基于种群熵的多粒子群协同优化

提出了一种基于种群熵的多粒子群协同优化算法,通过引入熵对种群粒子的分布性进行度量,然后利用它来引导在多种群协同演化中粒子迁徙的时间和方向,从而保持粒子在寻优过程中的多样性和快速性。通过四个典型测试函数的仿真说明了该算法具有摆脱局部极值能力和较高的收敛速度。     

一种新的基于三种进化模型的粒子群优化算法

针对标准粒子群优化算法在优化多极值点复杂问题时容易陷入局部极值的缺陷,提出了一种新的采用不同进化模型分阶段进化的粒子群优化算法。该方法将粒子群进化过程分成三个阶段,第一阶段按cognitiononly模型进化,第二阶段按标准模型进化,第三阶段按socialonly模型进化。在不同进化阶段利用不同模型进化可以增加种群的多样性,达到降低群体陷入局部极值点的效果。仿真实验结果表明,对于复杂多极值函数优化问题,本文算法比标准算法的全局寻优性能更好。     

基于直觉模糊种群熵的自适应粒子群算法

基本粒子群算法在求解高维空间的复杂多峰函数时,种群多样性丧失很快,从而导致算法早熟收敛。针对这一问题,提出了将直觉模糊种群熵作为运算过程中种群多样性的测度,并将直觉模糊熵作为参数来影响粒子的速度更新机制,减小了算法在运算后期早熟收敛的概率,并使算法具备了一定的自适应性。实验结果表明,改进后的算法在性能上比基本粒子群算法有了较大的改进。     

基于自适应多种群的粒子群优化算法

为了平衡算法的探测能力和开采能力,提高粒子群算法在不同类型问题上的综合性能,提出了一种基于自适应多种群的粒子群优化算法（PSO-SMS）。算法包含重组、子群规模调整和探测三个模块。在演化初始阶段,整个种群被划分成许多子种群。重组模块使不同子群间可以共享优势信息,有利于单峰和多峰函数的优化。当种群陷入潜在的局部最优时,探测模块可基于搜索过程的一些历史信息,帮助跳出当前的局部最优。通过子群规模调整,每个子种群的大小随着进化的过程而逐渐增加,有利于提高算法在初始阶段的探测能力和后期的开采能力。通过CEC2013的测试集与其他七种PSO算法的比较表明,PSO-SMS算法在解决不同类型的函数优化问题上有着突出的性能表现。     

一种基于种群速度的自适应粒子群算法

分析了粒子群算法的收敛性,指出早熟是由于粒子速度降低而失去继续搜索可行解的能力.进而提出一种基于种群速度动态改变惯性权重的粒子群算法,该算法以种群粒子平均速度为信息动态改变惯性权重,避免了粒子速度过早接近0.通过5个标准测试函数的仿真实验并与其他算法相比,结果表明该算法在进化中期能很好地保持种群多样性,有效地改善算法的平均最优值和成功率.     

粒子群算法种群结构与种群多样性的关系研究

本文采用种群熵刻画粒子群算法中种群的多样性,并通过一组标准测试函数分析了不同的种群结构及邻城关系对粒子群算法种群多样性变化和算法性能的影响。实验结果表明,不同的种群结构具有不同的信息传递特性,对粒子群种群多样性的变化及算法的搜索效果有着较大的影响,因此对于不同的问题需根据其特点选择不同的种群结构。     

基于种群关系的多种群粒子群协同优化算法

传统粒子群优化算法容易陷入局部最优解,搜索效率不高,针对此问题,提出了一种基于种群关系和斥力因子的多种群粒子群优化算法SRB-PSO (Swarm-Relation-Based PSO).根据当前搜索结果定义种群之间统治、对等和被统治3种关系,通过引入斥力因子来保证种群间搜索的多样性,并通过统治和被统治关系提高算法的搜索效率,从而在改善算法的全局搜索性能的同时提高解的质量.将算法与其他几种主流粒子群优化改进算法在标准测试集上进行对比,实验结果证明了SRB-PSO算法能较好地保持粒子多样性,全局搜索能力强,在解决多峰函数时的性能优于其他几种主流粒子群优化改进算法.     

基于Predator-Prey行为的双种群粒子群优化算法

根据生物的捕食-食饵(predator-prey)行为的规律,提出了一种双种群粒子群优化(DPPSO)算法.将粒子分成predator和prey两个种群,其中predator种群每间隔一定的迭代次数后排斥prey种群.在排斥的过程中,predator种群采用“擒贼先擒王”的策略,逐步向prey种群的群体最优位置靠近,同...     

基于自适应扰动的粒子群优化算法

为了避免粒子群优化算法（PSO）早熟收敛,提出了一种自适应扰动的PSO算法（ADPSO）,以帮助停滞的粒子跳出局部最优。为了验证算法的有效性,实验测试了九个多峰函数,包括四个旋转函数。仿真结果表明,该算法优于其他五种PSO算法。     

一种新的自适应小生境粒子群优化算法

为了克服基本粒子群算法过早收敛的缺陷,提出了一种新的自适应小生境粒子群优化算法.首先,让整个粒子群进行独立地演化寻优,以构造小生境环境.同时,通过设定合适的信息共享周期,以实现各个粒子搜索信息的共享,指导粒子向全局最优位置的搜索.最后,通过几个典型的多峰测试函数,对算法进行了仿真验证.结果表明,在算法的收敛性、寻优性等方面,算法均达到了良好的效果.     

基于动态粒子数的微粒群优化算法

提出了基于动态粒子数的微粒群算法,并建立了粒子数变化函数．该函数包含粒子数衰减趋势项和周期振荡项．衰减趋势项能够在种群向最优解不断收敛的过程中逐渐减少粒子数,以提高粒子效率．周期振荡项中的递增阶段代表了新粒子的随机出现,以增加粒子群的多样性,而周期振荡项中的递减阶段代表了探索性能差的粒子逐渐消亡,以提高优化效率．对4个标准函数进行测试,仿真结果表明该算法能有效地减少计算量,并显著提高全局搜索性能．     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中, 平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键, 多数已提出的方法仅依靠一种策略引导粒子搜索, 在解决复杂问题时算法收敛性和多样性不足. 为解决这一问题, 提出一种基于种群分区的多策略自适应多目标粒子群优化算法. 采用粒子收敛性贡献对算法环境进行检测, 自适应调整粒子的探索和开发过程; 为准确制定不同性能的粒子的搜索策略, 提出一种多策略的全局最优粒子选取方法和多策略的变异方法, 根据粒子的收敛性评价指标, 将种群划分为3个区域, 将粒子性能与算法寻优过程结合, 提升种群中各个粒子的搜索效率; 为解决因选取的个体最优粒子不能有效指导粒子飞行方向, 使算法停滞, 陷入局部最优的问题, 提出一种带有记忆区间的个体最优粒子选取方法, 提升个体最优粒子选取的可靠性并加快粒子收敛过程; 采用包含双性能测度的融合指标维护外部存档, 避免仅根据粒子密度对外部存档维护时, 删除收敛性较好的粒子, 导致种群产生退化, 影响粒子开发能力. 仿真实验结果表明, 与其他几种多目标优化算法相比, 该算法具有良好的收敛性和多样性.     

基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。     

双群体随机微粒群算法

以保证全局收敛的随机微粒群算法为基础,文章提出了一种双群体随机微粒群算法——DB-SPSO。该方法采用两个群体同时进化,一个群体在进化过程中所出现的停止微粒由另一群体的微粒来代替,并和此群体中其余的微粒一起继续进化。通过对此算法的参数适用范围及收敛率进行讨论,给出了此算法的适用范围。其仿真结果表明:对于单峰函数和多峰函数,此算法都能够取得较好的优化效果。     

粒子群优化算法的分析与研究

粒子群优化算法是一种新兴的基于群智能的演化计算方法,其思想来源于对鸟群运动行为的研究.群体中的每一个粒子通过追随个体最优解和群体最优解来完成解的迭代过程.首先介绍了PSO算法的基本原理,然后对PSO的几种典型改进算法进行了介绍并通过仿真实验对各种算法进行了分析和比对,最后对粒子群算法研究方向进行了展望.     

双中心粒子群优化算法

粒子群优化(PSO)算法是一种新兴的群体智能优化技术,由于其原理简单、参数少、效果好等优点已经广泛应用于求解各类复杂优化问题.而影响该算法收敛速度和精度的2个主要因素是粒子个体极值与全局极值的更新方式.通过分析粒子的飞行轨迹和引入广义中心粒子和狭义中心粒子,提出双中心粒子群优化(double center particle swarm optimization, DCPSO)算法,在不增加算法复杂度条件下对粒子的个体极值和全局极值更新方式进行更新,从而改善了算法的收敛速度和精度.采用Rosenbrock和Rastrigrin等6个经典测试函数,按照固定迭达次数和固定时间长度运行2种方式进行测试,验证了新算法的可行性和有效性.     

基于禁忌搜索的自适应粒子群算法

针对惯性权重线性递减粒子群算法不能适应复杂的非线性优化搜索过程的问题,提出了一种基于Sigmoid函数和聚集距离变化率改变惯性权重的方法。为了解决算法后期易陷入局部最优的缺点,在算法后期引人了具有记忆能力的禁忌搜索算法。改进后的算法不仅综合了粒子群优化算法的快速性、随机性和全局收敛性的优点,而且还具有禁忌搜索局部寻优的能力。测试函数仿真结果表明,改进后的算法不仅较好地避免了陷入局部最优,而且收敛速度也有提高。     

基于直觉模糊熵的粒子群多目标优化

针对现有多目标算法存在的收敛性不强、分散性不高等问题,提出了一种基于直觉模糊熵的粒子群多目标优化算法(IFEMOPSO)。首先,计算出种群的直觉模糊熵(IFE),作为衡量种群在多目标空间下多样性的测度;其次,设计基于IFE的惯性权重动态变化、外部档案调用以及变异操作等3种增强算法探索力度的策略,建立了直觉模糊多目标规划模型,有效地提高了群体进化过程中的多样性,防止了算法陷入局部收敛;最后,仿真结果表明,所提算法很好地提高了所得非劣解集的收敛性和分散性,有效地解决了多目标优化问题。     

粒子群优化技术的研究与应用进展

粒子群优化(PSO)算法是一种新兴的基于群智能搜索的优化技术,它是通过粒子追随个体最优解和群体最优解来完成优化,且算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。文中综述了PSO各种改进技术、研究热点问题及其应用进展情况并指出了PSO的发展趋势及未来研究方向。