自调整的捕鱼策略优化算法

针对基本捕鱼策略优化算法（FSOA）在优化过程中存在易陷入局部最优、求解高维的复杂优化问题时优化性能不好的不足,对基本捕鱼策略优化算法（FSOA）进行了改进,提出了自调整的捕鱼策略优化算法(ADFSOA)：算法采用时变的搜索半径,每个渔夫可根据自己所处的状态自我调整搜索策略。通过与基本FSOA、RFSOA和标准PSO算法的数值实验对比, 表明了所提算法的优化性能具有显著的优势,可用于求解高维的复杂优化问题。     

一种改进的演化算法

将GT算法和粒子群优化（PSO）算法结合并加以改进,采用non uniform变异算子提高局部搜索能力和算法的稳定性,同时引入种群划分等策略,构建了一种新的演化算法(记为GT POPDM PSO)。该算法比上述两种算法具有更好的性能,特别是对多峰函数优化等问题计算效果更好。     

基于改进粒子群算法的PID参数优化与仿真

提出了一种基于改进的粒子群优化（PSO）算法的PID控制器参数整定方法。该方法采用了PSO的惯性权值自适应调整机制和粒子种群的动态更新策略,用以加速优化算法的收敛和维持群体的多样性。与常规的PSO算法相比,该方法简单易行,更容易找到全局最优解,优化效率和性能明显提高。将该算法应用非最小相位、一阶滞后等系统的PID控制器参数的优化,能够使控制系统获得较好的动态特性和很强的鲁棒性。仿真实验表明了所提出算法的有效性和优越性。     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

基于CAS理论的改进PSO算法

针对粒子群优化（PSO）算法易陷入局部最优,发生早熟这一问题,借鉴复杂适应系统（CAS）理论,将混沌和自适应引入到基本PSO中,形成一种双重自适应PSO算法（DAPSO）。该算法在初始化种群时,采用Logisitic方程产生混沌序列;在迭代过程中,通过非线性动态调整策略调整粒子个体学习因子和社会学习因子的大小,采用（0,1）随机均匀分布代替惯性权重递减的方法对[w]进行自适应取值来更新粒子的速度和位移,最终实现算法求解全局最优的目标。最后运用六个高维单模态和多模态Benchmark测试函数对该算法进行仿真,并与PSO,2PSO,KPSO算法进行对比。对比结果表明,该算法在求解全局最优解时,效果明显优于其他粒子群算法,在精确性和寻优效率上较其他算法表现尤为突出。     

采用动态分割种群策略的改进MBO

大红斑蝶优化算法（MBO）是最近提出的一种新的群智能优化算法。然而,该算法仍存在收敛速度较慢、易陷入局部最优的缺点。为克服MBO算法之不足,提出了一种改进的大红斑蝶优化算法（IMBO）。该算法采用将群体动态随机分割成两个子群体的策略,不同子群体中的大红斑蝶采用不同的搜索方法,以保持种群搜索的多样性。通过10个基准函数的仿真实验并与MBO算法以及标准PSO算法相比较,结果表明IMBO算法的全局搜索能力有了明显的提高,在函数优化中具有更好的收敛速度及稳定性。     

引入萤火虫行为和Levy飞行的粒子群优化算法

粒子群优化（PSO）算法具有易陷入局部最小值和全局搜索能力差的缺陷,对PSO算法的改进大多只是在某一方面利用单一搜索策略进行改进,针对这种改进策略不能全面优化PSO算法性能的问题,提出一种引入萤火虫行为和Levy飞行的粒子群优化（FBLFPSO）算法。根据改进的自调节步长的萤火虫搜索策略改善PSO的局部搜索能力,避免PSO陷入局部最小值;后期利用Levy飞行策略增强种群多样性,提高PSO全局搜索能力,跳出局部最优解。仿真实验结果表明,与现有相关算法相比,FBLFPSO的全局搜索能力和搜索精度都有较大提高。     

基于群体爬山策略的混合粒子群优化算法

针对粒子群优化算法（PSO）在求解高维复杂优化问题时存在搜索精度不高和易陷入局部最优解的缺陷,借鉴混合蛙跳算法（SFLA）的群体爬山思想,提出一种基于群体爬山策略的混合粒子群优化算法（CMCPSO）,并证明了CMCPSO算法的全局收敛性。对四个典型高维连续优化函数的求解表明,该算法不仅保持了PSO算法的快速收敛能力,而且吸收了SFLA算法局部精细搜索和保持种群多样性的优点,具有良好的全局收敛性。     

具有认知能力的捕鱼策略优化算法

针对捕鱼策略优化方法在处理复杂优化问题时易陷入局部极值,且后期收敛速度慢的缺陷,根据现实中渔夫的捕鱼习惯,将渔夫的认知能力应用到基本FSOA中,提出了一种改进的具有认知能力的捕鱼策略优化方法(CAFSOA)。该算法中的渔夫可根据其前期捕鱼经验和当前群体状况来判断何处鱼的浓度比较高。实验结果表明,该优化方法具有较快的收敛速度和较好的优化精度,能有效地避免早熟收敛问题。     

多策略融合的粒子群优化算法

受天体学和植物学启发,提出一种多策略融合的粒子群优化算法（MSPSO）,以改善粒子群优化算法（PSO）易陷入局部最优的不足。三黑洞系统捕获策略和多维随机干扰策略的引入,使算法增强全局开拓能力的同时兼顾局部搜索能力,并通过协调因子完成从全局寻优向局部搜索的转变,进而提高收敛速度。同时,早熟扰动策略的采用,使算法陷入局部最优的概率降低。采用9个测试函数,将该算法与其他5种算法进行性能对比。仿真结果表明,MSPSO算法具有在相同迭代下更好的寻优能力、在给定精度下更快的收敛速度等优势。     

基于个体状态的粒子群优化算法

针对标准粒子群算法的种群多样性丧失和算法早熟收敛问题,借鉴自然界中群居动物个体行为的独立性特征,提出粒子的个体状态概念,给出一种基于微粒个体状态和状态迁移的粒子群优化算法。对典型函数测试结果的比较表明,改进后算法的寻优能力明显高于标准粒子群算法。与其他改进算法相比,该算法的寻优能力也较强。     

基于微粒群算法的永磁同步发电机滑模控制

为了改善直驱永磁同步风力发电机控制系统的控制性能,设计了一种滑模控制器。运用Matlab/Simulink建立了直驱型永磁同步风力发电机的仿真模型。提出外环采用转速闭环控制控制策略,用于跟踪最佳转速,以实现风力发电系统的最大功率跟踪控制。针对转速闭环控制采用一种新型的趋近律设计了滑模控制器,并用微粒群优化算法对控制器参数进行寻优。所设计的控制器性能与比例积分（PI）控制器进行了对比,结果表明优化参数后的滑模控制器拥有更好的控制效果,同时也表明采用 PSO 算法进行控制器设计是有效、可行的。     

基于子区域的粒子群优化算法研究

针对粒子群优化(PSO)算法在寻优时容易陷入局部最优的不足,提出一种基于子区域的PSO算法。将搜索空间划分成若干个子区域,在各个子区域中均使用标准PSO算法进行寻优,通过比较各个子区域的全局最优解,从而得出整个搜索空间的全局最优。与标准PSO算法及自适应变异PSO算法的比较结果表明,该算法能降低在寻优过程中陷入局部最优的概率,具有较强的寻优能力。     

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法（PSO）和差分进化算法（DE）进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。     

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。     

一种混合优化算法面向高维函数优化的研究

基本粒子群算法（PSO）在面对高维多极值函数优化的问题时粒子容易快速集中到最优粒子附近，导致粒子运动能力丧失，种群陷入停滞，因此寻优效果并不理想。针对这种情况，通过引入人工鱼群算法（AFSA）中的聚群和觅食行为与粒子群算法相结合形成一种新的混合优化算法来解决这些问题。最终通过仿真实验证明该混合优化算法在面对高维函数的优化问题上具有优秀的寻优能力。     

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。     

改进VFPSO算法于WSN节点随机部署中的应用

无线传感器网络（Wireless Sensor Network,WSN）节点的随机部署一直是WSN覆盖的核心问题之一。尽可能提升WSN的覆盖质量对延长网络的生命周期起着重要的作用。虚拟力-粒子群优化（Virtual Force Particle Swarm Optimization,VFPSO）算法因虚拟力的引入使PSO算法的优化性能有所提升,但PSO算法的早熟问题仍未得到有效改善。在VFPSO算法的基础上提出了一种维度选择机制,主要目的在于改善VFPSO算法中后期的优化能力。仿真结果表明,将采用维度选择机制后的VFPSO算法应用于WSN的覆盖优化中,覆盖率较其他优化算法有3%~5%的提升。     

基于变惯性权重及动态邻域的改进PSO算法

分析并验证基于变惯性权重的粒子群优化(PSO)在粒子寻优过程中的有效性,论述类无标度网的特殊拓扑性质。将有向动态类无标度网作为粒子寻优邻域,提出一种基于变惯性权重及动态邻域的改进PSO算法。实验结果证明,与传统PSO算法相比,改进算法的寻优效果较好,可在一定程度上避免陷入局部最优。