惯性权值对粒子群算法收敛性的影响及改进

研究惯性权值对粒子群算法(PSO)收敛性的影响,在分析线性权值递减策略基础上,提出一种基于各粒子适应值的递减策略——FDIW。标准测试函数对比实验表明,该策略可以使粒子在搜索初期获得更好的多样性,从而使粒子具有更强的摆脱局部极值的能力,在搜索末期可以加快粒子收敛速度以提高PSO算法的性能。     

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。     

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.     

一种基于距离度量的自适应粒子群优化算法

惯性权值对粒子群优化((Particle Swarm Optimization,PSO)算法的性能起着重要作用。基本的PSO算法未考虑各粒子的差异而在一次迭代中所有粒子采用固定的惯性权值。为了体现各粒子相对于已知最优解的差异,提出了一种基于距离度量的自适应PSO算法DMAPSO(DistancE Measurement-based Adaptive PSO)。算法采用欧式距离计算粒子与已知全局最优粒子的差异,然后根据差异自适应调整各粒子的·贯r}权值。通过基准测试函数对算法进行了实验,结果表明,对于连续函数优化问题,提出的DMAPSO算法优于经典PSO算法,DMAPSO收敛到最优解的迭代次数比PsO平均减少了约60%.     

一种改进线性惯权的粒子群算法

粒子群算法是一类智能优化搜索算法,该算法初期收敛很快,但后期易陷入局部最优点。为了提高粒子群算法的性能,提出一种改进线性惯权粒子群算法。该算法中惯性权值采用线性递减线性递增策略,其增减受粒子群的聚集度影响。对两个典型的测试函数进行仿真表明,该算法的搜索效率和精度优于一般的粒子群算法和惯性权值线性递减粒子群算法,同时具有较好的收敛稳定性。     

一种基于网格划分的自适应粒子群优化算法*

为了提升粒子群优化算法(particle swarm optimization, PSO)的性能,提出了一种基于网格划分的自适应粒子群优化(grid-based adaptive particle swarm optimization, GAPSO)算法和基于网格划分的多样性计算方法,并设计了初始种群多样性最大化(maximal diversity algorithm for the initial swarm,MDAIS)算法。GAPSO分为两个阶段：根据粒子对多样性的贡献自适应调整粒子的进化方向,使种     

一种动态改变权值的简化粒子群算法

基本粒子群优化算法(bPSO)具有容易陷入局部极值、进化后期收敛速度慢、精度低等缺陷,而舍弃了速度项的简化粒子群算法(sPSO)在保证了收敛速度和精度的同时使算法更加简练.文中提出了一种动态改变权值的简化粒子群算法.并经实验证明,该算法在搜优精度和收敛速度上具有明显的优势.     

粒子群优化算法的分析与改进

分析了惯性权值对粒子群优化(PSO)算法优化性能的影响，进而提出选择惯性权值的新策略．在随机选取惯性权值的同时，自适应地调整随机惯性权值的数学期望，有效地调整算法的全局与局部搜索能力．测试表明基于随机惯性权(RIW)策略的PSO算法，其全局搜优的速率与精度有明显提高．     

粒子群优化算法中惯性权值调整的一种新策略

惯性权值的设置对粒子群优化（PSO）算法的性能起着关键作用,现有的基于惯性权值的改进算法提高了算法的性能,但都把惯性权值作为全局参数,很难控制算法的搜索能力。本文在充分分析惯性权值的关键作用基础上给出一种新的惯性权值调整策略及其相应的粒子群优化算法,使用不同的惯性权值更新同一代种群。测试结果表明,新算法提高了算算法的性能,并具有更快的收敛速度和跳出局部最优的能力。     

一种非线性系数的粒子群优化算法

针对粒子群优化算法（Particle Swarm Optimization-PSO）存在算法初期容易陷入局部极值、进化后期收敛速度慢和精度低的缺点,提出了一种用非线性函数调整惯性权重和加速系数的粒子群优化算法（nfPSO）。nfPSO通过一个与当前迭代次数相关的非线性函数控制惯性权重和加速系数,从而提高了算法的收敛速度与精度。通过与两个算法对三个基准测试函数的仿真实验结果对比,说明了nfPSO算法具有良好的收敛速度与精度。     

一种动态调整惯性权值的粒子群算法

粒子群算法针对速度变量的调节不够精确,算法在迭代过程中容易陷入局部最优,函数目标值的精度比较低。为了得到更加精准的目标值,提出一种改进的粒子群算法,对粒子群算法的惯性权值参数进行动态调整。算法将惯性权值参数设置为由粒子位置、个体最优位置和全局最优位置影响的可变参数组,通过各个位置之间的距离来控制参数的改变。该改进粒子群算法针对每一个粒子的每一维度都设计其对应的惯性权值参数。该改进算法经过和其它算法进行比较测试,结果显示改进的算法得到的解值更加精准。     

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。     

一种改进惯性权重的变异微粒群优化算法

针对微粒群优化算法的早熟收敛和进化后期收敛速度慢等问题,提出了一种改进惯性权重的变异微粒群优化算法。在算法运行过程中,对适应度值不同的微粒赋予不同的惯性权重,使算法既具有良好的空间探索能力又有良好的局部挖掘能力;在群体最优信息陷入停滞时引入变异算子,对聚集在局部最优微粒附近的微粒的位置和速度进行变异操作,使算法摆脱局部最优点的束缚。对4种典型函数的测试结果表明,新算法的全局搜索能力和收敛速度都得到了提高,并且能够有效避免早熟收敛问题。     

具有随机惯性权重的PSO算法

微粒群算法（PSO算法）是模拟鸟类、鱼群等的群体智能行为的一种优化算法,当前,在相关领域内,倍受国内外学者关注。该文在分析基本PSO算法的速度进化方程的基础上,提出一种能更好描述微粒进化过程的速度方程,由其引出一种具有随机惯性权重的PSO算法;通过五个典型测试函数的仿真实验,验证了其可行性,同时也表明具有随机惯性权重的PSO算法较具有线性递减惯性权重的PSO算法在收敛速度和全局收敛性方面有明显提高。     

一种具有初始化功能的自适应惯性权重粒子群算法

提出了一种改进的具有初始化功能的自适应惯性权重粒子群优化(PSO)算法.该算法首先引入自适应惯性权重策略均衡全局和局部搜索能力,并针对运行过程中出现停滞现象的粒子群,围绕其加权重心位置重新初始化,引导粒子突破了局部极值的限制,提高了算法的收敛速度.最后,将此算法、PSO算法及惯性权重线性递减的PSO(LDW-PSO)算法进行了比较.实验结果表明,该算法不仅有效地增强了粒子突破局部极值的能力,而且算法的收敛速度和稳定性也有了一定的提高.     

一种动态调整惯性权重的粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖于参数的选取等缺点,提出了一种非线性指数惯性权重粒子群优化算法(Exponential Inertia Weight in Particle Swarm Optimization,EIW-PSO)。在每次迭代的过程中, 采用粒子最大适应值和最小适应值的指数函数来动态调整 算法中的惯性权重,更有利于算法在寻优过程中跳出局部最优;同时,引入随机因子以确保种群的多样性,使粒子更快地收敛到全局最优位置。为了验证该算法的寻优性能,通过8个基准测试函数将标准PSO、线性递减惯性权重LDIW-PSO、均值自适应惯性权重MAW-PSO在不同维度和种群规模下进行测试比较。实验结果表明,提出的EIW-PSO算法具有更快的收敛速度和更高的求解精度。