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．     

微粒群优化算法及其改进形式综述

微粒群优化算法是一类新的基于群体智能的启发式全局优化技术,群体中的每一个微粒代表待解决问题的一个候选解,算法利用微粒之间的相互作用发现复杂问题解空间的最优候选区域。该文综述了算法的基本形式及其多种改进形式,并给出了未来可能的研究方向。     

改进微粒群算法在光子晶体优化中的应用

针对标准微粒群算法无法合理控制全局搜索和局部开发之间的关系,容易出现早熟收敛和全局收敛放慢的现象,提出了一种基于吸引力排斥力平衡机制的改进微粒群算法.改进算法将优化过程分为三个阶段,设定了每个阶段的目标,以此为指导来分别调整引力斥力大小和极优值传播速度,有重点地进行全局搜索或局部开发,以达到提高优化效率的目的.采用四个典型测试函数对改进算法进行了测试,并将该算法应用在光子晶体带隙优化设计?实验结果表明,改进微粒群算法很好地避免了早熟收敛和全局收敛放慢的现象,相比标准算法具有较高的可靠性和稳定性,是一种高效的优化算法.     

简化的分类微粒群算法及其在风电场建模中的应用

提出一种简化的分类微粒群算法.首先将微粒按适应值的差异划分成较好、普通和较差3类;然后对这3类微粒分别采用3种对应的没有速度项的简化模型进行动态制整,有效地增加了种群的多样性.通过对4种典型测试函数的仿真实验,并与经典PSO和2个目前较为流行的改进PSO进行比较,实验结果表明了所提出的改进算法具有更好的优化性能.将改进算法用于风电场风速概率模型优化的实验结果表明,与传统最小二乘法相比,该方法拟合的Weibull参数精度更高,更具实际参考价值.     

利用改进微粒群算法优化PID参数

提出一种利用改进微粒群算法优化PID参数的方法。微粒群算法(PSO)是一种随机全局优化技术，算法通过微粒间的相互作用发现复杂搜索空间中的最优区域，算法简单、容易实现且功能强大。将PSO算法加以改进并应用在PID控制器的参数优化，经仿真证明了PSO算法的有效性，其性能优于遗传算法和传统的经验公式。     

矢量微粒群算法及其应用

在对微粒群优化算法PSO分析的基础上，提出了矢量微粒群优化算法VPSO。该算法通过矢量运算方法来定义微粒的运动，从而达到寻找最优解的目的。将VPSO和PSO分别用于常用测试函数的优化求解，结果表明：VPSO的优化性能明屁优于PSO。基于VPSO构造的矢量微粒群神经网络（VPSONN）在丙烯腈收率软测量建模的应用中表明：基于VPSONN的丙烯腈收率软测量模型具有较高的精度，应用前景广阔。     

一种自适应的微粒群算法

研究发现,种群中个体间交换信息的方式对微粒群算法的性能影响很大。我们定义种群拓扑结构（population topology）为种群内部不同个体之间交流信息的网络。不同的种群拓扑结构有着各自的特点,有些利于加速收敛,有些利于扩展搜索空间。在分析种群拓扑结构变化特点的基础上,提出了一种新的自适应的微粒群算法。和通过调节惯性权重的自适应微粒群算法不同,本算法是通过改变种群拓扑结构来达到自适应优化目的的。     

微粒群算法在人脸检测预处理中的应用

微粒群算法是一种新型的智能优化算法,有较强的发现最优解的能力,且算法简单,易于实现。将微粒群算法应用于人脸检测的预处理中,运用该算法寻优阈值,旨在提高人脸检测的效率和精度。实验数据表明,该算法准确清晰地分割了人脸的皮肤区域与非皮肤区域,且分割效率和效果比单纯使用常用的二维最大熵分割算法更优化。     

一种改进的微粒群优化算法

基于惯性权重对微粒群优化算法（Particle Swarm Optimization,PSO）优化性能的显著影响,提出了一种改变惯性权重的方法以改进PSO算法的优化性能。算法中惯性权重的动态改变是通过对其进行PSO寻优来控制的。经过对标准函数的测试计算,无论是二维还是多维的问题,这种改变惯性权重的PSO算法的寻优结果的准确度和精度均得以提高,收到了良好的效果,尤其在高维情况下,显示出算法性能得到了明显改善。     

改进微粒群优化算法求解旅行商问题

对微粒群优化算法的速度位置算式进行了改进,提出一种改进的微粒群优化算法。该算法符合组合优化问题的特点,在求解旅行商问题上有较高的搜索效率。将改进的PSO算法分别应用于14点的TSP问题以及中国旅行商问题中,该算法在较短时间内获得了目前已知的最好解。     

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。     

一种免疫微粒群优化算法

引入克隆选择操作和借鉴免疫学习中较好的多样性来克服微粒群算法易陷于局部最优以及对多峰值函数搜索效果不佳的缺点，构建了一种免疫微粒群算法。将该算法应用于4个常见的测试函数，实验结果表明，该算法比标准微粒群算法有更好的收敛性和更快的收敛速度。     

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。     

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。     

一种混合粒子群算法及其在Job Shop问题中的应用

粒子群算法是一种新颖的演化计算技术,具有思想简单、容易实现的优点,被广泛应用于连续空间的优化。结合遗传算法的思想提出一种新的进化方式并用于Job Shop离散空间优化,进一步结合粒子群算法的群体多样性和禁忌搜索算法的集中搜索性提出一种粒子群算法和禁忌搜索算法的混合策略。用Job Shop问题作为测试基准,仿真试验显示混合粒子群算法是可行和有效的。     

基于Kalman滤波器原理的PSO算法

粒子群优化(PSO)算法是一种新兴的基于群智能方法的优化技术,该算法简单而且功能强大,但也存在易陷入局部极值的缺点。文章分析了PSO算法的特征,利用卡尔曼(Kalm an)滤波器原理对PSO算法作了改进,得到了一种新的改进粒子群优化KPSO(Kalm an PSO)算法。实验结果表明,KPSO算法取得了较好的应用,其收敛精度和速度都有了一定程度的提高。     

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。     

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。     

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.     

一种改进的粒子群优化算法

作为群体智能的代表性方法之一,粒子群优化算法(PSO)通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。提出了一种改进的粒子群优化算法(MPSO),该算法以广泛学习粒子群优化算法(CLPSO)的思想为基础,主要引入了选择墙的概念。同时在参数的设置中结合高斯分布的概念,以提高算法的收敛性。实验结果表明,改进后的粒子群算法防止陷入局部最优的能力有了明显的增强。同时,算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高。