改进布谷鸟算法用于阵列天线方向图优化

针对目前群智能优化及进化计算算法在解决直线形阵列天线辐射方向图的旁瓣电平抑制和零陷控制问题时易出现求解精度不高及收敛速度较慢的问题,提出了一种基于扩散变异策略的布谷鸟搜索算法。该算法首先利用聚集扩散策略来提高算法的全局搜索性能,然后引入遗传算法中的基因突变策略,用以提高种群的多样性,进而提高算法的局部搜索能力。仿真结果表明,所提算法在抑制直线形阵列天线方向图的旁瓣电平和控制零陷方面与萤火虫算法、粒子群算法、传统布谷鸟搜索算法、金斑蝶优化算法和蚯蚓优化算法相比,具有更快的收敛速度和更高的求解精度。     

一种加权变异的粒子群算法

针对粒子群算法易于陷入早熟、收敛速度慢及收敛精度低的问题,提出了加权变异的WVPSO(Weighted Variation Particle Swarm Optimization)粒子群算法。根据自适应惯性权重和自适应学习因子,平衡了全局搜索和局部搜索能力;基于算术交叉的变异和自然选择机制的替换策略,增加了粒子的多样性,提高了算法的收敛精度;最后加入高斯扰动,使粒子产生震荡,更容易跳出局部最优。仿真实验表明,相比多个具有代表性的群智能进化算法,WVPSO算法在求解精度和收敛速度上效果更佳,并且在高维函数优化问题上具有更好的精度和稳定性。     

多角色多策略多目标粒子群优化算法

针对粒子群算法在解决复杂多目标问题时存在过早收敛和多样性不足的问题,提出多角色多策略多目标粒子群优化算法(MOPSO_RS). 该算法根据粒子的角色划分指标,给不同性能的粒子赋予不同角色;提出多策略的学习参数调整方法和多策略的全局最优粒子选取方法,帮助种群执行各种搜索策略. 不同的学习参数使各角色粒子获得不同的搜索策略,以调整粒子的探索和开发能力. 不同的全局最优粒子使各角色粒子搜索不同区域,提高种群的搜索效率. 为了避免算法陷入局部最优,引入带有高斯函数的变异算子,使粒子根据其角色朝向不同的全局最优粒子变异,提高算法的求解精度. 实验结果表明,对比其他改进多目标算法,MOPSO_RS具有良好的收敛性和多样性,并验证了所提策略的有效性.     

基于q-高斯分布的自适应变异粒子群算法

针对粒子群算法易陷入局部极值和早熟收敛的缺陷,提出了基于q-高斯分布的自适应变异粒子群算法.采用q-高斯作为变异算子对粒子的全局最优位置进行q-高斯变异,克服了因种群遗失多样性所导致的早熟收敛缺陷,随着种群的进化,非广延熵指数 q 的自适应调整平衡了算法的全局搜索能力和局部开发能力.测试了4个标准复杂函数和优化BP神经网络参数,结果表明,基于 q-高斯分布的自适应变异粒子群算法的优化性能最好,收敛速度快.     

求解自动化药房储位优化问题的GA-PSO混合粒子群算法

通过对自动化药房快速发药系统的储位优化所受约束条件和目标函数的分析,基于静态存储理论,建立了该问题的数学模型,提出了利用GA-PSO混合粒子群算法来解决此问题.该算法引入了遗传算法的搜索机制形成初始粒子群,并引入"交叉"和"变异"的概念形成离散粒子群算法.在优化的过程中,采用精英策略和进化逆转操作提高了搜索能力和寻优速度.对陷入局部最优的粒子群进行变异,使粒子群在新的引导下改变方向,继续寻找问题最优解,从而避免了粒子重复收敛于一点的现象.仿真试验结果表明,该策略是有效的,在求解速度和求解质量上得到了很大提高.     

基于Levy飞行策略的自适应改进鸟群算法

针对新型生物启发式群智能算法—鸟群算法(BSA)因进化初期种群多样性不足,以及认知和群体行为调节参数的改变而导致在优化小部分多极值函数时种群收敛精度变差、收敛迭代次数偏大甚至出现早熟收敛、陷入局部最优的问题,提出了Levy自适应改进鸟群算法(LSABSA).该算法采用Levy飞行策略的随机游走模式来增加种群多样性和跳出局部最优值,并通过(0,1)随机均匀分布自适应改进惯性权重以及线性调整认知和社会系数来平衡BSA算法的全局和局部搜索能力,进而提高求解精度.最后采用10个典型测试函数对LSABSA算法以及粒子群算法(PSO)、改进粒子群算法(GPSO)和鸟群算法(BSA)进行仿真实验和分析对比,表明了LSABSA算法的收敛速度、精确度和稳定性均优于其他算法.     

一种基于多种群分层的粒子群优化算法

为解决粒子群优化(PSO)算法收敛速度慢,易于早熟的不足,采用控制理论的分层思想,提出了多种群分层PSO算法(HSPPSO).在第1层采用多种群粒子群并行计算.第2层把每个种群看成一个粒子,种群的最优值作为当前粒子的个体最优值,进行第2层粒子群优化.并把优化结果返回到第1层.在PSO算法的运行过程中,对有集聚倾向的粒子进行速度变异处理,重新初始化速度.最后对4个典型的测试函数进行了测试,研究结果表明,与基本微粒群算法比较,作者提出的算法提高了算法的收敛速度和收敛精度,改善了算法的性能.本算法对大规模系统的优化问题求解提供了一个新的思路.     

余弦适应性骨架差分进化算法

针对传统差分进化算法在解决复杂优化问题时存在收敛速度慢的问题,提出了一种余弦适应性骨架差分进化算法(CABDE),算法设计了一种新的变异策略适应性机制。该机制引入一个余弦适应性因子,实现高斯变异策略和DE/current-to-best/1变异策略的优势互补,以平衡算法的勘探能力和开采能力。其中,高斯变异策略具有较强的全局搜索能力,有利于维持种群多样性。DE/current-to-best/1变异策略具有较强的局部搜索能力,能够加快对较优区域的开采。同时,高斯变异策略和DE/current-to-best/1变异策略都利用当前最优个体来引导算法搜索方向,从而尽可能地加快收敛速度。余弦适应性因子在进化过程中随迭代次数的增加而波动性调整,为不同进化阶段适应性地选择变异策略。设计的变异策略适应性机制能够在维持种群多样性的同时加快收敛速度。为测试算法性能,采用18个不同特性的测试函数对算法进行数值实验。对CABDE算法的变异策略和参数动态变化进行了分析,实验结果验证了变异策略和参数动态变化的有效性。此外,CABDE算法分别与新近的骨架算法变体、差分进化算法变体、粒子群优化算法变体和人工蜂群算法变体进行了比较。实验结果表明CABDE算法获得了较高的求解精度,加快了收敛速度,整体上优于其他比较算法。     

一种改进的差分进化算法及其应用

多目标优化问题(MOP)存在范围广且人工求解难度大,通过差分进化算法(DE)解决MOP问题具有重要意义.由于常用DE算法性能有限、收敛速度、计算精度和优化能力相互制约,通过改善变异因子、进化机制以及与粒子群算法融合等措施,研究一类基于粒子群优化和DE的混合算法(PSODE),经典优化函数的仿真实验和对比分析,结果表明在高维复杂寻优问题中可以求得高精度解.在实际数字滤波器优化设计中,表明其改进算法在计算精度和运行速度上均能取得满意的应用效果.     

基于混合粒子群算法的梯级泵站优化调度

针对不同时段电价差异,以流量平衡为基础,建立以梯级泵站耗电电费最小为目标的优化调度模型,并采用粒子群算法求解.为克服粒子群优化算法易早熟、迭代后期收敛速度慢的缺点,引入免疫思想,以粒子适应度为标准,通过克隆变异算子、疫苗接种算子和优胜劣汰算子,构建双粒子群,增强了粒子群搜索精度和搜索范围,并将其应用于广东某供水工程.优化调度仿真对比分析表明:免疫粒子群算法(IAPSO)能够有效地解决梯级泵站优化调度问题,降低了泵站运行成本,与基本粒子群算法(PSO)和自适应惯性权重粒子群算法(APSO)相比,收敛速度更快,搜索精度更高.     

基于多种群改进差分进化算法的环境／经济电力调度优化

应用多种群改进差分进化算法求解环境/经济电力调度(Environmental/Economic Dispatch,EED)这一多目标优化问题。将多种群策略引入差分进化算法,有助于保持群体多样性,有效避免经典差分进化算法的早熟收敛问题。采用自适应变异因子及交叉因子,使算法在搜索初期保持全局搜索能力,在搜索后期增强局部搜索能力,加快收敛速度。将该算法应用到IEEE 30节点-6机组系统的环境/经济调度优化,仿真计算结果以及与其他算法的对比分析验证了该算法的有效性。     

基于多粒子信息共享策略的PSO小波网络模型

针对粒子群优化算法在训练小波网络存在的早熟收敛问题,提出一种改进的粒子群优化算法.该算法通过引入多粒子信息共享策略,使种群中各粒子共享多个粒子的有用信息,以期增加种群多样性,减少各粒子在进化早期被吸引到最优粒子附近的可能性,提高小波网络的建模质量.仿真表明,相对于BP算法和标准粒子群优化算法,本文算法在训练小波网络方面估计精度更高,收敛速度更快,并有效解决了早熟收敛和局部最优问题.     

自适应子空间高斯学习的粒子群优化算法

为了克服粒子群优化算法在复杂优化问题上易出现早熟收敛、多样性缺失等问题,提出了自适应子空间高斯学习的粒子群优化算法。该方法提出了适应值离散度和子空间高斯学习的概念,以自适应地调整参数和搜索策略,帮助粒子逃离局部最优。同时,该方法还提出邻域学习策略,引入了邻域最优粒子。当前粒子的邻域在进化过程中通过动态构建,以增强种群的多样性。实验对19个常用的经典基准测试函数在30和100维进行了测试,结果表明该算法在收敛速度和寻优精度上优于一些知名的PSO算法。最后,将改进的算法应用于无线传感器网络覆盖优化问题,获得了较好的结果。     

基于TS模糊推理的自适应量子行为粒子群优化算法

为进一步改善量子行为粒子群优化算法的性能,保证搜索过程中粒子群的多样性,本文提出了基于Takagi-Sugeno(TS)模糊推理的自适应量子行为粒子群优化算法。该算法利用群体分布和搜索进程信息,通过TS模糊推理,动态调整算法参数及迭代方式,提升种群在更大空间搜索的能力,减少陷入局部最优的几率,并通过若干标准测试函数仿真和威氏(Wilcoxon)符号秩次检验。研究结果表明,与传统的粒子群优化算法相比,自适应量子行为粒子群优化算法性能更好,不但迭代初期收敛快,而且能收敛到理论最优值,尤其对复杂高维函数的优化问题更有效。该研究改善了量子行为粒子群优化算法的性能。     

采用多搜索模式的粒子群算法

从现实中鸟的搜索方式中得到灵感,提出一种新的变异粒子群算法,称之为采用多搜索模式的粒子群优化算法（ＭＭＰＳＯ）。该算法中的每个粒子使用３种搜索模式在搜索空间中搜索食物,可随时调整其搜索方式。在数值仿真实验中选择了几个比较典型的高维复杂优化问题用来测试算法的性能。结果表明：算法的全局搜索能力和避免粒子陷入局部最优的能力都得到了明显提高,在一定程度上避免了早收敛现象的发生,可用于求解高维复杂函数的优化问题。     

基于MapReduce模型的分布式粒子群算法

通过对传统的单种群粒子群算法的分析,提出一种基于MapReduce模型的分布式粒子群算法,解决粒子群算法在求解大规模优化问题时求解效率和精度明显下降等问题。在粒子群进化过程中,粒子速度和位置的更新采用惯性权重的方法,其权重值线性递减,并且利用多子群进化策略,提高算法的收敛精度。通过MapReduce模型实现算法的并行化,有效提高算法求解效率。选取目前比较流行的几种算法,并在13个500维、1 000维的标准测试函数上仿真试验,结果显示该算法具有良好的优化性能。     

引入变异算子的粒子群优化算法

粒子群优化算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优。为了克服这个缺点,文中提出了一种引入变异算子的粒子群优化算法,即每次粒子更新后对种群最优位置随机选取其中一维进行变异操作,以增强算法跳出局部最优的能力。通过对5个基准函数的仿真实验,结果表明了新算法的有效性。     

基于混合策略的差分进化算法

针对传统差分进化算法在求解问题中种群易收敛、易早熟的问题,提出了一种基于混合策略的差分进化算法.该算法根据粒子适应度、适应度标准差和粒子间距离标准差,将种群分为3个不同大小、不同功能的子种群,每个子种群采用不同策略和控制参数来实现自己被指定的功能.算法在搜索过程中既增强了种群的全局搜索能力,又增加了收敛精度.通过对4个标准函数的测试,仿真结果表明该算法比其他算法具有更好的寻优能力.     

一种改进的头脑风暴优化算法

针对头脑风暴优化(BSO)算法精度较差、后期收敛速度慢的问题,提出了一种改进的BSO (MBSO)算法. MBSO算法通过对种群分组策略概率参数的调节,改变个体生成方式调节参与全局和局部搜索的个体比例,算法前期加强全局搜索后期加强局部搜索,有效避免陷入局部最优.同时MBSO算法根据搜索所处不同阶段采用可变最大步长的策略加速算法收敛并提高了优化精度.采用6个标准测试函数对MBSO算法搜索性能进行了测试,与原始BSO算法、粒子群优化(PSO)算法和差分进化(DE)算法结果进行比较实验.仿真结果表明,MBSO算法可以有效地避免陷入局部最优,稳定地找到更好的最优值,收敛速度显著加快. MBSO算法在优化问题中表现出了优异的性能和巨大的潜力.     

粒子群与遗传算法优化支持向量机的应用

为了提高参数优化精度,研究将粒子群算法与支持向量机相结合,建立基于粒子群算法的支持向量机复杂过程系统稳态模型。在此基础上,为解决粒子群算法容易出现早熟收敛、搜索精度不高、在迭代的后期效率低、容易陷入局部极优点等问题,提出了引入遗传算法的改进粒子群算法。通过利用改进后的粒子群算法对支持向量机参数进行优化,并应用到青霉素发酵这一复杂工业系统。仿真结果表明,改进算法提高了工业产量,实现了对系统结果的优化。