粒子群优化算法的改进与分析

介绍了基本粒子群优化算法及其原理,针对其易陷入局部极值和后期收敛速度慢的缺点,研究了基于惯性权重因子的改进粒子群优化算法。通过测试函数对固定惯性权重和时变惯性权重参数的选择进行了系统的实验,并且分析了种群规模与学习因子参数对粒子群算法优化性能的影响。     

一种新型的被动启发式粒子群优化算法

标准粒子群优化(SPSO)算法具有参数少、鲁棒性好、易于实现等优点,但同时也具有收敛慢、易于陷入局部极值点等缺点.在SPSO算法基础上,通过在其粒子速度更新公式的自我认知部分和社会经验部分引入惯性学习因子(ωc1,ωc2),提出一种新型的被动启发式粒子群优化算法(PHPSO).分别采用SPSO和PHPSO两种优化算法对测试函数进行求解,将这两种算法的优化过程进行比较分析,结果表明,与SPSO算法相比,该文提出的PHPSO算法收敛速度大幅提高,且更易得到全局最优解,收敛精度更高.     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。     

粒子群优化算法在ECG数据压缩中的应用

为了更好地恢复ECG数据压缩中的原始信号,采用粒子群优化算法来求解ECG数据压缩中的最小误差问题.粒子群优化算法是基于一群粒子的智能运动而产生的随机进化计算方法.首先介绍了粒子群算法的原理和流程,其次结合拉格朗日函数和编码模型得出适应度函数,并将这种方法应用于ECG数据的压缩上,最后给出了PSO算法在ECG数据压缩上的应用实例,通过与SPIHT算法比较,文中算法的误差和平均PRD值都比SPIHT算法小.验证了粒子群算法在ECG数据压缩求误差极小值上的有效性,表明该算法具有广泛的应用前景.     

粒子群优化算法惯性权重的一种动态调整策略

为了有效地调整粒子群优化算法的全局开拓和局部搜索能力,提出一种基于Logistic模型动态调整惯性权重的粒子群优化算法.该算法在初期保持较大的惯性权重,使其具有较大的全局开拓能力,在进化后期保持较小的惯性权重,有利于局部搜索,加速算法的收敛.通过标准测试函数的仿真实验表明：该调整策略优于线性递减的调整策略,且对于优化多峰值函数具有一定的优越性.     

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法.随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力.实验结果表明,改进后的算法在收敛速度以...     

一种改进的粒子群算法

针对粒子群算法搜索精度不高的问题,提出了一种改进的粒子群算法。该算法一方面通过跟踪个体极值、全局极值和周围极值来搜索解空间的最优值;另一方面通过引入3种非线性递减函数对惯性权重进行调整,仿真结果表明改进的粒子群算法具有更强的寻优能力及更高的搜索精度。     

基于改进粒子群算法的组合测试数据生成

针对传统粒子群优化算法生成测试数据容易产生早熟收敛而陷入局部最优的问题,提出一种基于改进粒子群算法的组合测试数据生成算法。该算法在粒子群算法的基础上引入一种惯性权重自适应调整策略,根据粒子的适应度不同采用不同的惯性权重,从而有效的平衡算法的全局和局部搜索能力,增加种群的多样性并提高算法的搜索效率。仿真实验表明该算法与传统粒子群算法相比,所需迭代次数减少,生成组合测试数据速度快。     

一种返巢模式下的粒子群优化策略

为进一步研究和优化粒子群算法,在采用非线性学习因子的同时,提出了一种新的牵引策略来共同优化粒子群算法(Particle Swarm Optimization Algorithm based on Homing HMPSO).该策略通过使粒子发生偏移于最优解的位移,增加粒子活性,从而提升算法后期的寻优能力.依实验需求将各基准函数进行调整变换并通过仿真实验进行寻优测试.结果表明,在算法后期的寻优能力有明显提升,且具有较好的鲁棒性.最后,估算出算法寻优结果精度高于指定阀值精度的概率区间,证明该策略具有良好可信度.     

Adaptive simulated annealing particle swarm optimization algorithm

Particle swarm optimization is widely used in various fields because of the few parameters to be set and the simple calculation structure.In order to improve the optimization speed and accuracy of the PSO,and to avoid falling into the local optimal solution,an adaptive simulated annealing PSO is proposed,which uses the hyperbolic tangent function to control the inertia weight factor for nonlinear adaptive changes,uses linear change strategies to control 2 learning factors,introduces the simulation annealing operation,set a temperature according to the initial state of the population,guide the population to accept the difference solution with a certain probability according to the Metropolis criterion,and ensure the ability to jump out of the local optimal solution.To verify the effect of the algorithm proposed in this paper,7 typical test functions and 5 algorithms proposed in the literature are selected for comparison and testing.According to the average value,standard deviation and number of iterations of the optimization results,the algorithm proposed in this paper has greatly improved the iteration accuracy,convergence speed and stability so as to overcome the shortcomings of particle swarm optimization.     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

水文模型参数优选的改进粒子群优化算法

针对标准粒子群算法的早熟收敛问题,提出了一个提高算法性能的改进途径,即引入动态改变惯性权重策略和混沌思想,在两个方面同时改进以提高粒子群算法的收敛速度和克服局部极值的能力.对两个函数进行寻优测试表明,改进后的粒子群算法收敛速度、精度以及全局搜索能力均优于标准粒子群算法.最后将提出的改进粒子群算法应用于新安江模型进行参数优选,应用结果表明,该算法具有较强的可行性与实用性.     

按概率突跳的改进微粒群优化算法

在基本微粒群优化算法(PSO)的社会心理学分析基础之上,提出了一种改进的微粒群优化算法,该算法中引入了一个新的参数,改写了原算法中粒子飞翔的速度公式,使粒子飞行时以一定概率在解空间内改变飞翔的距离和方向———突跳。对5个标准测试函数的优化结果表明,合理地选取新参数的大小,新算法能大幅度降低达到最优值所需要的进化代数,同时提高算法的收敛率,尤其是对高维复杂函数的优化效果更明显。     

Adaptive particle swarm optimization method with stagnancy information

To improve the performance of the particle swarm optimization algorithm, the optimal network of the particle age structure with stagnation information is designed, and the information about this network is used to adaptively change the three key parameters of the particle swarm optimization algorithm. At the same time, an adaptive particle swarm optimization method with stagnancy information is proposed and specific optimization steps of this method are given. Four classical low and high dimension benchmark test functions are used to validate the performance of the optimization method, and a comparison study is made with gravitational search algorithm and the traditional particle swarm optimization algorithm without stagnancy information. The comparison study shows that the search efficiency of the proposed method is 2 times higher than that of other methods in the literature in the case of low dimensional multimodal functions. When the dimension of functions is higher than 2, the search efficiency of the proposed method is almost the same as that of other methods, but with the better ability to achieve global solution and local solutions, and the higher solving precision.     

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

一种基于校正因子的自适应简化粒子群优化算法

针对已有粒子群算法中全局搜索和局部搜索存在盲目性和滞后性以及粒子的早熟收敛等问题,提出了一种基于校正因子的自适应简化粒子群优化算法。该算法在简化粒子群算法基础上,以粒子间平均粒距大小作为触发条件,对惯性权重、平均个体极值和全局极值进行自适应扰动。校正因子可以根据当前粒子群个体信息和全局信息自适应调整,从而完成对当前粒子状态及时准确的更新,最终使粒子可以准确而快速的找到全局最优解。对3种典型测试函数的测试结果表明该算法具有较高的全局和局部搜索能力、能够有效地避免算法陷入局部极值,是一种实用且高效的粒子群改进算法。     

群体组织启示下的粒子群算法改进

从社会学的视角分析粒子群的组织结构,试图通过增强群体组织管理来防止算法的早熟收敛．借鉴社会管理学中发挥个体能动性和规范成员行为并重的管理理念,构造基于团队式管理的粒子群算法．使用标准测试函数对该算法进行仿真实验,并用正交试验法进行了参数优化．实验结果表明,相对现有的一些改进方案,文中提出的改进算法简单易实现,在一些问题求解上表现出较好的寻优和收敛性能．     

约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.