Multi-Objective Particle Swarm Optimization with time variant inertia and acceleration coefficients

In this article we describe a novel Particle Swarm Optimization (PSO) approach to multi-objective optimization (MOO), called Time Variant Multi-Objective Particle Swarm Optimization (TV-MOPSO). TV-MOPSO is made adaptive in nature by allowing its vital parameters (viz., inertia weight and acceleration coefficients) to change with iterations. This adaptiveness helps the algorithm to explore the search space more efficiently. A new diversity parameter has been used to ensure sufficient diversity amongst the solutions of the non-dominated fronts, while retaining at the same time the convergence to the Pareto-optimal front. TV-MOPSO has been compared with some recently developed multi-objective PSO techniques and evolutionary algorithms for 11 function optimization problems, using different performance measures.     

粒子群优化算法

粒子群优化(PSO)算法是一类随机全局优化技术,PSO算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO的优势在于简单容易实现而又功能强大。PSO已成为国际演化计算界研究的热点。该文介绍了基本的PSO算法、若干类改进的PSO算法及其应用,并讨论将来可能的研究内容。     

粒子群算法及其在布局优化中的应用

复杂工程布局(如卫星舱布局)方案设计问题,在理论上属带性能约束的布局优化问题(NPC问题),很难求解。论文以卫星舱布局为例,将粒子群算法(PSO)应用于布局问题,构造此类问题的粒子表达方法,建立了此类问题的粒子群算法。文中通过3个算例(其中一个为已知最优解的算例)的数值计算,验证了该算法的可行性和有效性。     

PSO算法的收敛性及参数选择研究

PSO算法(微粒群算法)是一种仿生优化技术,目前国内外对该算法的研究成果已经很丰富。然而PSO的数学基础还显得相对薄弱,对该算法的研究也仅仅限于在一维问题域内的收敛情况,对二维以及多维算法域收敛稳定性还缺乏深刻且具有普遍意义的理论分析。因此,在介绍分析一维问题域算法收敛的基础上,研究PSO算法在二维以及多维算法域内的收敛情况,从而寻求更加有利于微粒群算法收敛的参数选择。     

一类新颖的粒子群优化算法

粒子群优化(PSO)是一类有效的随机全局优化技术。它利用一个粒子群搜索解空间,每个粒子表示一个被优化问题的解,通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出一类新颖的PSO算法,该算法在基本PSO算法的粒子位置更新公式中增加了一个积分控制项。积分控制项根据每个粒子的适应值决定粒子位置的变化,改善了PSO算法摆脱局部极小点的能力。另外,该算法增加了限制搜索空间范围的机制,这对某些函数优化问题是必需的。用5个基准函数做的对比实验结果显示,该算法优于基本PSO算法以及自适应修改惯性因子的PSO算法。     

免疫粒子群优化算法求解旅行商问题

受生物体免疫系统免疫机制的启发，论文把免疫系统的免疫信息处理机制引入到粒子群优化算法中，设计了求解旅行商问题的免疫粒子群优化算法。这种免疫粒子群优化算法结合了粒子群优化算法具有的全局寻优能力和免疫系统的免疫信息处理机制，并且实现简单，改善了粒子群优化算法摆脱局部极值点的能力，提高了算法进化过程中的收敛速度和精度。实验表明本文提出的算法具有较好的性能。     

新的鲁棒粒子群算法在电磁场逆问题中应用研究

提出了一种搜索鲁棒优化解的粒子群算法。为解决期望适值函数计算需要大量新采样点而导致的计算效率过低问题,提出了一种期望适值赋值的新机制。该机制只对每一代粒子中的个体最优解和整体最优解分配期望适值。此外,为便于算法搜索鲁棒优化解,重新定义了粒子的邻域关系。最后,通过两个实例计算证明了新算法求解电磁场逆问题鲁棒优化解的可行性和优点。     

基于混沌搜索的粒子群优化算法

粒子群优化算法(PSO)是一种有效的随机全局优化技术。文章把混沌优化搜索技术引入到PSO算法中,提出了基于混沌搜索的粒子群优化算法。该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高的算法的收敛速度和计算精度。仿真计算表明,该算法的性能优于基本PSO算法。     

一种新的基于提高多样性的粒子群优化算法

提出了一种基于提高多样性的粒子群优化算法。在速度更新公式中,将比当前粒子适应度更高的其它所有粒子的个体最优位置信息进行加权学习;在位置更新公式中,利用真实物理反弹理论将解空间外的粒子反弹回解空间内。5个基准测试函数的仿真实验表明,该算法能有效克服PSO中的过早收敛问题,并显著提高粒子的多样性,同时有效控制粒子的进化速度。     

一种速度改进型粒子群优化算法及应用

针对一般粒子群算法收敛速度慢易发散的缺点,提出一种速度改进型粒子群优化算法。该算法对速度的最大值进行动态改变．可以使粒子群算法在前期保持快速而又全局范围的探测搜索,而在后期,也可以将粒子限定在局部的重点区域的探测搜索。采用速度改进型粒子群优化算法对典型的多峰函数进行优化,仿真结果表明方法的有效性,并通过与一般粒子群算法进行比较,表明方法能够加快粒子群算法的收敛速度,具有更好的优化性能。     

一种速度改进型粒子群优化算法及应用

针对一般粒子群算法收敛速度慢易发散的缺点,提出一种速度改进型粒子群优化算法。该算法对速度的最大值进行动态改变,可以使粒子群算法在前期保持快速而又全局范围的探测搜索,而在后期,也可以将粒子限定在局部的重点区域的探测搜索。采用速度改进型粒子群优化算法对典型的多峰函数进行优化,仿真结果表明方法的有效性,并通过与一般粒子群算法进行比较,表明方法能够加快粒子群算法的收敛速度,具有更好的优化性能。     

粒子群算法研究与展望

介绍了基本粒子群算法,归纳了粒子群算法的研究现状和改进,包括:增加惯性因子的改进;基于收敛性分析的改进;导入其他演化算法思想的改进;建立非数值问题模型的改进.简要分析了PSO算法的应用.最后对PSO的研究现状做出总结和展望,提出未来的几个研究热点.     

小生境粒子群优化算法

针对粒子群算法容易早熟收敛和后期收敛速度慢的缺点,结合进化论中小生境技术,提出了小生境粒子群优化算法。通过粒子之间的距离找到具有相似距离的粒子个体组成小生境种群,然后在该种群里面利用粒子群优化算法进化粒子,所有个体经过其小生境群体的进化之后,找到最优的个体存入到下一代的粒子群中,直到找到满意的适应值为止。最后利用Shaffer函数验证了该算法的性能,并且与其他算法进行比较,结果表明该文算法能获得比较好的解,收敛成功率高,并且代价也比较小。     

一种新的基于三种进化模型的粒子群优化算法

针对标准粒子群优化算法在优化多极值点复杂问题时容易陷入局部极值的缺陷,提出了一种新的采用不同进化模型分阶段进化的粒子群优化算法。该方法将粒子群进化过程分成三个阶段,第一阶段按cognitiononly模型进化,第二阶段按标准模型进化,第三阶段按socialonly模型进化。在不同进化阶段利用不同模型进化可以增加种群的多样性,达到降低群体陷入局部极值点的效果。仿真实验结果表明,对于复杂多极值函数优化问题,本文算法比标准算法的全局寻优性能更好。     

基于微粒群优化的序贯二次规划方法

文章针对约束非线性优化问题,将微粒群优化算法(PSO)和序贯二次规划(SQP)算法结合起来,提出了一种解决此类问题的有效算法。PSO可以看作是全局搜索器,而SQP则主要执行局部搜索。对于那些具有多个局部极值点的优化问题,大大增加了获得全局极值点的几率。由于PSO具有快速全局收敛的特点,同时SQP的局部搜索能力很强,所以所提算法可以快速获得全局最优值。将基于PSO的序贯二次规划算法在两个标准优化问题上进行仿真,结果证明与标准的PSO和SQP相比,算法具有明显的优越性。     

MOVPSO: Vortex Multi-Objective Particle Swarm Optimization

This paper presents the Multi-Objective Vortex Particle Swarm Optimization MOVPSO as a strategy based on the behavior of a particle swarm using rotational and translational motions. The MOVPSO strategy is based upon the emulation of the emerging property performed by a swarm (flock), achieving a successful motion with diversity control, via collaborative, using linear and circular movements.The proposed algorithm is tested through several multi-objective optimization functions and is compared with standard Multi-Objective Particle Swarm Optimization (MOPSO).The qualitative results show that particle swarms behave as expected. Finally, statistical analysis allows to appreciate that the MOVPSO algorithm has a favorable performance compared to traditional MOPSO algorithm.     

粒子群优化算法

系统地介绍了粒子群优化算法，归纳了其发展过程中的各种改进如惯性权重、收敛因子、跟踪并优化动态目标等模型。阐述了算法在目标函数优化、神经网络训练、模糊控制系统等基本领域的应用并给出其在工程领域的应用进展，最后，对粒子群优化算法的研究和应用进行了总结和展望，指出其在计算机辅助工艺规划领域的应用前景。     

量子粒子群算法的改进实现

为了进一步提高量子粒子群算法的精度,从描述粒子状态波函数的[δ]势阱特征长度[L(t)]出发,重新修改其评价方式。通过给群体中的每个粒子引入随机权重,生成随机权重平均最优位置来重新评价[L(t)],以增强算法的随机性,帮助算法逃离局部极小值点的束缚,使算法尽快找到全局极值点。通过几个典型函数测试表明,改进算法的收敛精度优于QPSO算法,并且具有很强的避免陷入局部极值点的能力。     

一种新的求解复杂函数优化问题的并行粒子群算法

并行计算能够有效地缩减大规模问题求解的时间需求。文章先简要介绍了粒子群算法的标准版本,对比细粒度的粒子群算法的简单并行,引入种群和移民的思想,提出了一种基于多种群的粒子群算法的并行版本。算法在曙光3000超级服务器上完成,利用MPI处理各个进程间的通讯。使用BUMP函数的数值实验表明了该算法的有效性。     

微粒群算法在求解方程组中的应用

研究了利用微粒群算法求解线性、非线性方程组解的问题。对于线性、非线性方程组可以在指定的搜索区间内获得方程组的实数解。最后在计算机上进行了实验,证明了方法的正确性。