粒距反馈的S函数粒子群权值调整策略

针对标准粒子群优化（PSO）算法把惯性权值作为全局参数,很难适应复杂的非线性优化的问题,提出了一种基于粒距和S型函数的粒子群权值调整策略（SFIW）。利用S型函数能够在非线性和线性之间平滑过渡的特性,构造了基于Logistic方程的惯性权值函数。在优化过程中根据每个粒子的粒距大小,调整每个粒子的惯性权值函数的非线性系数,使得粒距较大的粒子获得较大的惯性权值、粒距较小的粒子获得较小的惯性权值,从而平衡算法的局部开发和全局探测能力。最后,通过对基准函数的仿真并与其他PSO算法比较,验证了算法的有效性和可行性。     

一种动态改变权值的简化粒子群算法

基本粒子群优化算法(bPSO)具有容易陷入局部极值、进化后期收敛速度慢、精度低等缺陷,而舍弃了速度项的简化粒子群算法(sPSO)在保证了收敛速度和精度的同时使算法更加简练.文中提出了一种动态改变权值的简化粒子群算法.并经实验证明,该算法在搜优精度和收敛速度上具有明显的优势.     

混沌惯性权值调整策略的粒子群优化算法

粒子群优化算法是一种新颖的智能优化算法。惯性权值对粒子群优化算法的性能有着重要的影响。在分析已有的惯性权值调整策略的基础上,提出了混沌惯性权值调整策略,该策略将惯性权值用一个混沌变量来描述。标准测试函数实验表明,在不影响优化结果精度的情况下,混沌惯性权值调整策略的粒子群优化算法收敛速度较已有方法有了明显的提高。     

基于动态调整简化粒子群优化的组合测试用例生成方法

优化的组合测试中的一个关键是生成的测试用例能够覆盖更多的组合,而粒子群算法在生成强组合覆盖用例方面有其独特的优势和能力。文中提出了一种基于动态调整简化粒子群优化的组合测试用例生成方法。该方法基于粒子群算法生成测试用例,结合混合的优先级one-test-at-a-time策略和基于动态调整的简化粒子群算法生成组合测试用例集,排除了速度因素对粒子优化过程的影响。定义了一个粒子收敛指标,以粒子群早熟收敛程度为依据来动态调整惯性权值,以防止粒子陷入局部最优和后期出现收敛速度慢的情况,从而提高粒子群算法所生成的覆盖表的覆盖组合能力。通过对比实验表明,基于动态调整的简化粒子群优化算法在用例规模和时间成本上具有一定的优势。     

粒子群优化算法中的惯性权值非线性调整策略

为提升粒子群优化算法的性能,提出基于正弦曲线、正切曲线和对数曲线的非线性惯性权值调整策略。采用镜像策略对越界粒子进行处理,利用标准测试函数测试这些策略对算法的影响。实验结果表明,对于连续函数优化问题,正弦曲线和对数曲线策略优于传统的线性调整策略,而传统的线性调整策略又优于正切曲线策略。     

粒子群优化算法中惯性权值调整的一种新策略

惯性权值的设置对粒子群优化（PSO）算法的性能起着关键作用,现有的基于惯性权值的改进算法提高了算法的性能,但都把惯性权值作为全局参数,很难控制算法的搜索能力。本文在充分分析惯性权值的关键作用基础上给出一种新的惯性权值调整策略及其相应的粒子群优化算法,使用不同的惯性权值更新同一代种群。测试结果表明,新算法提高了算算法的性能,并具有更快的收敛速度和跳出局部最优的能力。     

一种改进线性惯权的粒子群算法

粒子群算法是一类智能优化搜索算法,该算法初期收敛很快,但后期易陷入局部最优点。为了提高粒子群算法的性能,提出一种改进线性惯权粒子群算法。该算法中惯性权值采用线性递减线性递增策略,其增减受粒子群的聚集度影响。对两个典型的测试函数进行仿真表明,该算法的搜索效率和精度优于一般的粒子群算法和惯性权值线性递减粒子群算法,同时具有较好的收敛稳定性。     

一种改进粒子群优化算法

为了提高粒子群优化算法的性能,提出了一种惯性权值调整的改进粒子群优化算法,该算法的惯性权值满足不同。粒子对全局和局部搜索能力的不同需求,每次迭代后根据适应度值对惯性权值做相应的调整。对4个典型的测试函数进行仿真表明,该算法比标准粒子群优化算法有更好的收敛性和更快的收敛速度,改善了优化性能。     

一种改进粒子群优化算法

为了提高粒子群优化算法的性能,提出了一种惯性权值调整的改进粒子群优化算法,该算法的惯性权值满足不同粒子对全局和局部搜索能力的不同需求,每次迭代后根据适应度值对惯性权值做相应的调整.对4个典型的测试函数进行仿真表明,该算法比标准粒子群优化算法有更好的收敛性和更快的收敛速度,改善了优化性能.     

基于多样性反馈的粒子群优化算法

利用粒子群多样性的反馈信息,给出带有粒子群多样性测度反馈控制的新惯性权值动态自适应调节方法,有效地维持进化初期的种群多样性,降低粒子群优化算法在进化初期发生早熟的风险,提高最优化解的精度,减小种群规模对优化精度的影响。几个典型函数的仿真结果以及与2种典型的惯性权值调节粒子群算法的比较结果表明了算法的有效性。     

粒子群优化算法中惯性权重的研究进展

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。惯性权重是粒子群算法中非常重要的参数,可以用来控制算法的开发和探索能力。简单介绍了标准粒子群优化算法的基本原理,全面综述了现有文献中对惯性权重的研究进展情况。     

基于质心和自适应指数惯性权重改进的粒子群算法

针对粒子群优化(PSO)算法易出现早熟收敛及寻优精度低等问题,为提高粒子群优化算法寻优能力,提出了一种基于质心和自适应指数惯性权重改进的粒子群优化算法(CEPSO)。首先,使用各粒子的适应度计算权重系数;然后,分别使用各粒子当前位置和迄今为止最优位置构造了加权的种群质心和最优个体质心,使用平均粒距来度量群体状态,并依据群体状态设计了分段指数惯性权重;最后,结合使用分段指数惯性权重和双质心调整了粒子速度更新公式。仿真结果表明,CEPSO能增强寻优能力,并具有较强的稳定性。     

复合策略惯性权重的粒子群优化算法

针对粒子群优化算法中典型线性递减策略的惯性权重不能和运算过程中非线性变化的特点相匹配的问题,提出一种用典型线性递减策略和动态变化策略相结合的方法来确定惯性权重的粒子群优化算法(L-DPSO)。该算法充分利用了线性递减策略的线性和动态变化策略的非线性特点,对两种策略赋予了相应的权重。然后将L-DPSO算法和单独使用典型线性递减策略来确定惯性权重的粒子群优化算法(LPSO)及单独使用动态变化策略来确定惯性权重的粒子群优化算法(DPSO)进行比较,用Griewank和Rastrigin函数进行测试,结果表明,适当调整典型线性递减策略和动态变化策略的权重,L-DPSO算法的收敛速度明显优于LPSO和DPSO算法,收敛精度也有所提高。最后,对L-DPSO算法和几种常用的惯性权重计算方法确定的粒子群优化算法作比较,用Griewank和Rastrigin函数进行测试,结果表明L-DPSO算法也有明显优势。     

惯性权值对粒子群算法收敛性的影响及改进

研究惯性权值对粒子群算法(PSO)收敛性的影响,在分析线性权值递减策略基础上,提出一种基于各粒子适应值的递减策略——FDIW。标准测试函数对比实验表明,该策略可以使粒子在搜索初期获得更好的多样性,从而使粒子具有更强的摆脱局部极值的能力,在搜索末期可以加快粒子收敛速度以提高PSO算法的性能。     

基于Sigmoid惯性权值的自适应粒子群优化算法

针对粒子群优化算法存在的缺点,提出了基于Sigmoid惯性权值的自适应粒子群优化算法。一方面,引入粒子群早熟收敛的计算公式,以指导算法在进化过程中的具体执行策略,有效避免计算的盲目性,加快算法的收敛速度;另一方面,通过设定粒子群聚集程度的判定阈值,以使算法在线性递减惯性权值和基于Sigmoid函数思想的非线性递减惯性权值之间进行自适应地动态调整,从而有效减少了算法陷入局部最优的可能。测试函数仿真结果表明了该算法的可行性和有效性。     

基于禁忌搜索的动态粒子群算法

惯性权重线性递减的线性群粒子算法往往不能反映实际的优化搜索过程。动态粒子群算法虽然能较好地实现非线性的搜索,但是更容易陷入局部最优。提出了基于禁忌搜索的动态粒子群算法,引入了禁忌搜索的思想,来解决动态粒子群算法的容易陷入局部最优问题;并对禁忌公式进行了修改,使其不仅可以解决极小值最优问题,也可以解决极大值最优问题。根据实验结果,改进的算法不仅较好地避免了陷入局部最优,而且收敛速度也有提高。     

基于受控混沌映射的简化粒子群优化算法

为了克服粒子群算法早熟收敛和收敛精度不高的缺陷,提出了基于受控混沌映射的简化粒子群优化算法。该算法在采用去除了速度项的简化粒子群算法结构基础上,用受控混沌变量来描述惯性权值,并且对进化停滞的个体和全局极值进行变异操作。数值实验结果表明,新算法在收敛速度和收敛精度方面较已有方法有了明显提高,具有更强的摆脱局部极值的能力。     

一种混沌惯性权重的简化粒子群算法

惯性权值作为粒子群算法的一个全局参数,能够方便地控制算法的搜索能力和收敛速度,在算法运行过程中具有重要的作用。在分析惯性权值的作用基础上提出了一种混沌惯性权重的简化粒子群优化算法,利用混沌序列的内在随机性、遍历性和规则性,提高算法的寻优能力。测试结果表明,新算法具有更快的收敛速度和更强的全局寻优能力。