基于动态维度交叉的粒子群高维函数优化

提出一种优化高维函数的改进粒子群算法.粒子群算法在高维函数优化方面精度比较低,种群容易陷入停滞,分析粒子群算法在针对高维函数方面难以优化的原因,提出一种基于动态维度交又的改进粒子群算法,通过对五个典型测试函数的仿真,说明该算法具有摆脱较快的收敛能力和较高的收敛精度.     

求解高维函数的改进萤火虫群优化算法

针对萤火虫群优化(GSO)算法求解高维函数时存在求解精度不高、收敛速度慢等缺点,提出了一种带变异算子和集群觅食行为算子的改进萤火虫群优化算法。该算法使用变异算子来指导离群萤火虫的进化方向,从而提高了离群个体的利用率,改善了算法的整体效率。集群觅食行为算子的加入能使算法对捕捉到的全局最优域进行更进一步的求精,极大地提高了算法的计算精度和收敛速度;同时,该算子有效地防止了算法陷入局部最优值的危险,扩大了算法在后期的全局搜索范围。通过8个典型的基准函数测试,结果表明：改进后萤火虫群优化算法具有更强的全局优化能力和更高的成功率。     

粒子群Memetic算法求解多峰函数优化

针对目前多峰函数优化问题较难找到全部局部最优解的情况,提出了一种粒子群Memetic算法。算法结合了粒子群优化的全局搜索能力和爬山法的局部搜索能力,增强了算法搜索最优解的能力。实验结果表明,该算法求解精度较高,且收敛速度较快。     

粒子群优化算法在函数均值求解中的应用研究

针对函数的均值计算在工程与理论分析上的重要作用,在对粒子群优化算法（PSO）的整体极值、局部极值的模型进行调整的基础上,提出利用粒子群算法求解函数均值问题。该算法以当前所有粒子的平均值作为整体均值,粒子当前的平均值作为该粒子的局部均值,使粒子朝着目标函数的均值靠近,从而达到求出函数在一个区间段上的均值。数值计算结果验证了算法的有效性,并将其用于计算定积分,获得满意的结果。     

求解大规模问题协同进化动态粒子群优化算法

随着工程技术的发展与优化问题数学模型的完善,许多优化问题从低维优化发展成高维的大规模复杂优化,成为实值优化领域的一个热点问题.通过对大规模问题的特点分析,提出了随机动态的协同进化策略,将其加入动态多种群粒子群优化算法中,实现了对种群粒子和决策变量的双重分组.最后使用CEC2013的大规模全局优化算法的测试集对新算法进行测试,通过和其它算法的对比,验证算法的有效性.     

动态扩散粒子群算法及其应用

针对粒子群算法搜索精度不高特别是对高维函数优化性能不佳问题,提出了一种动态扩散粒子群算法,并将其应用于移动机器人路径规划中。该算法通过引进动态调节数,动态地选择粒子的运行轨迹,阻止种群在演化过程中搜索效率降低的缺陷,提高算法的寻优性能。实验结果表明,该算法在处理高维函数优化及移动机器人路径规划方面具有更强的寻优能力及更高的搜索精度。     

动态粒子群优化算法

针对普通粒子群优化算法难以在动态环境下有效逼近最优位置的问题,提出一种动态粒子群优化算法。设置敏感粒子和响应阈值,当敏感粒子的适应度值变化超过响应阈值时,按一定比例重新初始化种群和粒子速度。设计双峰DF1动态模型,用于验证该算法的性能,仿真实验结果表明其动态极值跟踪能力较强。     

一种求解高维复杂函数优化问题的混合粒子群优化算法

对于高维复杂函数,传统的确定性算法易陷入局部最小,而单一的全局随机搜索算法收敛速度慢.本文通过将粒子群优化算法和单纯形法相结合,利用前者搜索速度快、搜索范围广和后者收敛速度快的特 性,提出一种快速、易实现的混合粒子群优化算法.基于典型高维复杂函数的仿真表明:该混合算法效率高、优化性能好、对初值具有很强的鲁棒性,其性能大大优于单一的优化方法.     

求解高维优化问题的ITCSO算法

为提高竞争群优化(competitive swarm optimization, CSO)算法求解高维优化问题的寻优效率,提出一种改进的3重竞争群优化(improved triple competitive swarm optimization, ITCSO)算法.首先,采用3重竞争机制提高算法的寻优效率,同时,获胜粒子较好的收敛基础可以提高失败粒子的个体认知,明确粒子更新方向以提高粒子探索能力;然后,提出优败粒子向获胜子群学习的策略,增强算法的社会认知能力,减少算法评估次数,从而提高算法全局搜索能力;最后,提出获胜子群自竞争和劣败粒子基于获胜者变异的操作,增强粒子局部开发能力,避免算法陷入局部最优.为验证所提出算法的可行性,通过计算系统状态转移矩阵特征值和使用极限分析方法,给出稳定性和收敛性理论证明.采用几种基准测试函数验证所提出算法求解高维问题时的性能,并与其他算法进行对比.实验结果表明,ITCSO算法不仅有较高的寻优效率,且全局搜索和局部开发能力突出,更适用于高维问题的求解.     

一种新的求解动态连续优化的分层粒子群算法

为了高效求解动态连续优化问题,提出一种分层粒子群优化算法。该算法将动态函数定义域分成Q个子空间,每个空间用一个粒子群作为第一层进行独立搜索,Q个子空间的最优粒子再组成一个全局粒子群进行全局搜索,以达到全局牵引的作用,同时提出探测环境和响应环境的策略。利用经典的动态函数对算法进行测试,结果表明所提出算法能够迅速适应环境变化和跟踪最优解的变化,效果令人满意。     

求解约束优化问题的动态邻域粒子群算法*

粒子群算法(PSO)求解约束优化问题存在较严重的早熟收敛现象,为了有效抑制早熟收敛,提出了基于改进的约束自适应方法的动态邻域粒子群算法(IPSO)。算法采用动态邻域策略提高算法的全局搜索能力,设计了一种改进的自适应约束处理方法,根据迭代代数线性增加搜索偏向系数,在早期偏向于搜索可行解,在后期偏向于搜索最优解,并引入序列二次规划增强算法的局部搜索能力。通过基准测试函数实验对比分析,表明该算法对于约束优化问题具有较好的全局收敛性。     

拟牛顿粒子群优化算法求解调度问题

针对资源受限的项目调度问题,将粒子群优化算法与拟牛顿优化算法相结合,提出了一种混合粒子群算法。本算法利用粒子群算法求得优化解,然后利用拟牛顿方法对所得到的解进行局部优化,以尽量达到或接近全局最优点。结果表明,本算法能够有效地求解大规模项目调度问题,具有较好的应用价值。     

动态评价粒子群优化及风电场微观选址

提出了动态评价方法处理一类约束优化问题.将目标函数值和约束违反量进行动态归一化处理,再进行加权求和,动态评价解的优化性能.不仅解决了惩罚因子确定困难的问题,而且增加了优化算法的多样性,提高了优化算法搜索全局最优解的能力.将动态评价方法引入粒子群算法,求解风电场微观选址优化问题.仿真结果表明,动态评价方法提高了风电场发电量和风能利用效率.此外,该方法可广泛应用于其他优化算法以求解约束优化问题.     

复形法粒子群优化算法研究

针对基本粒子群优化算法对复杂函数优化时难以获得最优解的缺陷,提出了一种复形粒子群优化算法。该算法采用复形法来提高粒子的局部搜索能力,从而保证了算法能够跳出局部最优,获得全局最优解。实验结果表明,与文献算法相比,该算法在基准函数优化时具有更强的寻优能力和更高的搜索精度。     

改进型粒子群算法及其在选址问题中的应用

为了解决基本粒子群算法不易跳出局部最优的问题,提出了一种协同粒子群优化算法。在算法中通过加入权值递减的惯性因子和变异算子以克服基本PSO易早熟、不易收敛以及缺乏多样性的不足。将算法应用于极小极大选址问题的实验结果表明,算法能够有效地求解极小极大选址问题,具有较好的应用价值。     

求解人力资源分配问题的多目标微粒群优化算法*

提出一种改进的多目标微粒群优化算法来求解人力资源分配问题.通过对种群进行正交初始化,保证了个体在整个可行解空间上的均匀分散,使得算法能够在整个可行解空间上进行均匀搜索;通过基于网格技术的外部存档非劣解删选策略,有效地保留了逼近Pareto前沿的非劣解;引入一种广义的学习策略来提升粒子向Pareto前沿收敛的概率.实验结...     

用于约束多目标优化问题的混合粒子群算法

针对约束多目标优化问题,结合Pareto支配思想、锦标赛选择和排挤距离技术,采用双种群搜索策略,引进免疫机制,对传统的粒子更新策略进行改进,提出一种用于求解约束多目标优化问题的混合粒子群算法。通过4个标准约束多目标函数进行测试,测试结果表明,该方法有效可行,相比传统多目标优化算法更优。     

Unified particle swarm delivers high efficiency to particle swarm optimization

This paper suggests integrating a unification factor into particle swarm optimization (PSO) to balance the effects of cognitive and social terms. The resultant unified particle swarm (UPS) moves particles toward the center of its personal best and the global best. This improves on PSO, which moves particles far beyond the center. Widely used benchmark functions and four types of experiments demonstrate that the proposed UPS uses slightly more computational time than PSO to attain significantly higher efficiency and, usually, better solution effectiveness and consistency than PSO. Robust performance was further demonstrated by the significantly higher efficiency and better solution effectiveness and stability achieved by the UPS, as compared to the PSO and its variants. Outstandingly, convergence speeds for the proposed UPS were very good on the 13 benchmark functions examined in experiment 1, demonstrating the correct movement of UPS particles toward convergence.