改进微粒群算法在光子晶体优化中的应用

针对标准微粒群算法无法合理控制全局搜索和局部开发之间的关系,容易出现早熟收敛和全局收敛放慢的现象,提出了一种基于吸引力排斥力平衡机制的改进微粒群算法.改进算法将优化过程分为三个阶段,设定了每个阶段的目标,以此为指导来分别调整引力斥力大小和极优值传播速度,有重点地进行全局搜索或局部开发,以达到提高优化效率的目的.采用四个典型测试函数对改进算法进行了测试,并将该算法应用在光子晶体带隙优化设计?实验结果表明,改进微粒群算法很好地避免了早熟收敛和全局收敛放慢的现象,相比标准算法具有较高的可靠性和稳定性,是一种高效的优化算法.     

一种基于栅格的动态粒子数微粒群算法

微粒群算法的全局搜索性能容易受到局部极值点的影响,对此,提出一种基于栅格的动态粒子数微粒群算法(GB-DPPPSO).通过设计栅格信息更新策略、粒子产生策略和粒子消灭策略,可以根据种群搜索情况动态控制粒子数变化,以保持种群多样性,提高全局搜索性能,通过对4个典型数学验证函数的仿真实验,表明了该算法相对于DPPPSO)在全局搜索成功率和搜索效率两方面均有明显改进.     

一种新型的多种群微粒群算法

针对微粒群算法容易出现早熟问题,提出一种动态种群与子群混合的微粒群算法（SPSDPSO）。该算法在微粒群搜索停滞时对微粒进行分群,在子群内部通过微粒随机初始化以及个体替代策略提高优化性能,在子群进化一定代数后重新混合为一个种群继续优化,种群进化与子群进化交替进行直至满足算法终止条件。SPSDPSO的种群与子群混合进化策略增强了群体多样性,并且使得子群体之间能够进行充分的信息交流。收敛性分析表明,SPSDPSO以概率1收敛到全局最优解。函数测试结果表明,新算法的全局收敛性能有了显著提高。     

多阶段多模型的改进微粒群优化算法

针对微粒群优化算法在解决复杂优化问题时易于出现早熟收敛现象,提出了一种多阶段多模型的改进微粒群优化算法。考虑寻优不同阶段的开发与探测能力需求的差异,算法将寻优过程分成3个阶段,各阶段采用不同的模型进行进化。第一阶段利用标准微粒群优化算法发现局部极值的邻域;第二阶段利用Cognition Only模型快速找到局部极值点,提高寻优效率;第三阶段,提出了一种改进的进化模型,利于粒子快速跳出局部极值点,寻找到全局最优点。4种复杂测试函数的实验结果表明：该算法比标准微粒群优化算法（PSO）和基于不同进化模型的两群优化算法（TSE-PSO）更容易找到全局最优解,相比两群微粒群优化算法,还能在一定程度上提高优化效率。     

基于部分微粒更新改进的具有非线性动态惯性因子的微粒群新算法

微粒群算法是基于群体智能的全局优化算法,在许多领域得到广泛的应用.该算法具有简单易于实现的优点,但是容易陷入局部极值尤其是采用动态惯性因子.采用动态惯性因子有利于提高微粒群算法的收敛速度,但降低了其全局搜索能力.针对具有惯性因子微粒群算法在进化过程中微粒群多样性减弱容易陷入局部最优值的问题,以非线性动态惯性因子的微粒群算法为基础,提出1种基于部分微粒更新的微粒群算法,以提高微粒群的多样性,进而提高了算法的全局搜索能力.新算法利用Sphere、Rastrigin、Rosenbrock、Schaffer、Freudenstein-Roth、Goldstern-Price 6个经典测试函数进行测试,并与基本微粒群算法和具有线性动态惯性因子微粒群算法比较.通过模拟优化比较,新算法寻优效率高、全局性能好、优化结果稳定,新算法能有效提高微粒群的多样性,具有较好的收敛性能和全局优化能力,尤其适合多峰函数的优化.     

基于混沌微粒群优化算法的阈值图像分割

混沌微粒群优化算法利用了粒子群优化算法收敛速度快和混沌运动所具有的随机性、遍历性和初值敏感性,将混沌状态引入到优化变量中,把混沌的遍历范围映射到优化变量的取值范围.在算法执行过程中对优秀个体混沌扰动,有利于跳出局部极值点,搜索到全局最优解.分别用微粒群优化算法和混沌微粒群优化算法求解函数优化问题,对算法的性能进行检验,检验结果显示:混沌微粒群优化算法搜索全局最优解的成功率和收敛速度都要优于微粒群优化算法.将混沌微粒群优化算法与阈值法相结合,在算法初始化阶段对粒子位置混沌初始化;在算法运行期间对优秀个体进行混沌扰动避免落入局部最优,较好地解决了传统的多阈值图像分割方法中运算量大的问题.实验结果表明,混沌微粒群优化算法用于阈值寻优减少了搜索时间,提高了收敛率.     

一种嵌入局部混沌搜索的混合微粒群优化算法

该文研究了基于种群演化的微粒群优化算法,针对此算法在迭代的过程中陷入局部极小点而产生群体演化停滞的现象,提出了一种嵌入局部混沌搜索的混合微粒群优化算法。此混合方法利用混沌迭代的遍历性来增强算法的局部精确搜索能力从而达到全局搜索性能和局部搜索性能的平衡,使群体快速脱离停滞状态。实验结果表明,相比于其他演化搜索算法如标准微粒群算法,标准遗传算法和改进微粒群算法,嵌入局部混沌搜索的混合微粒群算法在收敛性和鲁棒性方面得到了较大的改善,很大程度上避免了演化停滞现象的发生,是一种高效的搜索方法。     

基于动态参数的人工搜索群算法

人工搜索群算法(Artificial search swarm algorithm,ASSA)是受人类士兵通过信息交流完成目标搜索行为及过程启发而设计的一种仿生智能算法.针对基本人工搜索群算法中固定参数可能导致算法过早陷入局部最优解的缺陷,提出一种动态参数改进人工搜索群算法(Improved artificial search swarm algorithm,IASSA).通过引入全局权重系数改善侦查行为中搜索群的历史经验位置,从而加强全局最优个体对整个种群的引导作用;利用动态协同参数提高士兵协同行为的搜索概率,以加强种群之间局部信息交流;采用动态步长策略提高算法的收敛速度和收敛精度;为了检验改进算法的优化性能,采用15个测试函数进行仿真实验.实验结果表明,所提出的改进算法可有效避免早熟现象,在收敛速度和收敛精度上较基本人工搜索群算法和若干同类优化算法有显著提高.     

一种基于栅格的动态粒子数微粒群算法

微粒群算法的全局搜索性能容易受到局部极值点的影响.对此,提出一种基于栅格的动态粒子数微粒群算法(GB-DPPPSO).通过设计栅格信息更新策略,粒子产生策略和粒子消灭策略,可以根据种群搜索情况动态控制粒子数变化,以保持种群多样性,提高全局搜索性能.通过对4个典型数学验证函数的仿真实验,表明了该算法相对于DPPPSO在全局搜索成功率和搜索效率两方面均有明显改进.

     

自适应双群微粒群优化算法

针对微粒群优化算法PSO（Particle Swarm Optimization Algorithm）容易陷入局部最优点的缺陷,提出一种自适应双群微粒群优化算法（ATS-PSO）。该算法将种群分成两个子群,分别采用全局版本和局部版本两种不同的搜索策略,共同更新种群的历史最优解,并且在算法迭代期间根据群体适应值方差自适应调整两个子群的规模和结构。为了分析算法的性能,对几种典型的非线性函数进行了测试。结果表明,新算法的全局收敛能力有了明显改善,而且能有效缓解早熟收敛问题。     

基于混沌序列的粒子群优化算法

提出一种改进粒子群局部搜索能力的优化算法,对于陷入局部极小点的情性粒子,引入混沌序列重新初始化,在迭代中产生局部最优解的邻域点,帮助情性粒子逃商束缚并快速搜寻到最优解．对经典函数的测试计算表明。改进的混合算法通过微粒自适应更新机制确保了全局搜索性能和局部搜索性能的动态平衡,而且保持了PSO计算简洁的特点,在收敛速度和精度上均优于普通的PSO算法.     

加权微粒群算法在模型配准中的应用

微粒群算法目前已经在很多领域得到了广泛的应用。根据微粒群算法收敛较快的权值范围,建立加权函数,将其运用到速度进化过程中,并在进化过程中分群优化,使得改进的微粒群算法在迭代初期具有较好的全局收敛能力,在迭代后期具有较好的局部收敛能力,从而可以实现维护全局和局部搜索能力的平衡。将该算法运用于散乱点云与三维CAD模型的配准问题中,并与基本微粒群算法进行对比,具有更好的配准结果,迭代收敛更快。     

多样性反馈与控制的粒子群优化算法

针对粒子群优化(PSO)算法的早熟收敛问题,提出了一种多样性反馈与控制的粒子群优化 (DFCPSO)算法。该算法在搜索过程中根据多样性反馈信息,动态调整算法参数,改善了搜索次数在多样性曲线上的分布情况。当多样性或群体适应度方差下降到给定的阈值时,通过基于最优点排斥的初始化操作,高效率发散,使粒子飞离聚集区域,重新开始搜索,从而使种群多样性保持在合理范围内,避免了早熟收敛现象。对多个标准测试函数的实验结果表明,与当前多样性控制的粒子群优化(DCPSO)算法相比,DFCPSO算法在复杂优化问题和多模态优化问题中具有更强的全局搜索能力。     

一种最大最小萤光素值人工萤火虫算法*

针对基本人工萤火虫算法存在着易陷入局部极小和进化后期收敛速度慢等缺点,提出了一种最大最小萤光素值人工萤火虫算法。该算法在萤光素值更新过程中,对荧光素的变化范围加以限定,给出最大最小萤光素值范围,从而避免算法陷入局部最优。通过八个典型函数测试,实验结果表明所提出的算法具有较强的全局搜索能力,且能有效地避免早熟现象,从而提高了人工萤火虫算法整体性能。     

一种优化高维复杂函数的PSO算法

对于高维复杂函数,一般粒子群优化算法收敛速度慢,易早熟收敛。本文重构一个适合高维复杂函数惯性权重函数,使粒子群算法寻优过程中的全局收搜能力和局部收搜能力良好平衡,以达到快速收敛,高效避免早熟问题,获得最优解。对典型高维复杂函数的仿真表明：算法在求解质量和求解速度两方面都得到了好的结果。     

基于云模型的自适应量子粒子群算法

利用云模型理论能兼顾随机性和模糊性的特质, 提出一种基于云模型的自适应量子粒子群优化算法。首先分析量子粒子群算法的控制机制, 在此基础上, 使用云算子实现对每个粒子的吸收扩张因子自适应控制, 达到在进化过程中对粒子飞行位置动态调整的目的, 使算法具有较快的收敛速度和较强的全局搜索能力。同时, 补充针对性的优化方案, 有效避免算法陷入局部最优。对典型测试函数的仿真对比实验表明, 该算法具有寻优能力强、搜索精度高、稳定度好等优点, 相比其它同类算法具有一定优势。     

一种改进的简化粒子群优化算法

针对粒子群优化算法(PSO)容易陷入局部极值、进化后期收敛速度慢和精度低等缺点,提出了一种改进的简化粒子群优化算法(YSPSO)。该算法采用黄金分割法平衡惯性与经验之间的相互影响;同时,为避免错过全局最优值,增加反向随机惯性权重,使粒子在一定程度上具有反向搜索的能力。最后,对几个经典基准测试函数进行实验,结果表明,YSPSO算法在提高算法收敛速度和精度的同时,降低了陷入局部极值的可能性,提高了PSO算法的实用性。     

具有群活性感知的自适应微粒群算法

算法结构和对信息的利用能力是影响算法性能的重要因素.标准微粒群算法简洁易用,然而在其寻优过程中,每个粒子仅仅向自身历史最优经验和种群历史最优经验学习,未能有效利用寻优过程中其他粒子的经验和状态信息;另外,单纯的基于二阶差分方程的迭代寻优方式在算法结构上增大了算法陷入局部最优的概率.为了从算法结构上减少微粒群算法早熟收敛和陷入局部最优的情况,本文提出了一种具有群活性感知的自适应微粒群算法:通过引入群活性对当前的寻优状态进行描述,然后根据群活性自适应地改变粒子的拓扑结构和搜索模式,在一定程度上增强了微粒群算法的全局收敛能力.基准函数测试结果证明了本算法的有效性和特点.     

改进的粒子群算法在烧结配料中的应用

为提高计算机烧结配料的自适应性和通用性,提出了基于改进粒子群算法优化求解的方法。该方法采用柯西分布函数演化而来的调整函数,根据迭代次数惯性权重动态调整,对粒子群算法的全局和局部搜索能力进行平衡调整,使算法初期有较快的收敛速度,后期又保持较高的寻优精度,从而提高了粒子群算法的全局和局部搜索能力。仿真结果表明,所提出的改进粒子群算法收敛速度快、精度高、具有较强的全局寻优能力,能有效降低钢铁企业烧结成本,为实际工程应用提供了一个新思路。