带可变随机函数和变异算子的粒子群优化算法

标准粒子群优化算法的收敛分析表明,改变随机函数、个体历史最优,群体全局最优,有助于提高该算法的性能。为此,本文提出了一种带可变随机函数和变异算子的粒子群优化算法,即通过改变速度更新方程中的随机函数分布来调节粒子在迭代过程中飞向个体历史最优和群体全局最优的比重,通过对个体历史最优和群体全局最优进行变异来增强种群的搜索能力。实验结果证实了该算法的有效性。     

带偏向性轮盘赌的多算子协同粒子群优化算法

针对粒子群优化算法在处理高维、大规模、多变量耦合、多模态、多极值属性优化问题时易早熟收敛等性能和技术瓶颈,基于粒子群优化算法行为学习算子和3种不同学习偏好的差分变异算子,建立带偏向性轮盘赌的多算子选择与融合机制,提出一种带偏向性轮盘赌的多算子协同粒子群优化算法MOCPSO.MOCPSO针对迭代粒子群榜样粒子集,首先通过对迭代种群及其榜样粒子集优劣分组,同时采用轮盘赌分别为每组榜样粒子集选配不同学习偏好的变异算子,并为每组榜样粒子适配差分基向量和最优基向量,预学习并优化迭代种群及其榜样粒子,以权衡算法的全局探索和局部开发;然后通过合并所有子种群,并结合粒子群优化算法行为学习算子,指导迭代种群状态更新,以提高算法的全局收敛性;最后结合精英学习策略,对群体历史最优进行高斯扰动,以提高算法的局部逃生能力,保障算法收敛的多样性.实验结果表明,MOCPSO算法与5种先进的同类型群智能算法在求解CEC2014基准测试问题上具备竞争力,且有更强的优化特性.     

基于差分进化的离散粒子群算法求解TSP问题

针对TSP问题,结合离散粒子群算法和差分进化算法各自的特点,提出了基于差分进化的离散粒子群算法。该算法先利用差分进化算法的变异、选择算子产生新的群体,再通过离散粒子群算法和交叉及选择算子进行局部搜索。通过对标准的30个城市进行实验,实验结果表明,该优化算法在求解TSP问题上有很好的性能。     

基于改进粒子群优化算法的PID控制器参数优化

针对PID控制器参数整定问题,提出一种基于改进粒子群优化算法的优化方法。该方法在实数编码及设定参数搜索空间的基础上,采用基于指数曲线的非线性惯性权值递减策略,以较大幅度地提高算法的收敛速度和精度;嵌入基于差分进化算法变异算子的局部搜索策略,以有效提高粒子个体的适应性和群体的多样性,改善解的质量,同时增强算法全局空间探索和局部区域改良能力的平衡。仿真结果表明,该方法与传统和智能算法相比较,所得到的控制器参数能够使控制系统获得更好的动态响应特性和满意的控制效果。     

基于克隆选择和粒子群思想的动态多群体优化算法

针对粒子群算法和克隆选择原理的特点,提出了基于克隆选择和粒子群思想的动态多群体优化算法.该算法将整个群体分为若干子群体,在子群体内部应用基本的粒子群算法,以子群体作为抗体设计了克隆、变异、选择和受体编辑算子.交异算子使子群体动态变化实现子群体闻相互交换信息,具有良好的全局搜索能力.实验结果表明,该算法具有寻优能力强、搜索精度高的优点,可用于工程问题中具有各种特性的复杂函数优化.     

广义粒子群优化模型

粒子群优化算法提出至今一直未能有效解决的离散及组合优化问题．针对这个问题,文中首先回顾了粒子群优化算法在整数规划问题的应用以及该算法的二进制离散优化模型,并分析了其缺陷．然后,基于传统算法的速度一位移更新操作,在分析粒子群优化机理的基础上提出了广义粒子群优化模型（GPSO）,使其适用于解决离散及组合优化问题．GPSO模型本质仍然符合粒子群优化机理,但是其粒子更新策略既可根据优化问题的特点设计,也可实现与已有方法的融合．该文以旅行商问题（TSP）为例,针对遗传算法（GA）解决该问题的成功经验,使用遗传操作作为GPSO模型中的更新算子,进一步提出基于遗传操作的粒子群优化模型,并以Inverover算子作为模型中具体的遗传操作设计了基于GPSO模型的TSP算法．与采用相同遗传操作的GA比较,基于GPSO模型的算法解的质量与收敛稳定性提高,同时计算费用显著降低．     

目(2055)基于聚类的多子群粒子群优化算法*

在粒子群优化算法基础上,提出了基于聚类的多子群粒子群优化算法。该算法在每次迭代过程中首先通过聚类方法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和“子群”中的最优粒子更新自己的速度和位置值。这种处理增加了粒子之间的信息交换,利用了更多粒子在迭代过程中的信息,使算法的收敛性能更好。仿真结果表明,该算法的性能优于粒子群优化算法。     

动态评价免疫微粒群算法在Job-shop调度中的应用

传统粒子群优化算法在解决组合优化问题上具有一定的局限性,通过分析其优化机理,对迭代公式加以改进,提出了改进微粒群算法。算法中,利用遗传算法的交叉思想来完成粒子间的信息交换,以期达到粒子更新。粒子进化过程中,为保留群体中的优秀粒子,使用了加速度这一优化算子。为避免粒子陷入局部搜索,迭代过程中使用免疫算法来动态评价微粒群体。通过大量实验仿真,算法可以有效求解作业车间调度问题,验证了算法的合理性。     

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。     

自适应免疫克隆粒子群算法的地震波阻抗反演

针对粒子群优化算法应用于地震波阻抗反演问题时易陷入局部极小值和计算量大的问题,提出一种自适应免疫克隆粒子群（AICPSO）算法。该算法引入免疫机制,根据个体浓度和适应值概率定义了个体置换算子,能够避免粒子群算法陷于局部极值。为避免由进化过程中大量相同抗体引起的算法退化现象,根据记忆库和抗体群不同的特性,采用自适应变异算子更新记忆库,而依据抗体浓度和亲和度更新下一代抗体群体。经数值模拟和实际波阻抗资料反演表明,该算法不依赖于初始模型,收敛速度快且结果可靠。免疫粒子群优化算法为解决地震波阻抗反演问题提供了一条可行途径。     

Bollinger bands approach on boosting ABC algorithm and its variants

In this study, a new algorithm that will improve the performance and the solution quality of the ABC (artificial bee colony) algorithm, a swarm intelligence based optimization algorithm is proposed. ABC updates one parameter of the individuals before the fitness evaluation. Bollinger bands is a powerful statistical indicator which is used to predict future stock price trends. By the proposed method an additional update equation for all ABC-based optimization algorithms is developed to speed up the convergence utilizing the statistical power of the Bollinger bands. The proposed algorithm was tested against classical ABC algorithm and recent ABC variants. The results of the proposed method show better performance in comparison with ABC-based algorithm with one parameter update in convergence speed and solution quality.     

群智能算法在气体源定位中的应用综述

近几年频繁发生的气体泄漏事件使得气体源定位成为了公共安全领域亟待解决的问题。气体源定位问题本质上可以转化为最优化问题,群智能算法作为一种高效的优化算法,为其提供了一个全新的解决方案。介绍了气体源定位问题的研究背景和研究现状;根据群智能算法在气体源定位中应用的研究思路和研究内容对具有代表性研究成果进行了分类综述和对比分析;对目前基于群智能算法的气体源定位研究中存在的问题和未来发展趋势进行了分析和展望,对气体源定位问题的进一步研究提供一定的参考作用。     

基于自适应惯性权重的樽海鞘群算法

针对标准樽海鞘群算法收敛精度低、收敛速度慢的问题,提出一种基于自适应惯性权重的樽海鞘群算法(AIWSSA).首先,在追随者位置更新公式中引入惯性权重因子评价个体之间的影响程度;然后,结合种群成功率与非线性递减函数对惯性权重因子进行自适应调整,使算法的全局和局部搜索能力得到更好地平衡;最后,为防止算法陷入局部最优,引入差分变异思想对非最优个体进行变异.对12个基准测试函数进行求解,实验结果表明:AIWSSA具有较高的收敛精度、收敛速度和鲁棒性; Wilcoxon统计检验结果表明:与标准樽海鞘群算法、改进的樽海鞘群算法、其他群体智能算法相比, AIWSSA表现出较好的性能.通过将其应用于两种带约束的工程设计问题,验证了AIWSSA的有效性.     

基于自适应t分布与动态权重的樽海鞘群算法

针对樽海鞘群算法寻优精度低、收敛速度慢和易陷入局部最优等缺点,提出一种基于自适应t分布与动态权重的樽海鞘群算法。首先,在领导者位置更新中引入蝴蝶优化算法中的全局搜索阶段公式,以此来增强全局探索能力;然后,在追随者位置更新中引入自适应动态权重因子来加强精英个体的引导作用,从而增强局部开发能力;最后,为了避免算法陷入局部最优,引入自适应t分布变异策略对最优个体进行变异。通过对12个基准测试函数进行求解,根据平均值、标准差、求解成功率、Wilcoxon检验和收敛曲线分析,表明所提出的算法要优于标准樽海鞘群算法,以及参与比较的其他改进樽海鞘群算法和其他群智能算法,说明了其在寻优精度和收敛速度方面都有显著提升,并且具备跳出局部最优的能力。通过将其应用在脱硝入口浓度最低点寻找上,验证了算法的有效性。     

基于衰减因子和动态学习的改进樽海鞘群算法

樽海鞘群算法是一种新型的群智能优化算法.与其他智能优化算法相比,樽海鞘群算法的优化求解策略仍有待改进,以进一步提高该算法的求解精度和寻优效率.本文提出一种基于衰减因子和动态学习的改进樽海鞘群算法,通过在领导者更新阶段添加衰减因子,提高算法的局部开发能力,在跟随者更新阶段引入动态学习策略,提高算法的全局搜索能力.本文对16个测试函数进行实验,将提出的改进算法与其他智能优化算法比较,实验结果表明,本文提出的改进算法在收敛精度和收敛速度方面有较大提升,具有良好的优化性能.     

基于Kalman滤波器原理的PSO算法

粒子群优化(PSO)算法是一种新兴的基于群智能方法的优化技术,该算法简单而且功能强大,但也存在易陷入局部极值的缺点。文章分析了PSO算法的特征,利用卡尔曼(Kalm an)滤波器原理对PSO算法作了改进,得到了一种新的改进粒子群优化KPSO(Kalm an PSO)算法。实验结果表明,KPSO算法取得了较好的应用,其收敛精度和速度都有了一定程度的提高。     

群体智能算法在图像分割中的应用综述

图像分割的通用方法一直是图像处理领域中的热点和难点。随着人工智能的兴起和发展,群体智能算法成为当下热点研究的方向,将图像分割技术结合群体智能算法成为一种新型有效的改进方法。群智能算法通过模拟自然界的事物或生物的行动规律,将传统的人工智能和群体生物结合,在解空间中搜索最优解,为解决复杂问题提供了新的解决思路。阐述群体智能算法的研究现状和发展过程,将早期的蚁群算法（Ant Colony Optimization,ACO）、经典的粒子群算法（Particle Swarm Optimization Algorithm,PSO）以及较新的麻雀搜索算法（Sparrow Search Algorithm,SSA）为例详细介绍其算法原理方法,并简要表述蝙蝠算法（Bat Algorithm,BA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、人工蜂群算法（Artificial Bee Colony Algorithm,ABC）、萤火虫算法（Firefly Algorithm,FA）、布谷鸟搜索法（Cuckoo Search,CS）、细菌觅食算法（Bacterial Foraging Optimization,BFO）和最新的蜉蝣算法（Mayfly Algorithm,MA）的原理,在此基础上,结合国内外文献对上述算法的改进方法和结合图像分割技术的综合改进及应用进行分析总结。将群体智能算法结合图像分割技术的代表性算法提取出来进行列表分析总结,随后概述总结群体智能算法的统一框架、共同特性、不同的差异并提出存在的问题,最后对未来趋势做出展望。     

基于HSDPA混合群集智能算法的多用户调度

传统的基于粒子群最优化的混合启发式算法和模拟退火算法往往以牺牲解的质量或者求解速度来实现有效的调度,为了解决这一问题,提出了一种基于高速下行分组接入（HSDPA）标准的混合群集智能算法。首先假定HSDPA标准所指定的是现实性不完善的信道状态信息（CSI）反馈,并以有限集合的形式存在于信道指示符（CQI）中;接着在最优化过程中,利用模拟退火算法和粒子群最优化算法各自的优点设计混合群集智能算法;最后利用混合算法进行数据处理,得到最优解的同时降低了复杂度,从而实现提升系统通量,达到调度最优化的目的。实验结果表明,与传统的基于粒子群最优化的算法相比,所提的混合算法取得了更好的调度效果。     

基于群体智能框架理念的遗传算法总体模式描述

在各类群体智能算法中，不同的智能体群往往具有不同的外在表现形式，但他们所表现出来的智能计算模式具有相对的统一性．为了验证这一理念并从宏观的视角来研究群体智能理论，对群体智能中各类智能计算模式进行总结提炼，提出了群体智能计算的一种内在统一的总体框架模型，并以遗传算法为例加以具体论述与验证，给出了基于群体智能框架理念的遗传算法总体模式描述．     

多子群协同进化的多目标微粒群优化算法

微粒群优化(PSO)算法是一种非常有竞争力的求解多目标优化问题的群智能算法,因其容易陷入局部极值,导致非劣解集的收敛性和正确性不理想。为此提出一种基于多目标分解进化策略的多子群协同进化的多目标微粒群优化算法(MOPSO_MC),算法中每个子群对应于一个多目标分解之后的子问题,并构造了一种新的速率更新策略,每个粒子跟踪自身历史最优值、子群最优值和子群邻域最优值,从而在增强算法的局部寻优能力的同时,也能从邻域子群获得进化信息,实现协同进化。最后通过仿真实验,与现在主流的多目标微粒群算法在ZDT基准测试函数上比较,验证了算法的收敛性,解分布的均匀性和正确性。