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。     

一种自适应扩展粒子群优化算法

在粒子群优化算法的基础上,首先把粒子群优化算法的速度更新式中的个体最优位置用粒子群中所有个体最优位置的平均值代替,得到扩展粒子群优化算法;然后,建立了加速系数和粒子群中所有粒子的平均适应度与整体最优位置适应度之差的一种非线性函数关系,得到自适应加速系数扩展粒子群优化算法。由于新的算法利用了所有个体最优粒子的信息,并在进化过程中通过建立的非线性时变加速系数自适应地调整“认知”部分和“社会”部分对粒子的影响,从而提高了算法的收敛速度和精度。4个基准测试函数的对比实验结果说明自适应扩展粒子群优化算法的有效性和优良性能。     

一种改进的小波变异粒子群优化算法

为提高粒子群优化(PSO)算法的优化性能,提出一种改进的小波变异粒子群算法(IPSOWM)。在每次迭代时以一定的概率选中粒子进行小波变异扰动,从而克服PSO算法后期易发生早熟收敛和陷入局部最优的缺点。数值仿真结果表明,IPSOWM算法的搜索精度、收敛速度及稳定性均优于PSO和PSOWM算法。     

一种混沌粒子群嵌入优化算法及其仿真

为克服混沌粒子群优化(CPSO)算法由于采用随机数作为算法参数而不能保证种群多样性和优化遍历性的缺陷,通过将混沌变量嵌入到常规粒子群优化算法(PSO)中,使PSO算法中的惯性权值和随机数用混沌随机序列来替代,提出了一种新的混沌粒子群嵌入优化算法(CEPSO),以充分利用混沌运动的随机性、遍历性克服粒子群优化算法容易陷入局部最优的缺点.通过复杂多维函数的寻优测试,验证了本算法的有效性,并将仿真结果与混沌粒子群优化算法进行比较,证明了CEPSO算法更具有较强的全局搜索能力和收敛速度.     

一种新型的粒子群算法

针对原始PSO算法存在的各种缺点,论文提出了一种新型的PSO算法。该算法在搜索的中期进行变异,并依据搜索开始后的收敛情况来决定首次变异的时机、依据每次变异后的收敛情况来决定下次变异的时机,以便最大限度地增加变异次数,并充分利用每次变异带来的避免局部最优、求得全局最优的机会,从而提高搜索成功的概率;在后期则在一定的循环次数内不变异,以确保搜索精度。每次变异只选择那些收敛程度相对比较大的维来进行,这样可以在不破坏粒子群的结构的情况下扩大搜索空间、提高收敛速度。通过对四个多峰的测试函数和一个问题空间为非凸集的实例所做的对比实验,表明改进的PSO算法增强了全局搜索能力,搜索成功率大为提高,克服了原始的PSO算法易于收敛到局部最优点的缺点。     

一种基于教与学的混合灰狼优化算法

针对灰狼优化算法(GWO)存在收敛精度不高、易陷入局部最优的不足,提出一种基于教与学的混合灰狼优化算法(HGWO).首先,采用佳点集理论进行种群初始化,提高初始种群的遍历性;其次,提出一种非线性控制参数策略,在迭代前期增加全局搜索能力,避免算法陷入局部最优,在迭代后期增加局部开发能力,提高收敛精度;最后,结合教与学算法(TLBO)和粒子群优化算法,修改原位置更新公式以优化算法搜索方式,从而提升算法的收敛性能.为验证HGWO算法的有效性,选取9种标准测试函数,将HGWO算法、GWO算法以及其他群体智能优化算法和其他改进GWO算法进行仿真实验.实验结果表明,所提出的HGWO算法性能优于GWO算法和其他群体智能优化算法,且在改进算法中具有一定优势.     

一种求解离散优化问题的粒子群算法

粒子群算法在求解连续变量问题有了比较成功的应用,但是对离散变量问题方面的应用研究却相对滞后.针对离散优化问题,提出了一种遗传粒子群算法.算法使用了交叉、变异等遗传算子替代传统粒子群算法的速度-位移公式,克服了传统粒子群算法对组合优化问题编码时出现的信息冗余的问题,提高了搜索效率.应用该算法求解了车辆路径问题,实验结果表明,该算法具有较好的全局收敛能力和较快的收敛速度.在同等条件下,求解效果要明显好于遗传算法和基于速度位移公式的粒子群算法     

一种量子粒子群算法的改进方法

针对量子粒子群算法存在的问题,设计基于公共历史的两种群并行搜索的量子粒子群算法。在利用群体历史优质解及最优粒子变异的基础上,对粒子群进行筛选,加快粒子群的收敛速度,并采用两种群并行搜索,防止同时陷入局部极值。通过多个函数的测试,该算法在收敛速度及寻找全局最优方面,都表现出较好的效果。     

混合型粒子群优化算法研究

为了改进粒子群算法的性能,提出了融合其他算法优点的混合型粒子群算法。对三种主流的混合粒子群优化算法(基因粒子群、免疫粒子群、混沌粒子群)分别从混合目的、混合方式、实现步骤、算法优化性能等多个方面进行了研究,给出了这三种混合粒子群算法的优缺点及适用范围。     

一种改进粒子群优化算法

为了提高粒子群优化算法的性能,提出了一种惯性权值调整的改进粒子群优化算法,该算法的惯性权值满足不同。粒子对全局和局部搜索能力的不同需求,每次迭代后根据适应度值对惯性权值做相应的调整。对4个典型的测试函数进行仿真表明,该算法比标准粒子群优化算法有更好的收敛性和更快的收敛速度,改善了优化性能。     

改进的粒子群算法在虚拟网映射中的应用

应用粒子群算法解决虚拟网映射问题,可以大大减少网络资源的消耗,却也容易出现早熟的现象。通过增加随机因素、沿原方向飞行操作和改变原历史因素对搜索过程的指导等方式,既保留了历史因素对搜索的指导,又在此基础上加大了搜索范围,一定程度上减少了早熟收敛带来的问题。最终实验结果表明,改进的粒子群算法能够应用于虚拟网映射,和原粒子群算法相比,能够更有效减少资源消耗。     

基于改进粒子群优化的Snake曲线提取算法

盆地模拟中,根据现有图纸进行数据采集是重要的环节,但数字化采集面临着工作效率与精确度之间的权衡。结合目标检测和粒子群优化(PSO)技术,提出一种基于粒子密度控制的粒子群优化Snake曲线提取算法。该算法控制粒子间保持一定距离,从而克服传统PSO算法容易早熟的缺点,并通过动态修改模型参数加快了收敛速度。将改进的算法与传统方法比较,实验证明改进方法是有效的,并已运用于实际工程中。     

全信息差异进化粒子群优化算法

针对种群多样性对粒子群算法的性能影响,提出了一种基于差异进化思想的粒子群算法。该算法采用多生态子群社会结构,利用一种新的全信息粒子作为信息交互的渠道,通过进化过程中的种群衰落监控指导子群间的差异融合,有利于优秀个体的产生,增加粒子间的差异性,提高种群整体品质和算法的收敛性能。最后对八个测试函数进行实验仿真,并与六个改进粒子群算法进行多方面对比。实验结果表明,该算法有效地保持了种群的多样性,在保证收敛速度的同时大幅提高了算法的收敛精度,从理论和实验仿真两个方面证明了算法有很强的全局搜索能力。     

改进粒子群优化算法在TDOA定位中的应用

针对TDOA定位估计中的非线性最优化问题,提出了一种基于改进粒子群优化的TDOA定位算法。该算法在自适应粒子群优化算法的基础上,引入禁忌搜索策略,有效地解决了粒子群优化算法容易陷入局部最优的问题,使算法快速收敛到全局最优解。仿真结果表明:该算法性能稳定,定位精度高。     

基于改进粒子群优化的电容层析成像图像重建算法

Landweber电容层析成像ECT图像重建算法与粒子群优化算法PSO结合后能够进一步提高成像质量,但标准粒子群优化算法用于图像重建优化时存在陷入局部最优的现象。针对该问题,提出一种基于改进粒子群优化结合Landweber算法的电容层析成像图像重建算法。新算法在Landweber算法的基础上加入改进的惯性权值指数衰减粒子群优化策略,通过增加以指数规律衰减的粒子速度更新公式的约束因子,以保证算法在开始阶段具有较强的全局寻优能力,而在后期具有较强的局部寻优能力,从而实现对Landweber算法初始重建结果的进一步优化,以提高重建图像的质量。为验证新算法的有效性,选取较典型的LBP、改进Tikhonov迭代算法及Landweber图像重建算法,完成了ECT图像重建的对比实验。仿真结果表明,相对于其他算法,对于常见的几种流型,新算法在重建图像的主观及客观质量方面均有明显提高。     

基于粒子群优化算法的多交叉口信号配时*

以城市道路多个单点信号控制交叉口组成的绿波系统为研究对象,对绿波系统的交叉口信号配时优化进行研究。通过对路段和干线机动车流进行协调控制设计,以西安市某两相邻交叉口晚高峰时段各进口道的交通量、通行能力、饱和流量以及各交叉口进口道的实际车均延误时间为约束,确定各交叉口的信号周期及各相位有效绿灯时长,使得干线延误量最小。设计了PSO算法的编码方式,分别采用PSO算法、灾变PSO算法和二阶振荡PSO算法对多交叉口交通信号配时进行优化计算。仿真实验表明,二阶振荡PSO算法在该实例中表现最优。     

基于P系统的粒子群优化算法

为了克服算法早熟收敛问题并提高算法精度, 引入了膜计算理论。将PSO算法与P系统相结合, 提出了一种基于P系统的粒子群优化算法 (P-PSO), 有效地平衡粒子群的全局搜索和局部寻优。采用常用的三个测试函数对新算法进行了实验, 结果表明, 提出的P-PSO算法有效地解决了算法早熟问题, 提高了算法的收敛精度。由此可见, P-PSO算法能够有效改进原有PSO算法的性能。     

适应性粒子群寻优算法

社会性的群体寻优是秩序与混沌之间的平衡,适应性微粒群寻优算法(APSO)是在标准PSO上添加反映适应性的随机项,并引入小概率因子,使微粒飞行到粒子群的中心,平衡秩序和随机两个行为.APSO算法的本质是在有序的决策中始终引入随机的、不可预测的决定,从而使得寻优的决策尽可能模拟社会性群体寻优的复杂行为.典型复杂函数优化的仿真结果表明,APSO算法具有较好的稳定性.     

一种量子行为粒子群优化动态聚类算法*

为了改善量子行为粒子群优化算法的收敛性能,避免粒子早熟问题,提出了一种基于完全学习策略的量子行为粒子群优化算法。由此设计了一种新的数据聚类算法,新的聚类算法通过特殊的粒子编码方式在聚类过程中能够自动确定最佳的聚类数目。在五个测试数据集上与其他两种动态聚类算法进行聚类实验比较,实验结果表明,基于完全学习策略的量子行为粒子群优化动态聚类算法能够获得较好的聚类结果,有着良好的应用前景。     

An improved quantum-behaved particle swarm optimization algorithm

In this paper, we propose some improvements that enhance the optimization ability of quantum-behaved particle swarm optimization algorithms. First, we propose an encoding approach based on qubits described on the Bloch sphere. In our approach, each particle contains three groups of Bloch coordinates of qubits, and all three groups of coordinates are regarded as approximate solutions describing the optimization result. Our approach updates the particles using the rotation of qubits about an axis on the Bloch sphere. This updating approach can simultaneously adjust two parameters of qubits, and can automatically achieve the best matching of two adjustments. To avoid premature convergence, the mutation is performed with Hadamard gates. The optimization process is performed in the n-dimensional hypercube space [?1,1] ⁿ , so the proposed approach can be easily adapted to a variety of optimization problems. The experimental results show that the proposed algorithm is superior to the original one in optimization ability.