混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能|采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.     

改进的协同粒子群优化算法

针对协同粒子群优化算法存在停滞,不能保证收敛到局部或全局最优值的问题,提出一种改进的协同粒子群优化算法(CCPSO-Hk),该算法将混沌理论引入协同粒子群算法(Chaos PSO)中,利用混沌运动的随机性、遍历性和规律性等改善了协同粒子群算法(Cooperate Particle Swarm Optimization)的性能.通过仿真验证算法的有效性.     

基于差分进化的量子粒子群优化算法的研究

为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE -QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE -QPSO、QPSO和 粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.     

按概率突跳的改进微粒群优化算法

在基本微粒群优化算法(PSO)的社会心理学分析基础之上,提出了一种改进的微粒群优化算法,该算法中引入了一个新的参数,改写了原算法中粒子飞翔的速度公式,使粒子飞行时以一定概率在解空间内改变飞翔的距离和方向———突跳。对5个标准测试函数的优化结果表明,合理地选取新参数的大小,新算法能大幅度降低达到最优值所需要的进化代数,同时提高算法的收敛率,尤其是对高维复杂函数的优化效果更明显。     

基于模拟退火的粒子群算法求解约束优化问题

针对复杂约束优化问题,提出一种基于模拟退火(SA)的粒子群(PSO)算法(SAPSO)。该算法使粒子的飞行无记忆性,结合模拟退火算法重新生成停止进化粒子的位置,增强了全局搜索能力。同时采用双群体搜索机制,一个群体保存具有可行解的粒子,用SAPSO算法使粒子逐步搜索到最优可行解;另一个群体保存具有不可行解的粒子,并且可行解群体以一定的概率接受具有不可行解的粒子,有效地维持了群体的多样性。仿真结果表明:该算法能够快速准确地找到位于约束边界上(或附近)的最优解,具有较好的稳定性。     

一种具有随机变异性质的粒子群协同优化算法

给出了一种具有随机变异特性的改进型粒子群协同优化算法,该算法克服了传统粒子群算法易陷入局部最优解且后续迭代过程速度慢的缺点.在迭代过程中,粒子的变异概率取决于粒子的适应度值以及当前所有粒子的聚集度.通过变异,粒子可有效地探索新的空间领域,从而可以有效地避免陷入局部最优解.Benchmark函数实验结果表明,优化后的粒子群算法比传统粒子群算法具有较快的收敛速度和较高的全局收敛能力.     

一种具有随机变异性质的粒子群协同优化算法

给出了一种具有随机变异特性的改进型粒子群协同优化算法，该算法克服了传统粒子群算法易陷入局部最优解且后续迭代过程速度慢的缺点．在迭代过程中，粒子的变异概率取决于粒子的适应度值以及当前所有粒子的聚集度．通过变异，粒子可有效地探索新的空间领域，从而可以有效地避免陷入局部最优解．Benchma呔函数实验结果表明，优化后的粒子群算法比传统粒子群算法具有较快的收敛速度和较高的全局收敛能力．     

无等待流水线调度问题的混合优化算法

针对无等待流水线调度问题提出了一种混合离散化粒子群优化算法。通过建立位置矢量编码与调度方案之间的映射关系将连续的粒子群优化算法应用于离散的无等待流水线工件调度问题。为了提高离散粒子群算法的性能,增强算法的探索能力,在粒子群每次迭代之后对全局最优解加入随机扰动并进行变邻域搜索。仿真结果表明,该优化算法具有良好的性能。     

一种新改进的粒子群优化算法

针对粒子群优化算法容易陷于局部最优的情况,将蚁群算法的信息素机制引入到粒子群算法中,保证了粒子间的多样性,从而有效克服了粒子群算法容易发生早熟停滞的缺陷。最后通过仿真实验证明了算法应用于软件测试的可行性和高效性。     

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.     

Power system stabilizer design using hybrid multi-objective particle swarm optimization with chaos

novel technique for the optimal tuning of power system stabilizer (PSS) was proposed, by integrating the modified particle swarm optimization (MPSO) with the chaos (MPSOC). Firstly, a modification in the particle swarm optimization (PSO) was made by introducing passive congregation (PC). It helps each swarm member in receiving a multitude of information from other members and thus decreases the possibility of a failed attempt at detection or a meaningless search. Secondly, the MPSO and chaos were hybridized (MPSOC) to improve the global searching capability and prevent the premature convergence due to local minima. The robustness of the proposed PSS tuning technique was verified on a multi-machine power system under different operating conditions. The performance of the proposed MPSOC was compared to the MPSO, PSO and GA through eigenvalue analysis, nonlinear time-domain simulation and statistical tests. Eigenvalue analysis shows acceptable damping of the low-frequency modes and time domain simulations also show that the oscillations of synchronous machines can be rapidly damped for power systems with the proposed PSSs. The results show that the presented algorithm has a faster convergence rate with higher degree of accuracy than the GA, PSO and MPSO.     

新型混合粒子群优化算法

针对粒子群算法易陷入局部极值、精度低等缺点,提出了一种基于模拟退火与混沌思想的新型粒子群优化算法(SA-CPSO).在该算法的初始阶段,对粒子位置进行混沌初始化,并引入模拟退火算法对每个粒子的适应度进行评价;在该算法运行过程中根据群体适应度方差对粒子群进行混沌更新;最后通过对几种经典函数的测试计算,结果表明,相对于标准粒子群算法,该新型混合算法提高了局部搜索能力和搜索精度,并有效避免了早熟现象的产生.     

一种基于协同进化方法的聚类集成算法

针对单一聚类算法存在的不能泛化的问题,将集成学习技术应用于聚类算法中,集成学习技术可以显著提高学习系统的泛化能力。提出了1种基于粒子群和遗传算法的协同进化聚类集成算法,粒子群算法保证算法快速收敛,遗传算法全局搜索扩大搜索范围,提高了聚类的性能和收敛速度。将本研究提出的算法在多个UCI数据集上进行试验验证,结果表明该算法是有效的。     

模拟退火粒子群算法在化工过程综合中的应用

将一种模拟退火粒子群算法应用于化工过程综合。由于粒子群算法后期进化速度变慢,并易陷入局部极值点,本研究将模拟退火思想应用到粒子群算法中,通过Me-tropolis准则提高粒子跳出局部极值的能力,并在降温过程中加快了算法后期的进化速度。模拟退火粒子群算法在换热器设计实例和反应器网络综合问题中的应用结果表明,该算法的性能较粒子群算法有了较大改善,同时也表明该算法用于求解化工过程综合问题是可行和有效的。     

An extended particle swarm optimization algorithm based on coarse-grained and fine-grained criteria and its application

In order to study the problem that particle swarm optimization （PSO） algorithm can easily trap into local mechanism when analyzing the high dimensional complex optimization problems, the optimization calculation using the information in the iterative process of more particles was analyzed and the optimal system of particle swarm algorithm was improved. The extended particle swarm optimization algorithm （EPSO） was proposed. The coarse-grained and fine-grained criteria that can control the selection were given to ensure the convergence of the algorithm. The two criteria considered the parameter selection mechanism under the situation of random probability. By adopting MATLAB7.1, the extended particle swarm optimization algorithm was demonstrated in the resource leveling of power project scheduling. EPSO was compared with genetic algorithm （GA） and common PSO, the result indicates that the variance of the objective function of resource leveling is decreased by 7.9%, 18.2%, respectively, certifying the effectiveness and stronger global convergence ability of the EPSO.     

基于量子粒子群算法的测试数据自动生成算法

本文针对现在流行的进化算法生成测试数据存在参数设置难、算法复杂度高、易陷入局部最优解等缺点,提出了一种应用于软件测试中的基于量子粒子群算法（QPSO）的测试数据自动生成算法。该算法是在粒子群（PSO）算法基础上引入量子理论的思想。解决了PSO算法搜索空间有限,容易陷入局部最优解的问题。通过具体实验证明,该方法是有效可行的,其效率也明显高于GA算法和PSO算法。     

基于粒子群优化的PID伺服控制器设计

针对耦合和非线性永磁同步电机（PMSM）控制器优化设计的难题,提出了基于粒子群优化（PSO）算法的比例、积分和微分(PID)控制器的优化设计方法.结合PSO的基本原理和PMSM伺服系统的控制策略,给出了优化PID控制器设计的步骤.考虑到综合评价系统的各项性能指标,在优化过程中引入了新的模糊汉明距离的评价策略.同时对遗传算法（GA）和PSO算法优化结果进行对比研究.仿真和实验结果表明,该方法能搜寻到最优或次最优的参数空间,并能取得比GA更好的空间解.优化得到的PID控制器速度响应快、超调量小,有效地提高了伺服系统的动态性能.     

改进粒子群算法及其在共形相控阵综合中的应用

在常规粒子群算法的基础上,通过引入新的速度更新算子、自适应边界控制算子和全局最优粒子扰动算子等操作,提出一种改进粒子群优化算法(IPSO); 并将该算法与简单二次插值算法相结合,克服了收敛速度慢,早熟及局部收敛等缺陷．进一步在对球面共形相控阵方向图综合时,引入了修正的波恩斯坦多项式以减少优化的变量,能够有效地加快算法的收敛速度．与常规粒子群算法和遗传算法的比较结果表明,该算法的局部搜索能力和全局搜索能力都有了很大程度的改善,从而证明了该方法在天线阵列综合中的有效性．     

基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.