一个约束离散优化问题的粒子群算法研究

针对一个离散变量齿轮系优化设计问题搜索空间大、可行域狭小的特点,基于粒子群算法提出了新的约束与离散变量处理策略。另外,修改粒子群算法的速度更新公式以减少算法参数数目。与有关文献相比,所采用的算法应用于该优化问题时,不但发现可行解的成功率高,而且获得了更好的“最优”可行解和平均结果。与此同时,该算法不要求对该问题进行任何转化,也不依赖于人机交互。结果表明,该算法简单、易行、有效,对于类似优化设计问题的求解很有参考价值。     

一种新型的粒子群算法

针对原始PSO算法存在的各种缺点,论文提出了一种新型的PSO算法。该算法在搜索的中期进行变异,并依据搜索开始后的收敛情况来决定首次变异的时机、依据每次变异后的收敛情况来决定下次变异的时机,以便最大限度地增加变异次数,并充分利用每次变异带来的避免局部最优、求得全局最优的机会,从而提高搜索成功的概率;在后期则在一定的循环次数内不变异,以确保搜索精度。每次变异只选择那些收敛程度相对比较大的维来进行,这样可以在不破坏粒子群的结构的情况下扩大搜索空间、提高收敛速度。通过对四个多峰的测试函数和一个问题空间为非凸集的实例所做的对比实验,表明改进的PSO算法增强了全局搜索能力,搜索成功率大为提高,克服了原始的PSO算法易于收敛到局部最优点的缺点。     

一种改进的二进制粒子群算法

为解决应用粒子群算法求解0-1整数规划问题,在Kenney和Eberhart的二进制粒子群算法(BPSO)的基础上提出一种改进的二进制粒子群算(IBPSO).该算法简化BPSO的概率计算模式,直接使用群体最佳值和个体最佳值决定粒子的当前取值概率,取消粒子当前值对下一步迭代的影响.在De Jong的测试集上,其结果要优于BPSO.在背包问题上的计算结果表明,与遗传算法相比,IBPSO具有更快的收敛速度.     

协调粒子群优化算法--HPSO

粒子群优化算法(PSO)是模拟生物群体智能的优化算法、具有良好优化性能。但是由于信息的单一传递,群体的迅速收缩和群体多样性降低,导致算法早熟收敛．该文采用多样性控制与交叉操作,使粒子群在细化搜索与扩展新区之间进行协调,提出了协调粒子群优化算法HPSO。实验结果表明：HPSO比PSO有更好的性能。     

Efficient Population Utilization Strategy for Particle Swarm Optimizer

The particle swarm optimizer (PSO) is a population-based optimization technique that can be applied to a wide range of problems. This paper presents a variation on the traditional PSO algorithm, called the efficient population utilization strategy for PSO (EPUS-PSO), adopting a population manager to significantly improve the efficiency of PSO. This is achieved by using variable particles in swarms to enhance the searching ability and drive particles more efficiently. Moreover, sharing principals are constructed to stop particles from falling into the local minimum and make the global optimal solution easier found by particles. Experiments were conducted on unimodal and multimodal test functions such as Quadric, Griewanks, Rastrigin, Ackley, and Weierstrass, with and without coordinate rotation. The results show good performance of the EPUS-PSO in solving most benchmark problems as compared to other recent variants of the PSO.      

粒子群优化算法模型分析

粒子群优化算法在优化问题中体现出良好的性能,但目前还没有对其运动特性,尤其是参数的选择与当粒子群体陷入局部极值点导致的早熟收敛情况的详细分析．分析了PSO算法中的三种粒子模型(Gbest,Pbest,Commom模型)的运动特性,给出了Gbest模型和Pbest 模型在没有新息获取时,单信息条件下的最大搜索空间．进一步证明了在减少了Lipschitz条件约束的条件下,Common模型渐进稳定的充分条件,将算法中惯量因子的取值范围扩大到 (-1,1),并从物理上进行了解释．     

基于粒子群优化算法的BP网络学习研究

文章提出了基于粒子群优化的BP网络学习算法。在该算法中,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点。并将该算法应用在了高速公路动态称重系统的设计中,实验证明:这种算法能够明显减少迭代次数、提高收敛精度,其泛化性能也优于传统BP算法。     

粒子群优化方法若干特性分析

粒子群优化算法(Particle swarm optimizer, PSO)是一种基于群体智能的优化方法. 本文提出了标准粒子群优化方法按迭代时间展开的一般性描述公式. 在此基础上分析了标准PSO的优化机理, 基于群体社会信息和自身历史经验的情况下,推导了粒子最大搜索空间的数学描述. 通过将粒子运动的一般性描述图解为历史状态加权和的形式, 进一步证明了PSO参数随迭代周期的积累, 在概率意义上的遗忘特性. 分析表明在经过一定周期的搜索后, 标准PSO方法同Barebones粒子群方法(Barebones particle swarm, BBPS)具有近似的搜索机制.从信息传递的角度, PSO的搜索策略是一种在概率意义上具有遗忘特性的历史信息加权求和的结果. 本文的研究结果对标准粒子群算法的一些重要性质(如:遗忘特性、标准PSO与BBPS间的相似性等)进行了合理解释.     

改进的速度变异粒子群算法

论文提出了一种新的PSO算法——改进的速度变异粒子群算法(iPSOVMO)。其变异策略是:在每次迭代循环中,对具有m个粒子的粒子群的每一维d上的速度的绝对值｜v1,d｜,｜v2,d｜,…,｜vm,d｜最小的速度vTd,d以一定的概率进行变异:使vTd,d随机而均匀地分布于[-vmax,vmax]上。对四个多峰的测试函数所做的对比实验表明,无论是全局版还是局部版,iPSOVMO都大大优于原始的PSO和传统变异PSO,也优于速度变异PSO(PSOVMO)。     

一种保证全局收敛的PSO算法

在对基本PSO算法分析的基础上,提出了一种能够保证以概率1收敛于全局最优解的PSO算法——随机PSO算法(stochastic PSO,SPSO),并利用Solis和Wets的研究结果对其全局收敛性进行了理论分析,给出了两种停止进化微粒的重新产生方法．最后以典型优化问题的实例仿真验证了SPSO算法的有效性．     

面向多模态函数优化的改进小生境粒子群算法

为了保持群体多样性以增强全局搜索能力,小生境技术在遗传算法中得到了广泛应用.针对多模态函数优化问题,将小生境技术引入到粒子群算法中,建立小生境熵作为群体多样性的量化指标,实时考查进化过程中群体的多样性并调整进化参数;结合数论中的佳点理论,提出一种在解空间使用佳点搜索的群体多样性发掘方法,使得进化过程中群体多样性水平始终保持在设定的阈值之上,从而改善算法的全局搜索能力以期跳出局部最优;在此基础上提出一种旨在找出全部全局最优解和局部最优解的新型串行多群体小生境粒子群算法.数值实验表明,改进的小生境粒子群算法在求解多模态函数优化问题时具有较好的自适应性和收敛性.将算法应用于图像配准实验中,使得配准参数估计误差有明显降低.     

融合随机逼近算法的粒子群优化算法

针对粒子群优化算法(PSO)在寻优进程中的缺陷,提出一种融合随机逼近算法的粒子群优化算法,该算法选择合适时机将随机逼近算法融入粒子群优化算法维持种群的多样性,并且在算法寻优进程中充分利用已有的计算资源提高算法寻优效率,最后通过典型标准函数数值实验表明,改进后的粒子群优化算法寻优速度快、精度高、具较好的稳定性。     

基于动态种群和广义学习的粒子群算法及应用

为了提升粒子跳出局部最优解的能力,本文提出一种动态种群和广义学习粒子群算法(DCPSO).在算法运行过程中,引入种群增加策略和减少策略以提升种群的多样性,进而提升粒子跳出局部最优解的能力;同时引入广义学习策略以增加粒子飞向全局最优位置的概率.在基准函数的测试中,结果显示DCPSO算法比其它PSO算法有更好的性能;在实际...     

A new Reinforcement Learning-based Memetic Particle Swarm Optimizer

Developing an effective memetic algorithm that integrates the Particle Swarm Optimization (PSO) algorithm and a local search method is a difficult task. The challenging issues include when the local search method should be called, the frequency of calling the local search method, as well as which particle should undergo the local search operations. Motivated by this challenge, we introduce a new Reinforcement Learning-based Memetic Particle Swarm Optimization (RLMPSO) model. Each particle is subject to five operations under the control of the Reinforcement Learning (RL) algorithm, i.e. exploration, convergence, high-jump, low-jump, and fine-tuning. These operations are executed by the particle according to the action generated by the RL algorithm. The proposed RLMPSO model is evaluated using four uni-modal and multi-modal benchmark problems, six composite benchmark problems, five shifted and rotated benchmark problems, as well as two benchmark application problems. The experimental results show that RLMPSO is useful, and it outperforms a number of state-of-the-art PSO-based algorithms.     

粒子群优化算法种群规模的选择

介绍了相关文献对粒子群优化算法种群规模的建议,分析了种群规模与问题维度、搜索速度、精度及稳定性之间的关系,提出了一种选择种群规模的更精确的方法。选用了2个经典测试函数分别在维度为20、60、100和200的情况下,对20、40、60、80共4种不同的种群规模进行了函数优化实验。对实验结果进行了分析,给出了种群规模的一个一般性的建议,并且提出了一种基于实验的,利用种群规模与精度、时间关系图来选择种群规模的方法。     

粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化(PSO)算法的一种改进算法:用于约束优化问题的启发式粒子群优化(HPSO)算法.针对HPSO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析.对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍.     

一种基于动态拓扑结构的PSO改进算法

该文提出了一种新颖的PSO改进算法-PSO-DT。该算法通过动态调整粒子群的拓扑结构,在算法前期弱化全局最优粒子的影响力,以最大化地扩展寻优范围;在算法后期则强化全局最优粒子的影响力,以加快算法收敛速度。此外,文章还在PSO-DT中引入变异算子,获得MPSO-DT,大大减少了算法时间。通过对6个基准函数的测试及与另一改进算法MPSO-TVAC的对比实验,证实了该改进方案是有效而实用的。     

粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化（PSO）算法的一种改进算法：用于约束优化问题的启发式粒子群优化（HPSO）算法。针对HP-SO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析。对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍。     

动态环境下一种改进的小生境粒子群算法

为了提高在动态环境下追踪变化的极点的可靠性和精确性的能力,避免算法收敛于一个最优解,提出了一种改进的小生境微粒群算法。使用DF1（Dynamic Function 1）生成的复杂动态环境对这种算法进行了验证,并与经典的APSO（Adaptive Particle Swarm Optimizer）算法进行了对比,实验结果表明了该算法的有效性。     

基于动态多种群的多目标粒子群算法

研究进化算法在求解多目标优化问题时,极易陷入到伪Pareto前沿(等价于单目标优化问题中的局部最优解),为了提高优化过程,提出一种基于动态多种群的多目标粒子群算法(DMSMOPSO).在DMSMOPSO算法中,为了增加种群的多样性,提升粒子跳出局部最优解的能力,采用多子群进行搜索并且子群是动态地进行构建;采用K-均值聚...