交叉算子,将较好粒子与较差粒子进行交叉,保证了种群的多样性,从而提高算法的全局搜索能力.为了验证算法的可行性与有效性,对其进行仿真测试.实验结果表明,与标准粒子群算法、线性惯性权重相比,改进的粒子群算法表现出较强的全局搜索能力和较好的收敛性.     

基于混沌云模型的粒子群优化算法

针对传统粒子群优化（PSO）算法寻优精度不高和易陷入局部收敛区域的缺点,引入混沌算法和云模型算法对PSO算法的进化机制进行优化,提出混沌云模型粒子群优化（CCMPSO）算法。在算法处于收敛状态时将粒子分为优秀粒子和普通粒子,应用云模型算法和优秀粒子对收敛区域局部求精,发掘全局最优位置;应用混沌算法和普通粒子对收敛区域以外空间进行全局寻优,探索全局最优位置。应用特征根法对CCMPSO算法的收敛性进行分析,并通过仿真实验证明,CCMPSO算法的寻优性能优于其他常用PSO算法。     

基于SQP和自适应搜索的混沌粒子群算法

针对基本粒子群优化算法（PSO）算法易陷入局部最优的缺点,提出混沌自适应粒子群-序列二次规划算法（CAPSO-SQP）。在基本PSO算法的基础上,加入混沌搜索和自适应惯性权重提高全局收敛能力,并在PSO算法每一代的迭代过程中,引入SQP策略,加快局部搜索并提高对约束优化问题的计算可靠性。测试函数仿真结果表明,CAPSO-SQP算法计算精度高,稳定性好,收敛速度快。将所提出算法应用于悬臂梁结构优化设计,求解结果表明算法在结构优化计算方面的可行性,而且相对于CPSO算法求解更加准确,具有较高的计算可靠性和实用价值。     

基于混沌思想模糊自适应参数策略的粒子群优化算法*

粒子群优化算法是一种进化计算技术。提出一种基于混沌思想的模糊自适应参数策略的粒子群优化算法,它利用模糊策略较强的适应能力及混沌运动遍历性、随机性等特点,对标准粒子群优化算法进行了改进,并证明了算法的收敛性。对几种典型测试函数的测试结果表明,模糊自适应参数策略的引入,有效提高了算法收敛的速度,且混沌思想改善了对多维空间的全局搜索能力,能有效避免早熟现象。