多粒子群协同进化算法

针对遗传算法收敛速度慢且易于陷入局部最优,而微粒群算法存在早熟的现象,提出了一种多粒子群协同进化算法,在多个粒子群协同进化的同时,通过构建基因库,使较劣的粒子根据基因库进行遗传操作,用4个基准函数进行实验表明,算法MPSOE3性能明显优于基本PSO算法,最后对该算法进行了推广,给出了一种基于计算智能的多群协同进化模型。     

一种多尺度协同变异的粒子群优化算法

为了改善粒子群算法易早熟收敛、精度低等缺点,提出一种多尺度协同变异的粒子群优化算法,并证明了该算法以概率1收敛到全局最优解.算法采用多尺度高斯变异机制实现局部解逃逸.在算法初期阶段,利用大尺度变异及均匀变异算子实现全局最优解空间的快速定位;随着适应值的提升,变异尺度随之降低;最终在算法后期阶段,利用小尺度变异算子完成局部精确解空间的搜索.将算法应用6个典型复杂函数优化问题,并同其他带变异操作的PSO算法比较,结果表明,该算法在收敛速度及稳定性上有显著提高.     

一种多微粒群协同进化算法

受自然界共生现象的启发,将微粒群算法和协同进化相结合,提出了一种多微粒群协同进化算法。进化过程中,粒子不仅要与本子群的其他微粒交换信息,还要受其他子群体的影响。通过对三个标准函数优化的实验结果表明,此算法在一定程度上避免了陷入局部极值点并且提高了收敛精度。     

多策略协同进化粒子群优化算法

为了提高粒子群优化(PSO)算法的优化性能, 提出了一种多策略协同进化PSO(MSCPSO)算法。该方法引入了多策略进化模式和多子群协同进化机制, 将整个种群划分为多个子群, 每个子群中的粒子按照不同的进化策略产生新的粒子。子群周期性地更新共享信息, 以加快算法的收敛速度。通过六个基准函数实验, 仿真结果表明, 新算法在计算精度和收敛速度方面均优于其他七种PSO算法。     

新型多群体协同进化粒子群优化算法

在基本的MCPSO算法中除了主群与从群的信息交流,从群之间没有信息交流。为了解决这一问题,提出了一种具有中心交流机制的改进MCPSO算法,该策略可以实现各个从群之间的信息交流,从而加快算法收敛。仿真实验结果表明改进后的算法具有较好的求解精度和较快的收敛速度。     

一种新的分阶段进化的粒子群优化算法

针对粒子群优化算法在优化多极值点复杂问题时容易陷入局部极值的不足,提出一种新的分阶段进化的粒子群优化算法。该方法进化过程分为两个阶段,每个阶段对应一个不同的模型,通过结合这两种模型的各自优点有效地降低群体陷入局部最优。仿真实验结果表明,对于复杂多极值函数优化问题,本文算法比标准粒子群算法的寻优能力更强。     

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.     

协同进化策略的粒子群优化算法

为了进一步提高粒子群优化算法的寻优精度,并改善收敛速度慢的问题,本文基于传统的粒子群优化算法,借鉴协同进化的思想和共生机制,提出了将协同进化算法和粒子群算法相结合的算法模型(CEA-PSO)。群体内部采用精英保留策略保留精英个体,将个体的进化和群体之间发生信息交换,达到优势互补的效果。实验结果表明,协同进化策略的粒子群优化算法精度更高,优化性能更佳。     

多任务处理协同进化粒子群算法

粒子群算法及其改进算法专注于单任务的求解.随着电子商务的发展,在线服务器在某一时刻需要同时处理来自多个用户的服务请求,即多任务处理.区别于以往的并行计算机,文中充分挖掘粒子群算法的“隐并行性”,并引入协同进化机制,在同一搜索空间根据任务个数设置不同的子种群,各子种群以一定的概率相互传递有效信息,最后提出基于多任务处理协同进化粒子群算法(CPSOM),并将CPSOM应用于多任务连续型函数优化问题、多任务离散型属性选择问题以及多任务约束工程优化问题.仿真实验表明,在CPSOM多任务环境中,不同任务之间确实存在有效信息的传递,不同任务之间的相互协作不仅可以提高解的质量,而且可以加快各优化问题的收敛速度.     

新的进化计算算法——粒子群优化算法

Particle Swarm Optimization (PSO),rooting from simulation of swarm of bird, is a new branch of Evolution Algorithms based on Swarm Intelligence.Concept of PSO,which can be described with only several lines of codes,is more easily understood and realized than some other optimization algorithms.PSO has been successfully applied to much engineering.Firstly,this paper depicts natural explanation about PSO,secondly,introduces its basic theory and several development versions of PSO,and presents some applications of PSO.At last,a brief conclusion and further research direction are given.     

一种基于差异演化的协同粒子群优化算法

提出一种协同进化PSO算法,用于保持粒子种群的多样性并避免发生“早熟”的问题．该方法采用两个不同的分群;其中分群一的粒子采用标准PSO算法进行搜索寻优,分群二的粒子采用差异演化算法进行搜索和寻找最优解．在搜索过程中,如果标准PSO算法的适应度变化率低于一个阈值,则按照黄金分割率用分群二中的若干优势粒子取代分群一中的劣势粒子．用所提出的PSO算法和标准PSO算法对4种常用函数进行优化．结果表明,该粒子群优化算法比标准粒子群优化算法更容易找到最优解,而且优化效率和优化性能明显提高．     

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.     

粒子群优化算法的改进

针对粒子群优化算法搜索精度不高、对高维函数优化性能不佳的问题,提出一种改进的粒子群优化算法。以递增方式对粒子进行释放增强可利用的种群信息,通过释放粒子引导极值变化加强算法的运算效率。实验结果表明,与其他算法相比,改进算法具有更强的寻优能力和搜索精度,且适于高维复杂函数的优化。     

基于改进郭涛算法的CCEA函数优化问题

郭涛算法在求解函数优化问题方面具有独特的优势,其核心在于多父体杂交。鉴于郭涛算法只有杂交操作而没有变异操作,该文引入高斯正态分布变异算子,提高了对复杂问题的求解效率。分析合作式协同演化算法(CCEA),采用多种群相互作用协同进化的策略求解复杂问题。同时在合作式协同演化模型中引入了郭涛算法,求解复杂高维的函数优化问题。实验结果表明,该模型的效率优于其他模型。     

连续可微函数全局优化的混合遗传算法

通过在遗传算法（ＧＡ）中定义最速下降（ＳＤ）算子、适应度和结构，从而得到结构ＧＡ和ＳＤ法长处，既有较快收敛性，又能以较大概率求得连续可微函数全局极值的混合遗传算法。数值结果表明该方法优于ＧＡ和ＳＤ法。     

群体智能优化算法

群体智能优化算法利用群体的优势,在没有集中控制并且不提供全局模型的前提下,为寻找复杂的分布式问题的解决方案提供了基础。介绍了两种群体智能算法模型:蚁群算法模型和粒子群算法模型,研究了两种算法的原理机制、基本模型、流程实现、改进思想和方法;通过仿真把蚁群算法与其他启发式算法的计算结果作对比,验证了蚁群算法具有很强的发现较好解的能力,不容易陷入局部最优;微粒群算法保留了基于种群的、并行的全局搜索策略,采用简单的速度-位移模型操作,在实际应用中取得了较高的成功率。     

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。     

哈夫曼编码的协同粒子群优化算法

针对粒子群优化（PSO）算法在优化问题过程中易陷入局部最优的问题,提出一种基于哈夫曼编码的协同粒子群优化（HC PSO）算法。采用哈夫曼编码将种群划分成2个子种群并对2个子种群进行独立优化,同时,2子种群之间协同完成搜索种群的全局最优解。采用6个标准测试函数来测试算法性能。实验结果表明,该算法可以有效地避免种群陷入局部最优,具有较好的优化性能和稳定性,收敛精度得到了显著的提高。