基于分层自主学习的改进粒子群优化算法

针对粒子群优化（PSO）算法容易陷入局部最优、收敛精度不高、收敛速度较慢的问题，提出一种基于分层自主学习的改进粒子群优化（HCPSO）算法。首先，根据粒子适应度值和迭代次数将种群动态地划分为三个不同阶层；然后，根据不同阶层粒子特性，分别采用局部学习模型、标准学习模型以及全局学习模型，增加粒子多样性，反映出个体差异的认知对算法性能的影响，提高算法的收敛速度和收敛精度；最后，将HCPSO算法与PSO算法、自适应多子群粒子群优化（PSO-SMS）算法以及动态多子群粒子群优化（DMS-PSO）算法分别在6个典型的测试函数上进行对比仿真实验。仿真结果表明，HCPSO算法的收敛速度和收敛精度相对给出的对比算法均有明显提升，并且算法执行时间和基本PSO算法执行时间差距在0.001量级内，在不增加算法复杂度的情况下算法性能更高。     

局部随机搜索扰动的粒子群优化算法

在粒子群优化（PSO）算法中,gBest粒子的行为对算法的收敛性能有较大的影响。提出一种新的改进粒子群优化算法——SLS-PSO算法。该算法以基本PSO算法为框架,融合随机局部搜索算法（SLS）对进化中的gBest粒子进行局部寻优计算,以改善PSO算法在进化中特别是进化后期的收敛性能。通过典型测试函数的计算表明,该算法在收敛速度和精度上都有不同程度的改善。     

改进PSO算法在二维下料问题中的研究

粒子群优化（PSO）算法是一种基于集群智能的进化计算方法,在该方法中粒子通过追随自己找到的最优解和种群最优解完成优化。文章将PSO算法应用到三角形优化下料问题的研究中,给出了具体的实施流程,为了提高PSO算法的收敛精度,避免早熟现象的产生,对PSO进行了改进,提出一种启发式PSO算法。通过对三角形的优化下料进行仿真,仿真结果显示改进后的启发式粒子群优化算法在收敛效果和材料的利用率方面均有显著的提高。     

基于PSO信息传递模式的混合算法

粒子群优化算法（Particle Swarm Optimization,PSO）是一种基于群智能（Swarm Intelligence）的随机优化计算技术。PSO和遗传算法这两种算法相比较,PSO收敛快速准确,但编码形式单一,局限于解决实优化问题,而遗传算法编码形式灵活,解决问题广泛,但执行效率低于PS00。将粒子群算法的信息传递模式与遗传算法的编码和遗传操作相结合,提出一种混合算法。并推导了两个算法之间的密切联系。并通过组合优化和函数优化的基准测试集对算法进行测试,试验结果表明,该算法在收敛精度和速度优于传统遗传算法。同时,也观察到该算法取得了与粒子群算法一致的收敛现象。     

基于灰狼优化的反向学习粒子群算法

针对粒子群算法（PSO）易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法。     

一种改进的粒子群优化算法及其仿真

粒子群优化算法（particle swarm optimization，PSO）是一种新兴的优化技术，其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点，在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题，提出了一种旨在保持种群多样性的改进PSO（IPSO）算法，以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试，结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能，而且还具有良好的稳定性。     

基于改进粒子群优化和极限学习机的网络安全态势预测

针对网络安全态势预测模型预测精度不高、收敛较慢等问题,提出了一种基于改进粒子群优化极限学习机（IPSO-ELM）算法的预测方法。首先,通过改进粒子群优化（PSO）算法中的惯性权重和学习因子来实现两种参数随着迭代次数增加的自适应调整,使PSO初期搜索范围大、速度高,后期收敛能力强、稳定。其次,针对PSO易陷入局部最优的问题,提出一种粒子停滞扰动策略,将陷入局部最优的粒子重新引导至全局最优飞行。改进粒子群优化（IPSO）算法既保证了全局寻优的能力,又对局部搜索能力有所增强。最后,将IPSO与极限学习机（ELM）结合来优化ELM的初始权值及阈值。与ELM相比,结合IPSO的ELM的预测精度提高了44.25%。实验结果表明,与PSO-ELM相比,IPSO-ELM的预测结果拟合度可达到0.99,收敛速度提升了47.43%。所提算法在预测精度和收敛速度等指标上明显优于对比算法。     

基于自适应驱散机制的粒子群优化算法

为克服粒子群优化算法（PSO）易陷入局部最优导致早熟收敛的问题,提出了一种新型的基于自适应驱散机制的粒子群优化（ADMPSO）算法。基本的粒子群优化算法易陷入局部最优,一般的改进算法在搜索过程之中对个体最优和全局最优结果进行调整,虽然避免了粒子群陷入局部最优,但会很大程度减慢收敛速度。提出的改进算法只有在种群快要陷入局部最优时,才会对粒子群进行有效驱散,这样不仅保证了收敛速度,又不会使粒子群陷入局部最优。对维度30的12个标准测试函数进行测试的结果表明ADMPSO算法相较于经典粒子群（General PSO,GPSO）算法、综合学习粒子群优化算法（Comprehensive Learning PSO,CLPSO）算法和动态多粒子群协调搜索优化算法（Dynamic Multi-Swarm PSO with sub-regional Harmony Search,DMS-PSO-HS）,可以更有效避免陷入局部最优,稳定地找到最优值,同时又能保证一定的收敛速度。ADMPSO算法不容易陷入局部最优和迭代次数更少的特点使得PSO算法更加实用化。     

基于AKPSO算法的加速度计快速标定方法

针对粒子群优化（ PSO）算法在加速度计标定优化后期出现的早熟、陷入局部最优的不足,以及KalmanPSO（ KPSO）算法在设计与应用过程中存在的缺陷,提出了基于自适应 Kalman 滤波的改进 PSO （ AKPSO）算法,并将其成功应用于加速度计快速标定。利用粒子群状态空间Markov链模型,建立了粒子群系统状态方程和观测方程;采用指数加权的自适应衰减记忆Kalman滤波来对粒子的位置进行估计。加速度计标定仿真结果表明：所提出的算法在收敛速度、收敛精度方面都要优于PSO,KPSO算法,有效地提高了加速度计的标定精度。     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

基于TS-GA的LS-SVM参数优选?

将禁忌搜索和遗传算法相结合,提出一种改进的最小二乘支持向量机(LS-SVM)参数优选方法。利用自适应遗传算法进行全局搜 索,使用禁忌搜索进行局部寻优,由此提高求解速度和解的精度。采用某冶炼厂净化工段的现场数据建立模型进行仿真实验,结果表明,该方法能使LS-SVM模型具有较好的泛化能力,模型精度满足工艺要求。     

信息熵协进化粒子群算法

针对基本粒子群算法具有搜索初期收敛速度慢,后期易陷入局部极值点的缺陷,引入信息熵衡量粒子群体的适应度值,结合模拟退火算法,提出一种基于信息熵混合协进化粒子群算法,增强了算法的自适应能力。通过4个标准函数对提出的算法进行了测试,仿真结果表明,算法是有效和可行的,且比基本粒子群算法的计算精度高。     

一种新的差分与粒子群算法的混合算法

利用粒子群算法的快速收敛性和差分进化算法的搜索精度较高等特点,提出了一种新的混合优化算法。该算法在粒子群算法的中后期,在已经寻找到的最优位置周围,随机生成一定数量的粒子进行差分进化算法,可以减少一定的运算量和在较优的区域进行寻找最优解。通过几个Benchmark函数的测试证明,新的混合算法具有搜索精度更高和更快收敛的优点。     

基于SWGPSO算法的多序列比对

针对粒子群优化(PSO)易陷入局部最优、收敛速度慢的现象,提出一种新的惯性权重取值方法——分段取值惯性权重(SW)方法。该方法在算法前期增加粒子多样性,后期加速算法收敛。针对PSO仅使用2个最优值寻优的问题,引入第3个最优值GB,将SW与GB结合,改进PSO的进化方程。实验结果表明,该算法解决多序列比对问题时,可以有效地避免算法早熟,并提高解的精度。     

改进粒子群算法在DOA估计中的应用

针对均匀线性阵列的相干信号波达方向（DOA）估计问题,提出了一种结合粒子群优化（PSO）算法和最大似然函数的解相干算法。算法充分利用了PSO算法解决优化问题的优势和最大似然测向的优点,对独立信号、相干信号或二者的混合信号的DOA都能进行有效的估计。为了提高估计性能,对标准PSO算法的惯性权重、最大速度和搜索机制进行了改进。仿真结果证明了改进算法的有效性。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

求解0-1二次规划问题的迭代禁忌搜索算法

提出迭代禁忌算法求解0-1二次规划问题。在局部搜索过程中,使用禁忌搜索贪心跳坑策略,能够使算法有效跳出局部最优值的陷阱。采用国际上公认的30个算例作为算法测试实验集,与传统的禁忌搜索、模拟退火算法以及混合算法进行比较。实验结果表明,该算法在所有算例上都能够得到文献中报告的最优解,且计算效率明显优于其他算法。     

基于自适应动态邻域结构的人工鱼群算法

针对人工鱼群算法易陷入局部最优且寻优精度不高的问题,提出了一种基于自适应动态邻域结构的人工鱼群算法。算法中,每条人工鱼先根据鱼群中其他人工鱼与自身的距离及当前迭代次数自适应调整动态邻域结构,再根据该动态邻域结构自适应计算视野和步长;还结合粒子群算法信息策略和公告板对人工鱼的行为进行了改进。仿真实验结果表明,该算法克服局部极值实现全局寻优的能力更强,优化精度更高。     

改进的粒子群算法及其SVM参数优化应用

支持向量机是一种性能优越的机器学习算法,而其参数的选择对建模精度和泛化性能等有着重要的影响,也是目前机器学习研究的一个重要方向。在简要介绍基本粒子群优化（PSO）算法的基础上,提出了一种量子粒子群优化算法,给出了其实现方式,并通过4个基准测试函数进行性能对比评价。基于这种量子粒子群优化算法,对最小二乘支持向量机（LS-SVM）的参数优化进行了研究。仿真结果表明,量子粒子群优化算法能给出很好的优化结果。     

基于粒子群优化算法和Uniform LBP特征的分块跟踪

针对鲁棒分块跟踪采用穷举的搜索策略以及对光照敏感等问题,提出了一种基于粒子群优化算法和Uniform LBP特征的分块跟踪方法。利用统一的局部二值模式（Uniform Local Binary Pattern）特征对光照的不变性以及计算效率高的特点,在原鲁棒分块跟踪方法以灰度积分直方图作为特征的基础上,添加了Uniform LBP特征;利用粒子群优化算法具有精度高,收敛快的特点,将PSO算法运用到对候选目标的搜索中。实验结果表明,在不降低算法运行速度的情况下,以及光照变化较大,短时间目标完全遮挡的跟踪环境下,该算法鲁棒性显著增强。