改进遗传算法与粒子群优化算法及其对比分析

进化算法作为一类新的优化搜索方法，广泛应用于各种优化问题．现对简单遗传算法进行了改进，采用实值编码，并与模拟退火算法及基于适值排序和随机选择的方法相结合，形成了改进遗传算法．同时还介绍了一种新的进化算法一粒子群优化算法．将这两种优化算法应用于函数优化，并对优化结果进行了对比分析．比较结果表明，改进遗传算法和粒子群优化算法都可以在函数优化方面表现出较好的健壮性，但在找寻最优解的效率上，粒子群优化算法较好．     

改进的粒子群优化算法

粒子群优化算法是一种基于群体的自适应搜索优化算法,存在后期收敛慢、搜索精度低、容易陷入局部极小等缺点,为此提出了一种改进的粒子群优化算法,从初始解和搜索精度两个方面进行了改进,提高了算法的计算精度,改善了算法收敛性,很大程度上避免了算法陷入局部极小.对经典函数测试计算,验证了算法的有效性.     

粒子群优化算法的研究与展望

粒子群优化算法是一种基于群智能的随机优化算法,具有简单易实现、设置参数少、全局优化能力强等优点.着重对粒子群优化算法中的基本算法、改进算法、应用领域和研究热点等方面做了较为详细的论述.     

结合粒子群算法的小波神经网络交通流预测

针对短时交通流量具有复杂性、非线性等特点,提出基于粒子群算法的小波神经网络交叉路口短时交通流量预测方法,利用粒子群算法优化小波神经网络的模型参数,通过定义可变的加速因子,使粒子群算法有利收敛于全局最优解.将粒子群算法的全局优化搜索能力和小波良好的时频局部性质相结合,克服神经网络易陷入局部极小和引起振荡效应现象的缺点.实验仿真结果说明,该算法可以有效提高预测精度,减少预测误差,并且很好的反映了交通流的特点.     

采用正交免疫克隆粒子群算法求解SAT问题

根据Kennedy和Eberhart提出的二进制粒子群算法,基于抗体克隆选择理论提出一种求解合取范式可满足问题的粒子群算法——正交免疫克隆粒子群算法．该算法将合取范式可满足问题转换为求解目标函数最小值的优化问题,为提高收敛速度,根据子句的先验知识计算出个体的初始指派概率对种群进行初始化．为了避免算法早熟收敛,提高粒子群个体解分布的均匀性,将离散正交交叉算子用于免疫基因操作中,并给出适应于求解合取范式可满足问题的免疫粒子群进化算子．实验采用标准SATLIB库中变量个数从20~250的3700个不同规模的标准合取范式可满足问题对正交免疫克隆粒子群算法的性能作了全面的测试,并与标准粒子群算法和免疫克隆选择算法进行了比较．结果表明,正交免疫克隆粒子群算法的成功率在3个算法中最高,运行时间和评价次数最少．     

基于PSO算法的RBFNN在织物染色配色中的应用

为了提高计算机配色的效率,提出了一种基于粒子群优化算法（Particle Swarm Optimization algorithm）的RBFNN（radial base function neural network）解决织物染色配色问题的模型。该模型容易实现,没有过多参数需要调整,并且提高了模型的收敛速度和精确度。仿真结果表明,用PSO算法优化的RBF神经网络解决计算机织物染色配色问题是一种较好的方法。     

基于并行文化微粒群优化算法的非线性方程组解法

并行文化微粒群优化算法是一种改进的微粒群优化算法,具有较强的全局搜索能力。将非线性方程组的求解问题转化为函数优化问题,应用并行文化微粒群优化算法求解非线性方程组的解。计算中不需要使用目标函数的导数信息和初始点信息,数值实验结果表明了该算法的有效性和可行性。     

粒子群优化算法的发展与展望

对粒子群优化算法的产生背景、基本算法、改进算法、研究热点及应用领域作了简要的综述,并对其发展方向作了展望。     

BP神经网络的IAPSOBPNN组合训练算法

针对BP神经网络易陷入局部极小点、泛化能力低的缺陷,提出了BP神经网络的IAP-SOBPNN(Particle Swarm Optimization with Immunity Algorithm Back Propagation Neural Network)组合训练算法,即免疫算法、粒子群算法和BP算法的组合.将此组合训练算法应用到非线性函数逼近和具有复杂非线性动力学特征的股价预测中,仿真实验表明,该算法避免了网络陷入局部极小点,提高了网络的泛化能力,同时为BP网络参数的确定提供了一条崭新的思路.     

基于动态扰动项的禁忌粒子群优化算法

针对粒子群优化算法后期收敛速度慢,且容易陷入局部最优解的缺点,在算法中加入动态扰动项,改变了速度的更新公式,使粒子可以跳出局部极值.后期引入禁忌搜索算法,充分利用禁忌搜索的记忆能力和爬上能力,能够快速搜索到全局最优解.通过对测试函数的仿真实验表明,采用动态扰动项的禁忌粒子群优化算法更能提高收敛速度,获得全局最优解.     

改进的群集智能优化算法在任务排序中的应用

针对集成设计过程中用遗传算法进行任务排序的执行效率、收敛性等问题,考虑任务之间耦合关系对任务执行结果的影响,对遗传算法进行改进,并结合粒子群算法,提出了一种优化算法。并用实例进行了验证,结果表明该算法收敛速度快,结果稳定。对于不同的初始种群,结果都能找到全局最优解。     

基于人工鱼群遗传算法的 DNA 编码优化

针对DNA计算中的编码序列设计问题,分析DNA编码序列设计的目标和需要满足的约束条件,从中选择适当的约束条件,给出评估公式,提出人工鱼群遗传算法生成有效的DNA编码序列。经实验结果表明,所述算法比遗传算法及遗传粒子群算法产生的DNA编码序列质量更加稳定可靠。     

量子粒子群算法在结构模态参数识别中的应用

量子粒子群算法作为粒子群算法的改进,具有参数少、好编程、易收敛等优势而备受关注.通过将由结构输入、输出数据计算而得的实测频响函数与包含所需识别的结构模态参数的理论频响函数之差最小化作为优化目标,经过对理论频响函数中的结构模态参数搜索取值而使目标函数最小,此过程将结构模态参数识别问题转化为优化问题.采用量子粒子群算法进行优化而得到结构模态参数.为验证该方法的有效性,对一数值模拟的三层混凝土框架结构进行分析,结果表明,量子粒子群可以有效地识别结构模态参数.     

免疫接种粒子群的聚类算法

将粒子群优化算法和K均值算法结合进行聚类分析,同时引入了免疫系统中的免疫接种和免疫选择机制来指导粒子的迭代过程,提出了一种基于免疫接种粒子群的聚类算法,在粒子群迭代的过程中加入免疫接种机制指导粒子的飞行方向,再通过免疫选择机制对接种的结果进行选择,确保粒子种群向更优的方向移动。实验结果证明,基于免疫接种粒子群的聚类算法基本克服了K均值算法容易受初始聚类中心影响的缺点,聚类结果稳定,而且比基于粒子群优化的聚类算法取得了更好的聚类效果。     

粒子群算法在阵列天线方向图综合中的应用

针对目前粒子群优化算法在多零点低旁瓣约束的阵列天线方向图综合中早熟收敛、易陷入局部极值的问题,融合混沌优化算法和粒子群优化算法的优点,提出了一种新的混合优化算法.当种群进化停滞时,新算法在种群最优位置的邻域内进行混沌搜索以寻找更优解,其混沌搜索范围可自适应地调整.新的种群最优位置在更新其每一维分量时,选取不同的粒子作为学习对象,提高了粒子的多样性.将此算法应用于阵列天线方向图综合中,能有效地生成多零陷,并抑制旁瓣.     

森林竞争算法及在超越方程求解中的应用

针对现有的仿生优化算法局部搜索能力差、早熟收敛问题,利用自然树枝条的生长、凋落矛盾统一原理和森林生态系统中竞争排斥原理,建立了森林动态演化的竞争模型,提出了森林竞争优化算法.为验证算法的合理性和有效性,将其应用于超越方程的求解.与标准遗传算法进行对比,该算法运行速度快;与标准粒子群算法进行对比,该算法搜索到全部解的成功率高.该算法为优化设计和计算提供了一种新的方法和思路.     

基于粒子群算法的数字编码DNA序列集设计

从DNA编码应满足的多约束条件中选取改进的约束条件,针对这些约束条件提出DNA个体应满足的评估公式,以及目标序列集设计的问题模型,分析了DNA序列数字编码的意义及其在优化算法中应用的优点,并采用改进粒子群算法(DE-PSO)解决DNA序列设计的多目标优化问题.仿真结果表明,该算法在求解DNA序列集设计的最优值方面具有良好的效果.     

拉伸技术粒子群优化算法的多用户检测器

粒子群优化算法是一类新型进化算法,为提高粒子群优化算法对复杂问题全局最优解的探测能力,该文引入一种基于拉伸技术的粒子群优化算法,把它应用到CDMA通信系统中抗干扰关键技术——多用户检测中,提出了基于拉伸粒子群算法的多用户检测器。仿真结果表明,该检测器在误码率性能、抗远近效应和增加系统容量方面的性能较之其他的检测器均有明显的提高。     

森林竞争算法及在超越方程求解中的应用

针对现有的仿生优化算法局部搜索能力差、早熟收敛问题,利用自然树枝条的生长、凋落矛盾统一原理和森林生态系统中竞争排斥原理,建立了森林动态演化的竞争模型,提出了森林竞争优化算法。为验证算法的合理性和有效性,将其应用于超越方程的求解。与标准遗传算法进行对比,该算法运行速度快;与标准粒子群算法进行对比,该算法搜索到全部解的成功率高。该算法为优化设计和计算提供了一种新的方法和思路。     

基于粒子群遗传混合算法的配电网无功规划

提出了一种基于粒子群算法(PSO)和遗传算法(GA)相混合的配电网无功规划算法。该算法利用遗传算法收敛效果好和粒子群算法收敛速度快的特点,计算结果表明:该算法是收敛的、有效的。