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。     

基于粒距和动态区间的粒子群权值调整策略

由于标准粒子群优化(PSO)算法把惯性权值作为全局参数,因此很难适应复杂的非线性优化过程。针对这一问题,提出了一种基于粒距和动态区间的权值调整策略（PSSIW）,根据粒子的粒距大小在动态区间内选取不同的权值,并通过区间的动态变化来控制算法的收敛速度。设计了四种不同的动态区间,并采用三个常用的标准测试函数测试不同区间对算法性能的影响。通过与标准粒子群算法比较发现,该策略提高了算法摆脱局部极值的能力,是一种新型全局收敛粒子群算法。     

基于最优变异的粒子群优化算法

为了提高粒子群优化算法的性能,提出了一种带最优变异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会作相应的调整,在搜索过程中所引入的变异算子将对粒子群中最优粒子进行变异,以防止算法早熟收敛。对4个典型的测试函数的仿真表明,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。     

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。     

一种自适应柯西变异的反向学习粒子群优化算法

针对传统粒子群优化算法易出现早熟的问题,提出了一种自适应变异的反向学习粒子群优化算法。该算法在一般性反向学习方法的基础上,提出了自适应柯西变异策略(ACM)。采用一般性反向学习策略生成反向解,可扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,采用ACM策略对当前最优粒子进行扰动,自适应地获取变异点,在有效提高算法局部开采能力的同时,使算法能更加平稳快速地收敛到全局最优解。为进一步平衡算法的全局搜索与局部探测能力,采用非线性的自适应惯性权值。将算法在14个测试函数上与多种基于反向学习策略的PSO算法进行对比,实验结果表明提出的算法在解的精度以及收敛速度上得到了大幅度的提高。     

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.     

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。     

分层粒子群优化算法

针对粒子群优化算法存在进化后期局部搜索能力不强、收敛速度变慢的问题,提出一种分层粒子群优化算法。利用标准粒子群优化算法在整个搜索空间内进行全局搜索,由全局搜索获得的较优个体产生局部搜索区域,在局部区域内进行进一步搜索。为避免陷入局部最优,采用动态调整局部搜索区域的策略,保持算法的全局收敛性。通过典型测试函数计算表明,该算法的收敛速度和局部搜索能力有明显改善。     

多策略融合的粒子群优化算法

受天体学和植物学启发,提出一种多策略融合的粒子群优化算法（MSPSO）,以改善粒子群优化算法（PSO）易陷入局部最优的不足。三黑洞系统捕获策略和多维随机干扰策略的引入,使算法增强全局开拓能力的同时兼顾局部搜索能力,并通过协调因子完成从全局寻优向局部搜索的转变,进而提高收敛速度。同时,早熟扰动策略的采用,使算法陷入局部最优的概率降低。采用9个测试函数,将该算法与其他5种算法进行性能对比。仿真结果表明,MSPSO算法具有在相同迭代下更好的寻优能力、在给定精度下更快的收敛速度等优势。     

权重自适应调整的混沌量子粒子群优化

针对量子粒子群优化算法在处理高维复杂函数收敛速度慢、易陷入局优的问题,利用混沌算子的遍历性提出了基于惯性权重自适应调整的混沌量子粒子群优化算法。该算法在运行过程中根据粒子适应值的优劣情况,相应采取不同的惯性权重策略,以调节粒子的全局搜索和局部搜索能力。对几个典型函数的测试结果表明,该算法在收敛速度和精度上有大幅度的提高,且有很强的避免陷入局优的能力,性能远远优于一般的粒子群算法和量子粒子群算法。     

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。     

一种混沌惯性权重的简化粒子群算法

惯性权值作为粒子群算法的一个全局参数,能够方便地控制算法的搜索能力和收敛速度,在算法运行过程中具有重要的作用。在分析惯性权值的作用基础上提出了一种混沌惯性权重的简化粒子群优化算法,利用混沌序列的内在随机性、遍历性和规则性,提高算法的寻优能力。测试结果表明,新算法具有更快的收敛速度和更强的全局寻优能力。     

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.     

独立自适应调整参数的粒子群优化算法

针对传统粒子群优化算法在求解复杂优化问题时易陷入局部最优和依赖参数的取值等问题,提出了一种独立自适应参数调整的粒子群优化算法。算法重新定义了粒子进化能力、种群进化能力以及进化率,在此基础上给出了粒子群惯性权重及学习因子的独立调整策略,更好地平衡了算法局部搜索与全局搜索的能力。为保持种群多样性,提高粒子向全局最优位置的收敛速度,在算法迭代过程中,采用粒子重构策略使种群中进化能力较弱的粒子向进化能力较强的粒子进行学习,重新构造生成新粒子。最后通过CEC2013中的10个基准测试函数与4种改进粒子群算法在不同维度下进行测试对比,实验结果验证了该算法在求解复杂函数时具有高效性,通过收敛性分析说明了算法的有效性。     

动量交叉粒子群算法

针对传统粒子群算法收敛速度慢、全局搜索能力差的缺点,提出了一种新的最优交叉动量粒子群算法。该算法通过在粒子群算法中引入一种新的二进制交叉策略来加快粒子群算法的收敛速度,通过设置新的惯性权重来改善新算法的全局搜索和局部搜索能力,并且在粒子搜索路径中引入变系数低通滤波器构成的动量算法来平滑粒子搜索路径。几个典型的测试函数仿真表明,新算法在收敛速度和搜索精度上均得到了明显改善。     

具有量子行为的粒子群优化算法的改进

为改善基本粒子群的全局、局部搜索能力和收敛速度、计算精度,基于标准PSO算法和量子理论基础之上,提出一种改进的基于量子行为的PSO算法—WbQPSO算法。新算法中,采用全同粒子系更新位置,并引入混沌思想,对每个粒子进行混沌搜索,另外通过在Mbest_i中加入权重系数,试图改善粒子群的全局、局部搜索能力和收敛速度以及计算精度。对经典函数的测试计算表明：改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。     

基于速度夹角的粒子群协同优化算法

粒子群算法（PSO）是一种随机全局优化算法，在许多领域得到了广泛应用。针对PSO存在易陷入局部极值、进化后期收敛速度缓慢的缺点，提出一种基于速度夹角的粒子群协同优化算法（V-PSCO），并且引入了一种基于高斯分布的累积分布函数的惯性权重调整策略。将V-PSCO用于几种典型函数的优化问题，结果表明，V-PSCO具有更强的全局搜索能力，优化性能明显提高。