基于CPSO的二维Otsu图像分割法

二维Otsu方法同时考虑了图像的灰度信息和像素问的空间邻域信息,图像分割效果好但算法计算量较大。针对上述情况,提出一种基于混沌粒子群优化算法（CPSO）的策略,将其用于二维Otsu方法中,并与标准粒子群优化算法（SPSO）进行仿真实验对比。实验结果表明,该方法可以提高分割速度,克服SPSO的缺点,图像分割结果较理想。     

基于余弦函数改进的PSO算法及其仿真

粒子群算法具有简单、易于实现等优点在科学与工程领域得到了很好的验证,但是粒子群优化算法与其他进化算法一样存在容易陷入局部极小和早熟收敛等缺点。分析了其存在缺点的主要原因,并此基础上提出了一种改进的粒子群算法(CPSO)。利用余弦函数非线性改变惯性权重、对称改变学习因子进一步提高了粒子的学习能力,同时引入了细菌趋化操作用以维持种群多样性,使得CPSO算法性能在一定程度上优于标准粒子群(SPSO)算法。利用五个标准测试函数对三种算法的仿真结果进行可对比分析,分析结果表明：CPSO算法能在一定程度上跳出局部最优,有效地避免了SPSO算法早熟收敛问题,并具有较快的收敛速度。     

基于邻域混沌PSO算法的目标分配优化方法

针对基本粒子群算法在求解火力打击体系目标分配问题时易陷入局部极值、计算精度差的局限性,提出了一种基于混沌粒子群算法（ChaosParticleSwarmOptimization,CPSO）的目标分配优化方法。在综合考虑整体毁伤效能、打击匹配度和风险概率的基础上,分析了目标分配问题的数学模型,设计了相应的粒子编码方法、更新策略和有效性修订方法,提出一种在种群最优粒子邻域内进行混沌搜索的改进策略。仿真结果表明,所提CPSO算法的性能明显优于基本粒子群算法和变异粒子群算法。     

一种自适应指导的文化粒子群算法

针对文化粒子群算法中影响函数对群体空间的全局变异操作,易导致粒子群算法结构失效及不易收敛的缺点,将群体适应度方差引入到群体空间,提出一种自适应指导的文化粒子群算法。算法通过计算群体适应度方差判断群体空间状态,当算法陷入局部最优时,自适应地利用影响函数对群体空间进行变异更新,从而有效发挥了文化粒子群算法“双演化双促进”机制。将该算法与基本粒子群算法（PSO）、文化粒子群算法（CPSO）和自适应变异粒子群算法（AMPSO）进行比较,实验结果证明该算法不仅具有较好的全局收敛性,算法收敛速度和稳定性也都有显著提高。     

质心粒子群优化算法

为了加快粒子群算法收敛速度,提出了质心粒子群优化算法（CPSO）。算法通过计算种群所有个体最优记录所构成的一个群体的质心,对种群个体当前的最优记录和全局最优记录进行比较、替换或更新等操作,从而加快算法的收敛速度。仿真实验表明,在求解相同精度的情况下,质心粒子群优化算法的收敛速度优于线性递减惯性权重粒子群优化算法（LDWPSO）。     

基于邻域混沌 PSO 算法的目标分配优化方法

针对基本粒子群算法在求解火力打击体系目标分配问题时易陷入局部极值、计算精度差的局限性,提出了一种基于混沌粒子群算法(Chaos Particle Swarm Optimization, CPSO)的目标分配优化方法.在综合考虑整体毁伤效能、打击匹配度和风险概率的基础上,分析了目标分配问题的数学模型,设计了相应的粒子编码方法、更新策略和有效性修订方法,提出一种在种群最优粒子邻域内进行混沌搜索的改进策略.仿真结果表明,所提 CPSO 算法的性能明显优于基本粒子群算法和变异粒子群算法     

结合局部优化算法的改进粒子群算法研究

提出了结合局部优化算法的改进粒子群算法（Combination Particle Swarm Optimization,CPSO）,粒子群算法虽然通过群体规模来规避早熟,但缺乏局部快速搜索能力,因此将局部优化算法与改进粒子群算法相结合,并尝试不同的局部优化算法,例如牛顿法、最速下降法,通过典型函数优化实验表明,与其他改进粒子群算法相比,CPSO具有较强的寻优能力,鲁棒性和较快的收敛速度;实验也表明不同的局部优化算法在不同的特征函数上体现出不同的优势。     

一种催化粒子群算法及其性能分析

针对粒子群算法（PSO）在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种新颖的混合算法—催化粒子群算法（CPSO）。在CPSO优化过程中,种群中的粒子始终保持其个体历史最优值pbests。CPSO种群更新由改造PSO、横向交叉以及垂直交叉三个搜索算子交替进行,其中,每个算子产生的中庸解均通过贪婪思想产生占优解pbests,并作为下一个算子的父代种群。在CPSO中,纵横交叉算法（CSO）作为PSO的加速催化剂,一方面通过横向交叉改善PSO的全局收敛性能,另一方面通过纵向交叉维持种群的多样性。对6个典型benchmark函数的仿真结果表明,相比其它主流PSO变体,CPSO在全局收敛能力和收敛速率方面具有明显优势。     

基于混沌粒子群优化的支持向量机训练方法

为使粒子群优化算法初始粒子均匀分布在解空间,通过对混沌运动的遍历性和粒子群优化算法中惯性权重的分析,提出一种混沌粒子群算法。该算法对Circle模型进行改进,将其引入粒子群算法中,避免了粒子群算法陷入局部最优。给出应用混沌粒子群算法训练SVM的方法,并将其应用于人脸识别。仿真实验结果表明,改进的CPSO SVM方法比CPSO SVM和PSO SVM方法有更好的识别性能。     

基于元胞粒子群算法的数控切削参数优化

针对数控切削参数优化问题的非线性和多约束性质,采用一种元胞粒子群算法（CPSO）进行优化。在基本粒子群算法（PSO）思想的基础上,引入邻居的概念,以搜索解空间的局部信息,并将粒子的信息交流范围扩展到种群外部,从而能搜索到更有希望的解空间;在罚函数机制的基础上,引入标志变量记录粒子是否曾经满足过所有约束条件,根据标志变量进行粒子个体极值与种群全局极值的更新。通过比较CPSO算法与其他算法取得的结果,验证该算法解决数控切削参数优化问题的有效性和优越性。     

用带变异因子的QPSO算法解决Job-Shop调度问题

由于量子粒子群优化算法仍有可能会出现早熟现象,因此将变异机制引入量子粒子群优化算法以使算法跳出局部最优并增强其全局搜索能力,并将改进后的量子粒子群优化算法用于求解作业车间调度问题。仿真实例表明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法、粒子群优化算法和量子粒子群优化算法。     

云计算调度算法综述

对当前云计算的调度算法进行了综述;介绍和分析了在云计算调度算法领域里比较有代表性的两个基本的算法——遗传算法和粒子群优化算法;最后对今后的研究方向进行总结和展望。     

混沌映射的多种群量子粒子群优化算法

针对量子粒子群优化算法存在早熟收敛的问题,提出一种基于Logistics混沌映射变异的多种群量子粒子群优化算法（CMQPSO）,采用分段Logistics混沌映射生成初始粒子群,根据适应度值将群体分为顶层和底层种群。顶层出现聚集时才进行高斯扰动,底层种群则按概率通过Logistics混沌变异生成分布更为均匀的粒子,提高种群的多样性,从而较好地平衡了算法的局部和全局搜索能力。对测试函数的计算表明算法较QPSO等其他算法在搜索能力和收敛速度方面有明显改进。分析了算法重要参数停滞阈值[Cσ]和比例系数[S]对搜索性能的影响,给出合理的取值范围。     

随机装卸工问题的新型混合粒子群算法

提出随机装卸工问题并将其转化为确定性问题,给出了其求解策略。针对粒子群算法简便实用但易过早收敛的问题,提出了一种结合人工免疫算法的新型混合粒子群算法,将该算法运用于求解随机装卸工问题。数值算例的计算结果表明：与基本粒子群算法相比,改进的粒子群算法在求解随机装卸工问题上表现出的求解精度和速度都十分理想。     

PSO和AFSA混合优化算法

结合粒子群优化(PSO)算法和人工鱼群算法(AFSA)的优势,提出一种PSO-AFSA混合算法。将种群分为2个子群体,在每次迭代中,一个子群体利用PSO算法进化,另一个子群体利用AFSA进化,2个算法共享整个种群极值信息。通过混合算法对5个标准函数进行实验,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。     

基于PSO和变异模拟退火的QoS单播路由算法

为了研发更高性能的QoS单播路由算法,提出变异退火粒子群优化（MSAPSO）算法。MSAPSO算法中使用一种新的。算子,将粒子群优化（PSO）的迭代公式简化成一个公式。通过设计变异退火算子,将遗传算法的变异操作和模拟退火的Meuopofis概率接受准则融入PSO,以改善粒子群的多样性和算法的收敛性。仿真结果表明MSAPSO在搜索成功率和收敛性上优于纯PSO算法和蚁群算法。     

基于网格的混合微粒群算法解决任务调度问题

网格任务分配是一个NP难问题,结合微粒群优化（Particle Swarm Optimization,PSO）算法,和网格自身的特性,提出了基于网格的混合微粒群算法。算法对问题的解空间进行变换、重定义,使之更加符合PSO算法的求解环境,实现了网格资源的优化分配。与离散微粒群（DPSO）算法和遗传算法进行了仿真比较,结果表明,新的PSO算法具有较好的性能。     

基于多区域采样策略的混合粒子群优化求解多目标柔性作业车间调度问题

柔性作业车间调度问题（FJSP）是一类应用广泛的组合优化问题。针对多目标FJSP求解过程复杂、算法易陷入局部最优的问题,提出了一种基于多区域采样策略的混合粒子群优化算法（HPSO-MRS）,以同时优化最大完工时间和总机器延迟时间这两个目标。多区域采样策略能够区分粒子所在Pareto前沿面的位置,根据不同区域进行采样重组,并为采样后位于Pareto前沿面多个区域的粒子规划相应的运动方向,从而有针对性地调整粒子在多个方向上的收敛能力,并带来一定程度的均匀分布能力的提升。此外,编解码方面使用带插空机制的解码策略来消除可能存在的局部左移;粒子更新方面将传统粒子群优化（PSO）算法的粒子更新方式与遗传算法（GA）的交叉变异算子相结合,提升了算法搜索过程的多样性并避免算法陷入局部最优。把所提算法在Benchmark问题Mk01~Mk10上进行测试,与传统的HPSO、NSGA-Ⅱ、基于适应度分配策略的多目标进化算法（SPEA2）和基于分解的多目标进化算法（MOEA/D）进行算法效力和运行效率对比。显著性分析的实验结果表明,HPSO-MRS在收敛性评价指标HV和IGD上分别在85%和77.5%的对照组中显著优于对比算法,而该算法在35%的对照组中的分布性指标Spacing显著优于对比算法,且均不存在所提算法显著差于对比算法的情况。可见相较于对比算法,所提出的算法具备较好的收敛与分布性能。     

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。     

基于定期竞争学习的多目标粒子群优化算法

为提高种群的多样性和算法的收敛性，提出一种基于定期竞争学习机制的多目标粒子群算法。该算法将多目标粒子群算法和竞争学习机制相结合，即每隔一定迭代代数便使用一次竞争学习机制，很好地保持了种群的多样性；同时，该算法不需要全局最优粒子的外部存档，而是从当前代种群中选取一部分优秀的粒子，再从这些优秀的粒子中随机选取一个作为全局最优粒子，能够有效提升算法的收敛性。将提出的算法与基于分解的多目标粒子群算法（MPSOD）、基于竞争机制且快速收敛的多目标粒子群（CMOPSO）算法、参考向量引导的多目标进化算法（RVEA）等8个算法在21个标准测试函数上进行了比较，结果表明，所提算法的帕累托（Pareto）前沿更加均匀，在世代距离（IGD）上会更加小。