基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

基于改进BBO算法的分数阶PID控制器设计

针对分数阶PID(Fractional-Order Proportional-Integral-Derivative,FOPID)控制器参数整定,提出了一种改进生物地理学优化(Biogeography-Based Optimization,BBO)算法。该算法改进点主要包括:迁移操作中保留精英个体;变异操作中引入差分进化(Dtferential Evolution,ED)算法的变异策略;消除重复样本。仿真结果表明:在分数阶PID控制器参数整定中,与原始的BBO算法、遗传算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization,PSO)比较,提出的改进BBO算法具有超调量小、误差小,收敛更快的特点。     

免疫粒子群算法的改进及应用

在现有的免疫粒子群算法基础上,增加了交叉和高频变异操作,以保证种群进化的多样性,克服粒子群算法的早熟现象。本算法通过柯西变异提高算法的全局搜索能力;通过高斯变异提高算法的局部搜索能力。此外,为解决随机的、没有指导的交叉变异操作可能引起的退化现象,引入了疫苗提取和疫苗接种策略。仿真结果表明算法的收敛速度和精度都有明显提高。     

基于进化停滞周期的局部变异PSO算法及其收敛性分析

为了克服粒子群优化算法容易陷入局部最优而发生早熟收敛的问题,提出一种基于进化停滞周期的局部变异粒于群优化算法.算法引入进化停滞周期和近期全局最优位置的概念,使粒子的飞行受近期全局最优位置影响,并在种群进化停滞时对随机选中的局部粒子执行变异操作,增加种群多样性,扩大搜索范围,提高求解质量.算法用种群进化停滞周期代替多样性度量,避免了多样性计算引起的高计算复杂度.对于几个常用基准函数的仿真结果验证了算法的合理性和有效性.     

一种新的混合智能极限学习机

提出一种基于差分进化(DE)和粒子群优化(PSO)的混合智能方法—–DEPSO算法,并通过对10个典型函数进行测试,表明DEPSO算法具有良好的寻优性能。针对单隐层前向神经网络(SLFNs)提出一种改进的学习算法—–DEPSO-ELM算法,即应用DEPSO算法优化SLFNs的隐层节点参数,采用极限学习算法(ELM)求取SLFNs的输出权值。将DEPSO-ELM算法应用于6个典型真实数据集的回归计算,并与DE-ELM、SaE-ELM算法相比,获得了更精确的计算结果。最后,将DEPSO-ELM算法应用于数控机床热误差的建模预测,获得了良好的预测效果。     

一种基于粒子群算法求解约束优化问题的混合算法

通过将粒子群算法(PSO)与差别进化算法(DE)相结合，提出一种混合算法PSODE，用于求解约束优化问题．PSODE是在PSO算法中适当引入不可行解，将粒子群拉向约束边界，加强对约束边界的搜索，同时与DE算法结合以加强搜索能力．基于典型高维复杂函数的仿真表明，该算法简单高效，鲁棒性强．     

分阶段二次变异的多目标混沌差分进化算法

提出一种结合分阶段二次变异和混沌理论的改进差分进化(DE)算法,以解决多目标约束优化问题.其核心思想是,在DE进化前期采用基于非支配解的随机二次变异来提高算法的全局寻优能力,进化后期采用基于非支配解的混沌二次变异来提高DE的局部寻优能力.通过对典型测试问题的仿真实验验证了所提出的算法能在全局搜索性能与局部搜索性能之间维持较好平衡,而且保持了DE算法的简洁性能,其收敛性、分布度和均衡性均优于标准DE.     

Tent 混沌人工蜂群与粒子群混合算法

针对人工蜂群和粒子群算法的优势与缺陷,提出一种Tent混沌人工蜂群粒子群混合算法.首先利用Tent混沌反向学习策略初始化种群;然后划分双子群,利用Tent混沌人工蜂群算法和粒子群算法协同进化;最后应用重组算子选择最优个体作为跟随蜂的邻域蜜源和粒子群的全局极值.仿真结果表明,该算法不仅能有效避免早熟收敛,而且能有效跳出局部极值,与其他最新人工蜂群和粒子群算法相比具有较强的全局搜索能力和局部搜索能力.     

一种基于改进PSO的K—means优化聚类算法

针对传统的K—means算法对初始聚类中心的选取敏感、容易收敛到局部最优的缺点,提出一种基于改进粒子群优化算法（PSO）的K—means优化聚类算法。该算法利用PSO算法强大的全局搜索能力对初始聚类中心的选取进行优化：通过动态调整惯性权重等参数增强PSO算法的性能;利用群体适应度方差决定算法中前部分PSO算法和后部分K—means算法的转换时机;设置变量实时监控各个粒子和粒子群的最优值变化情况,及时地对出现早熟收敛的粒子进行变异操作,从而为K—means算法搜索到全局最优的初始聚类中心,使聚类结果不受初始聚类中心影响,易于获得全局最优解。实验结果表明文中提出的改进算法与传统聚类算法相比具有更高的聚类正确率、更好的聚类质量及全局搜索能力。     

A differential evolution algorithm with intersect mutation operator

This paper proposes a novel differential evolution (DE) algorithm with intersect mutation operation called intersect mutation differential evolution (IMDE) algorithm. Instead of focusing on setting proper parameters, in IMDE algorithm, all individuals are divided into the better part and the worse part according to their fitness. And then, the novel mutation and crossover operations have been developed to generate the new individuals. Finally, a set of famous benchmark functions have been used to test and evaluate the performance of the proposed IMDE. The experimental results show that the proposed algorithm is better than, or at least comparable to the self-adaptive DE (JDE), which is proven to be better than the standard DE algorithm. In further study, the IMDE algorithm has also been compared with several improved Particle Swarm Optimization (PSO) algorithms, Artificial Bee Colony (ABC) algorithm and Bee Swarm Optimization (BSO) algorithm. And the IMDE algorithm outperforms these algorithms.     

带审敛因子的变邻域粒子群算法

针对基本粒子群算法在求解高维空间中的复杂多峰函数时容易发生早熟收敛而陷入局部最优的问题,汲取变邻域搜索算法全局搜索的优势,提出了带审敛因子的变邻域粒子群算法.首先由基本粒子群的快速搜索能力得到较优的群体;然后通过审敛因子判断发生早熟收敛的粒子,并利用变邻域搜索算法的全局搜索能力对陷入早熟收敛的粒子进行优化,从而得到全局最优.相关实验表明,带审敛因子的粒子群算法的性能较常规粒子群算法更加优越.     

基于粒子群的最大相关最小冗余混合式特征选择方法

在分析粒子群优化(PSO)算法和简化PSO算法的基础上,提出一种基于PSO的最大相关最小冗余的Filter-Wrapper混合式特征选择方法.Filter模型是基于互信息和特征的相关冗余综合测度,Wrapper模型是基于改进的简化粒子群算法.在PSO搜索过程中,引入相关冗余度量标准来选择特征子集,将Filter融合在Wrapper中,利用Filter的高效率和Wrapper的高精度提高搜索的速度和性能.最后以支持向量机(SVM)为分类器,在公共数据集UCI上进行实验,实验结果表明了所提出算法的可行性和有效性.     

Optimal short-term hydro-thermal scheduling using quasi-oppositional teaching learning based optimization

This paper presents a new approach for solving short-term hydrothermal scheduling (HTS) using an integrated algorithm based on teaching learning based optimization (TLBO) and oppositional based learning (OBL). The practical hydrothermal system is highly complex and possesses nonlinear relationship of the problem variables, cascading nature of hydro reservoirs, water transport delay and scheduling time linkage that make the problem of optimization difficult using standard optimization methods. To overcome these problems, the proposed quasi-oppositional teaching learning based optimization (QOTLBO) is employed. To show its efficiency and robustness, the proposed QOTLBO algorithm is applied on two test systems. Numerical results of QOTLBO are compared with those obtained by two phase neural network, augmented Lagrange method, particle swarm optimization (PSO), improved self-adaptive PSO (ISAPSO), improved PSO (IPSO), differential evolution (DE), modified DE (MDE), fuzzy based evolutionary programming (Fuzzy EP), clonal selection algorithm (CSA) and TLBO approaches. The simulation results reveal that the proposed algorithm appears to be the best in terms of convergence speed, solution time and minimum cost when compared with other established methods. This method is considered to be a promising alternative approach for solving the short-term HTS problems in practical power system.     

Hybridizing particle swarm optimization with differential evolution for constrained numerical and engineering optimization

We propose a novel hybrid algorithm named PSO-DE, which integrates particle swarm optimization (PSO) with differential evolution (DE) to solve constrained numerical and engineering optimization problems. Traditional PSO is easy to fall into stagnation when no particle discovers a position that is better than its previous best position for several generations. DE is incorporated into update the previous best positions of particles to force PSO jump out of stagnation, because of its strong searching ability. The hybrid algorithm speeds up the convergence and improves the algorithm’s performance. We test the presented method on 11 well-known benchmark test functions and five engineering optimization functions. Comparisons show that PSO-DE outperforms or performs similarly to seven state-of-the-art approaches in terms of the quality of the resulting solutions.     

基于粒子群优化算法的支持向量机参数选择及其应用

参数选择是支持向量机(SVM)研究领域的重要问题,它的本质是一个优化搜索过程,考虑到进化算法在求解优化问题上的有效性,提出了以最小化k-fold交叉验证误差为目标．粒子群优化(PSO)算法为寻优技巧的SVM参数调整方法．通过仿真例子验证该方法的有效性后,用其建立了聚丙烯腈生产过程中数均分子量的软测量模型,结果表明该方法有效．     

Automatically extracting T–S fuzzy models using cooperative random learning particle swarm optimization

This paper proposes a methodology for automatically extracting T–S fuzzy models from data using particle swarm optimization (PSO). In the proposed method, the structures and parameters of the fuzzy models are encoded into a particle and evolve together so that the optimal structure and parameters can be achieved simultaneously. An improved version of the original PSO algorithm, the cooperative random learning particle swarm optimization (CRPSO), is put forward to enhance the performance of PSO. CRPSO employs several sub-swarms to search the space and the useful information is exchanged among them during the iteration process. Simulation results indicate that CRPSO outperforms the standard PSO algorithm, genetic algorithm (GA) and differential evolution (DE) on the functions optimization and benchmark modeling problems. Moreover, the proposed CRPSO-based method can extract accurate T–S fuzzy model with appropriate number of rules.     

基于粒子滤波重采样与变异操作的改进粒子群算法

针对标准粒子群优化(PSO)算法在求解过程中存在求解精度低、搜索后期收敛速度慢等问题,提出一种基于粒子滤波重采样步骤与变异操作相结合的改进PSO算法——RSPSO。该算法充分利用重采样中具有较大权值的粒子被保留和复制、较小权值的粒子被舍弃的特点,并利用已有的变异操作方法克服粒子匮乏的缺点,大大增强了PSO算法中后期搜索阶段的局部搜索能力。在不同基准函数下对RSPSO算法和标准PSO算法以及文献中其他改进算法进行对比。实验结果表明, RSPSO算法的收敛速度较快,同时其搜索精度和解的稳定性均有所提高,且能够全局地解决多峰问题。     

基于改进的粒子群算法和信息熵的知识获取方法

针对粒子群优化算法（PSO）易陷入局部优化的问题,在PSO算法加入交叉变异算子,克服了标准PSO算法易陷入局部最优的不足;并将改进的PSO算法和模糊C 均值聚类相结合,提出了一种新的模糊聚类算法CMPSO FCM,该算法具有良好的搜索能力和聚类效果。进而将聚类得到的属性隶属矩阵用于属性约简,并提出一种基于信息熵的模糊粗糙集知识获取的方法。实验和实例分析表明该方法的正确性和有效性。     

双群体伪并行差分进化算法研究及应用

为了提高差分进化算法的全局搜索能力和收敛速率,本文提出了一种双群体伪并行差分进化算法.该算法结合差分进化算法DE/best/2/bin变异方式局部搜索能力强、收敛速度快,和DE/rand/1/bin变异方式全局搜索能力强、鲁棒性好的特点,采用串行算法结构实现并行差分进化算法独立进化、信息交换的思想.为使初始化个体均匀分布在搜索空间,提高算法收敛到全局最优解的鲁棒性,提出了一种基于平均熵的初始化策略.典型Benchmarks函数测试和非线性系统模型参数估计结果表明,该方法能显著提高算法的收敛速率和全局搜索能力.