基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。     

基于群能量恒定的粒子群优化算法

针对标准粒子群优化(PSO)算法在寻优过程中容易出现早熟的情况,提出一种群能量恒定的粒子群优化(SEC-PSO)算法.算法根据粒子内能进行动态分群,对较优群体采取引入最差粒子的速度更新策略,对较差群体采取带有惩罚机制的速度更新策略,由其分担由于较优群体速度降低而产生的整群能量损失,从而有效地避免了PSO算法的早熟.典型优化问题的仿真结果表明,该算法具有较强的全局搜索能力和较快的收敛速度,优化性能得到显著的提高.     

基于觅食算子的粒子群优化算法

针对粒子群优化算法PSO（Particle Swarm Optimization）容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点,把人工鱼群算法中的觅食算子改进后引入到基本PSO算法中,提出了一种具有觅食算子的PSO算法。算法在每次迭代后,对全局最优结果执行小规模觅食算法进行局部寻优,并用优化结果代替全局最优结果,从而防止PSO算法陷入局部极小,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度。仿真结果表明,该算法的优化性能优于基本PSO算法。     

粒子群优化算法研究综述

粒子群优化算法是一类基于群体智能的启发式全局优化技术,群体中的每一个微粒代表待解决问题的一个候选解,算法通过粒子间信息素的交互作用发现复杂搜索空间中的最优区域。本文介绍了粒子群优化算法的基本原理．给出了多种改进形式以及研究现状,并提出了未来可能的研究方向。     

带变异算子的粒子群优化算法

针对PSO算法存在易陷入局部最优点的缺点,该文提出了带变异算子的PSO算法。在算法搜索的后期引入变异算子,使算法摆脱后期易于陷入局部极优点的束缚,同时又保持前期搜索速度快的特性。通过对三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,搜索成功率得到大大提高,克服了基本PSO易于收敛到局部最优点的缺点。     

基于混合粒子群优化算法的聚类分析

针对模糊C-均值聚类算法易陷入局部最优和算法收敛速度慢等问题,提出了一种新的基于混合粒子群优化的模糊C-均值聚类算法.新算法在基本粒子群优化的模糊C-均值聚类算法的基础上结合了遗传算法的交叉、变异算子及混沌优化算法,并引入逃逸算子.仿真结果表明,该算法有效地避免了通常聚类方法易出现的早熟现象,同时也具有较快的收敛速度和较高的准确度.     

基于粒子群优化算法的滤波器优化

给出一种基于粒子群优化算法（PSO）的模拟滤波器优化设计方法。传统的模拟滤波器的精度与效率均较差,引入PSO算法可对滤波器参数进行寻优。将滤波器的设计问题转化为滤波器参数的优化问题,然后利用粒子群优化算法对整个参数空间进行高效搜索以获得最优解;通过变异、重新随机化及采用自适应的惯性权重,提高了算法的搜索效率及收敛性。实例计算表明了算法在该类问题中的有效性和可行性。     

基于周期性演化策略的粒子群优化算法

针对标准粒子群优化算法(PSO)在寻优过程中容易出现早熟的问题,提出一种基于周期性演化策略的粒子群优化算法.该策略通过在速度更新方程中构建基于粒子群能量的粒子群最优值扰动项,使得粒子群能量在演化过程中可以周期性变化.相比标准PSO算法,当粒子群能量较大时,能够增强局部搜索能力;当粒子群能量较小时,能够增强全局搜索能力.典型优化问题的仿真结果表明,所提出的算法与线性下降惯性权重粒子群优化(LWPSO)和PSO算法相比,优化性能得到了显著提高.     

基于群体适应度方差的粒子群优化算法

由于粒子群算法在进化后期存在搜索速度较慢,容易陷入局部最优点以及搜索到解的时间较长且精度不高的缺点,所以对算法进行改进的研究就成为一个必要的课题.通过利用混沌的遍历性和随机性的特点,引入基于Tent映射的混沌理论机制,使算法在进化后期一旦陷入局部最优点就可以跳出局部最优点的位置,并且通过群体适应度方差的计算来判断当前群体的离散程度或聚集程度,进而判断是否需要以一定的概率选择微粒个体去进行混沌更新.几个测试函数的仿真实验结果也表明了该算法在搜索时间上、解的精度上都要远远优于标准的粒子群算法,是一种可行的优化工具,有一定的应用前景.     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

集成学习在粒子群优化算法改进中的应用研究

集成学习通过结合多个学习者可以获得更好的结果。从三个方面,即从粒子级和维度级上进行集成,全过程或阶段性使用集成以及在单种群或多子种群中应用集成,研究了集成学习用于改进粒子群优化（PSO）算法的方式。通过三个典型函数优化问题的实验结果表明,与标准PSO和一些改进方法相比,集成学习可以改进PSO算法性能。     

多核环境下并行粒子群算法

针对串行粒子群算法在解决大任务耗时过长的问题,提出一种共享并行粒子群(Shared-PSO)算法。充分利用多核处理能力缩短问题处理运行时间,设置共享区和采取粒子随机替换策略有效促进粒子信息的交流,其算法流程具有较好的通用性,允许利用多种串行粒子群算法完成粒子信息更新工作。在标准优化测试集CEC 2014上的实验结果显示新算法的执行时间是串行算法的1/4。新算法能够有效地改善串行粒子群的执行效率,扩展粒子群算法的应用范围。     

Scale-free fully informed particle swarm optimization algorithm

This paper proposes a novel PSO algorithm, referred to as SFIPSO (Scale-free fully informed particle swarm optimization). In the proposed algorithm a modified Barabási-Albert (BA) model [4] is used as a self-organizing construction mechanism, in order to adaptively generate the population topology exhibiting scale-free property. The swarm population is divided into two subpopulations: the active particles and the inactive particles. The former fly around the solution space to find the global optima; whereas the latter are iteratively activated by the active particles via attaching to them, according to their own degrees, fitness values, and spatial positions. Therefore, the topology will be gradually generated as the construction process and the optimization process progress synchronously. Moreover, the cognitive effect and the social effect on the variance of a particle’s velocity vector are distributed by its “contextual fitness” value, and the social effect is further distributed via a time-varying weighted fully informed mechanism that originated from [27]. It is proved by the results of comparative experiments carried out on eight benchmark test functions that the scale-free population topology construction mechanism and the weighted fully informed learning strategy can provide the swarm population with stronger diversity during the convergent process. As a result, SFIPSO obtained success rate of 100% on all of the eight test functions. Furthermore, SFIPSO also yielded good-quality solutions, especially on multimodal test functions. We further test the network properties of the generated population topology. The results prove that (1) the degree distribution of the topology follows power-law, therefore exhibits scale-free property, and (2) the topology exhibits “disassortative mixing” property, which can be interpreted as an important condition for the reinforcement of population diversity.     

含交叉项的混合二范数粒子群优化算法

针对原始粒子群优化算法（PSO）在搜索过程中容易陷入局部最优点的问题,并尽量避免破坏种群多样性,提出一种含交叉项的混合二范数粒子群优化算法HTPSO。首先,利用二范数原理计算当前粒子与个体历史最优粒子间的欧氏距离;其次,将欧氏距离引入速度迭代公式以影响社交项对粒子速度的作用,并按照一定规律随机分布惯性权重;最后,在此基础上简化粒子群算法,并将差分进化（DE）算法中的交叉算子融入该算法中,使粒子能在一定概率下与个体历史最优粒子交叉。为了验证HTPSO的性能,与利用正弦函数改进惯性权重的粒子群优化算法（SinPSO）、自适应粒子群优化算法（SelPSO）、基于自适应惯性权重的均值粒子群优化算法（MAWPSO）和简化粒子群优化算法（SPSO）在不同维度下解决8个常用基准函数,并根据T-test、成功率和平均迭代次数分析了各算法的优化结果。实验结果表明,HTPSO具有较优秀的收敛能力,且粒子运动非常灵活。     

基于群算法的过程参量聚类研究

针对复杂过程的参量聚类问题,提出一种基于粒子群优化算法的聚类方法,阐述了聚类算法的基本思路。通过对过程煅烧温度和煅烧转速二维数据的聚类仿真研究,证明该算法在类似过程参量聚类中的实用性能。对粒子群优化算法的聚类特性及参数设置进行了详细的分析,并将其与前期人工免疫聚类结果进行对比,提出了算法的改进方案。     

一种求解多峰函数优化问题的量子行为粒子群算法

介绍了一种利用量子行为粒子群算法（QPSO）求解多峰函数优化问题的方法。为此,在QPSO中引进一种物种形成策略,该方法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索,从而保证每个峰值都有同等机会被找到,因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明,基于物种形成的QPSO算法可以尽可能多地找到峰值点,峰值收敛性能优于PSO。     

基于粒子群优化的不均衡数据学习

为了提高重采样算法在不均衡数据学习的性能,提出一种基于粒子群优化的不均衡数据学习方法。通过粒子群优化,以不均衡数据分类评价准则作为目标函数,来优化重采样算法中最佳的采样率,同时对特征进行选择,从而达到最佳的数据分布。该算法在大量UCI数据集上进行了测试,与其他不均衡学习算法进行比较,结果表明该算法具有更高的分类性能; 并验证了同时优化采样率和特征集合,可有效地改进不均衡数据分类效果。     

基于二次搜索的改进粒子群算法

针对标准粒子群优化（PSO）算法在求解复杂优化问题中出现的早熟收敛问题,提出一种结合梯度下降法的二次搜索粒子群算法。首先,当全局极值超过预设的最大不变迭代次数时,判断全局极值点处于极值陷阱中;然后,采用梯度下降法进行二次搜索,并以最优极值点为中心、某一具体半径设定禁忌区域,防止粒子重复搜索该区域;最后,依据种群多样性准则生成新粒子,替代被淘汰的粒子。将二次搜索粒子群算法及其他四种典型的改进粒子群算法分别应用于四种典型测试函数的优化,仿真结果表明,二次搜索粒子群算法收敛精度最高提升了10个数量级,并且收敛速度较快更容易寻找全局最优解。     

动态环境下基于粒子群算法的多用户检测器

在动态环境下,在线用户数和用户的参数都是随时间变化的。研究表明,在动态环境下首先识别在线用户,然后进行多用户检测,会极大地提高多用户检测器的性能和节省资源。基于随机集理论（Random Set Theory,RST）理论,应用一种群智能算法——粒子群算法（Particle Swarm Optimization,PSO）提出了动态环境下的多用户检测器。仿真结果表明该检测器收敛速度快、适应性较强,有效地解决了动态环境下多用户检测。     

量子粒子群优化算法在训练支持向量机中的应用

训练支持向量机的本质问题就是求解二次规划问题，但对大规模的训练样本来说，求解二次规划问题困难很大。遗传算法和粒子群算法等智能搜索技术可以在较少的时间开销内给出问题的近似解。量子粒子群优化（QPSO）算法是在经典的微粒群算法的基础上所提出的一种有较高收敛性和稳定性的进化算法。将操作简单而收敛快速的QPSO算法运用于训练支持向量机，优化求解二次规划问题．为解决大规模的二次规划问题开辟了一条新的途径。