一种基于相似度的新型粒子群算法

分析了基本粒子群算法（PSO）全局搜索能力与收敛速度的矛盾,提出了粒子群相似度的概念.根据每个粒子与全局最优粒子的不同相似度,对基本PSO算法的惯性权重进行动态调整.同时提出一种根据相似度计算聚集度的方法,并根据聚集度的大小随机地对粒子重新赋值,控制粒子群的多样性,提高了全局搜索能力.典型优化问题的实例仿真验证了该算法的有效性.     

参数自适应粒子群算法的给水管网优化研究

针对粒子群算法在解决给水管网优化问题时存在容易陷入局部最优的缺点,通过分析粒子的运动轨迹和相似程度,提出一种参数自适应粒子群算法。该算法利用种群粒子与期望粒子之间相似度的大小,动态调整算法参数,平衡算法全局和局部搜索能力,利用分期变异策略增加种群多样性,保证算法收敛于全局最优值。将改进算法用于优化汉诺塔管网和纽约管网2个经典的管网案例,证明算法可以有效应用于给水管网这类组合优化问题。将该算法优化实际的管网改扩建案例,结果表明,所提出的算法具有更好的寻优性能和收敛性能。     

一种改进的自适应惯性权重粒子群优化算法

研究粒子群算法优化问题,针对基本粒子群算法早熟收敛,易收敛于局部极值的缺点,提出了一种改进的粒子群算法,采用对全局最优微扰和调整惯性权重的方法,改善算法的优化速度和收敛精度.利用个体寻优能力来定义惯性权重,并且将其控制在0.9-0.4范围内,从而合理地调整全局探索能力和局部开发能力.在每次迭代时对当前全局最优粒子进行微扰,改变它的位置,避免它陷入局部最优.经过对一系列测试函数的计算和比较,证明改进方法无论收敛速度、搜索精度及稳定性均有显著改善.     

新的全局-局部最优最小值粒子群优化算法

为了提高粒子群优化算法的收敛速度,克服陷入局部最优的缺点,在全局-局部最优粒子群优化算法的基础上,提出了一种新的改进粒子群优化算法——全局-局部最优最小值粒子群优化算法.该算法把惯性权重和学习因子分别通过结合全局和局部最优最小值来进行改写,速度更新公式也做了相应的简化.仿真实验表明该算法在收敛速度和寻优质量上都优于基于LDIW策略改进的粒子群算法和全局-局部最优粒子群算法.     

吸引子权重改变内嵌区域震荡搜索粒子群算法

针对粒子群算法搜索精度不高、搜索最优解较慢的问题,提出了一种改进的粒子群算法。该算法通过调整全局最优解和个体最优解,形成一个新的全局吸引子解指导粒子收敛,优化种群粒子来搜索解空间的最优值。再将优化方案融入到内嵌区域震荡搜索的粒子群算法（RSPSO）中,仿真结果表明,改进的粒子群算法在寻优能力及搜索精度方面都得到了进一步的提高。     

一种新的自适应动态文化粒子群优化算法

为了克服粒子群优化算法在解决复杂问题时易陷入局部最优的缺陷, 提出了一种新的自适应动态文化粒子群优化算法。该算法引入评价粒子群早熟收敛程度的指标来判断种群空间粒子群状态, 以确定影响函数对种群空间粒子群的作用时机, 当算法陷入局部最优时, 自适应地利用影响函数对种群空间进行变异更新, 从而有效发挥文化粒子群算法的双演化双促进机制。并且根据种群的早熟收敛程度自适应地调整粒子的惯性权重, 使种群在进化过程中始终保持惯性权重的多样性, 在算法的全局收敛性与收敛速度之间作一个很好的折中。最后对四个经典的测试函数进行仿真, 结果表明该算法具有很强的搜索能力, 收敛速度和收敛精度也有所提高。     

基于改进粒子群算法的电力系统无功优化

针对传统粒子群算法易陷入局部最优解、收敛速度慢的缺点,提出一种基于信息分享策略的改进型粒子群算法,并首次将其应用于电力系统无功优化问题.改进的粒子群算法通过调整学习因子而获得合理有效的收敛速度;采用信息分享策略以保证种群的多样性;在位置的更新过程中加入扰动项,从而避免算法陷入局部最优解.用改进型粒子群算法对IEEE-14节点标准测试系统进行无功优化计算,实验结果表明:与其他算法相比,该改进粒子群算法具有较强的全局寻优能力,且收敛速度快,鲁棒性好,能有效地解决电力系统无功优化问题.     

一种改进量子行为粒子群优化算法的移动机器人路径规划

为实现移动机器人最优路径规划,提出了一种改进量子行为粒子群的优化算法(LTQPSO)。针对粒子群算法存在过早收敛的问题,利用个体粒子进化速度与群体离散度来动态调整惯性权重,使惯性权重具有自适应性与控制性,从而避免过早收敛;同时将自然选择方法引入传统位置更新公式中,以保持种群的多样性,加强LTQPSO算法的全局搜索能力,加快算法的收敛速度;将改进后的LTQPSO算法应用于移动机器人路径规划中;最后通过理论仿真与移动机器人平台实验验证了该方法的有效性与可行性。     

基于健康度的自适应过滤粒子群算法

针对标准粒子群算法存在收敛速度慢和难以跳出局部最优等问题,提出了基于健康度的自适应过滤粒子群算法。首先,通过对粒子健康度的动态检测,区分粒子状态,处理并标记异常粒子,自适应过滤懒惰粒子位置,避免算法陷入局部最优;其次,利用引导因子更新全局最差粒子值,过滤异常粒子数,避免无效搜索,加快算法收敛速度。通过对11个标准函数进行仿真实验,并与标准粒子群和其他改进算法进行对比,结果表明,基于健康度的自适应过滤粒子群算法寻优精度高,收敛速度快。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,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。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。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,适合于求解同类问题,计算结果能满足实际工程的要求。     

求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法（PSO）通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题（JSP）。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题（JSP）的混合微粒群算法。算法将微粒群算法、遗传算法（GA）、模拟退火（SA）算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明：与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

带自变异算子的粒子群优化算法

针对粒子群优化算法中出现的早熟收敛问题,论文提出了一种带自变异算子的粒子群优化算法。该算法在运行过程中增加了随机变异算子,通过对当前最佳粒子进行随机变异来增强粒子群优化算法跳出局部最优解的能力。对几种典型函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟收敛问题。     

基于二阶振荡及自然选择的随机权重混合粒子群算法

针对粒子群算法“早熟收敛”的缺点,提出一种混合粒子群算法.该算法采用最大速度线性递减的方法平衡全局寻优能力与算法收敛精度的矛盾,并用随机权重平衡算法的全局和局部搜索能力.学习因子二阶振荡使种群在粒子数目不变的情况下维持多样性,是提高全局搜索能力的主要方法.自然选择原理使算法改善了因二阶振荡和随机权重的加入而造成收敛速度降低的情况.测试实验表明,所提出的算法能避免早熟问题,有效地提高寻优能力.     

基于混沌变异算子的小生境量子粒子群算法

针对粒子群算法早熟收敛和搜索精度低的问题,提出了基于混沌变异的小生境量子粒子群算法(NCQPSO).该算法结合小生境技术并加入了淘汰机制.使算法具有良好的全局寻优能力.变尺度混沌变异具有精细的局部遍历搜索性能.使算法具有较高的搜索精度,实验结果表明,NCQPSO算法可有效避免标准PSO(Particle Swarm Optimization)算法的早熟收敛,具有寻优能力强、搜索精度高、稳定性好等优点.也优于原始的量子粒子群算法QPSO(Quantum-behaved Particle Swarm Optimization).     

基于改进粒子群算法的移动机器人多目标点路径规划

针对移动机器人遍历多个目标点的路径规划问题,提出了一种基于改进粒子群算法和蚁群算法相结合的路径规划新方法。该方法将目标点的选择转化为旅行商问题,并利用蚁群算法进行优化,定义了每两个目标点之间的路径规划目标函数,利用粒子群算法对其进行优化。针对粒子群算法存在的早熟现象,将反向学习策略引入粒子群算法,并对粒子群算法的惯性权重和学习因子进行改进。性能测试结果表明,改进的粒子群算法能有效避免粒子早熟现象,提高粒子群算法的寻优能力及稳定性。仿真实验结果验证了新方法能有效地实现机器人的多目标点无碰撞路径规划。真实环境下的实验结果证明了新方法在机器人多目标点路径规划的实际应用中也具有有效性。     

一类简约的粒子群算法

针对标准粒子群的早熟和局部粒子群的最优位置信息利用率低的问题,提出一类简约的粒子群算法,该算法包含两种改进的策略:初始阶段有区别的更新粒子速度,减少更新频率,当粒子的速度有利于种群的进化时,那么下一代粒子的速度则保持不变;当粒子位置变化不大时,采用基于正态分布的随机采样搜索策略来改变寻优方式,有效地控制种群多样性,避免了早熟现象的发生.仿真实验表明该算法具有更强的寻优能力和更高的稳定性.     

一种改进的粒子群优化算法及其仿真

粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。     

一种自适应柯西变异的反向学习粒子群优化算法

针对传统粒子群优化算法易出现早熟的问题,提出了一种自适应变异的反向学习粒子群优化算法。该算法在一般性反向学习方法的基础上,提出了自适应柯西变异策略(ACM)。采用一般性反向学习策略生成反向解,可扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,采用ACM策略对当前最优粒子进行扰动,自适应地获取变异点,在有效提高算法局部开采能力的同时,使算法能更加平稳快速地收敛到全局最优解。为进一步平衡算法的全局搜索与局部探测能力,采用非线性的自适应惯性权值。将算法在14个测试函数上与多种基于反向学习策略的PSO算法进行对比,实验结果表明提出的算法在解的精度以及收敛速度上得到了大幅度的提高。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。