改进的多目标粒子群优化算法及其在雷达布站中的应用

为更好地解决多目标问题,提高多目标优化算法的多样性和收敛性,提出一种改进的多目标粒子群优化算法。算法将种群分为多个子种群同时进行优化搜索并改进粒子速度更新公式,扩大Pareto最优解集的覆盖面;利用反三角函数logistic映射初始化种群,使初始种群分布更均匀;并使用时变变异方法对外部档案进行变异,避免陷入局部最优。通过与标准多目标粒子群优化算法(MOPSO)和NSGA-Ⅱ在标准测试函数ZDT1、ZDT2、KUR上的仿真实验对比,验证了该文提出的改进算法的有效性,并将其应用于雷达优化布站。     

多目标柔性作业车间调度的Pareto混合粒子群算法

针对多目标柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)的复杂性,建立了以总完工时间、所有机器总负载及最大机器负载为目标函数的多目标调度模型,提出了一种带有Pareto档案集的混合粒子群优化算法.该算法首先通过全局搜索、局部搜索和随机产生相结合的初始化方法产生高质量的初始种群,利用改进的快速排序法构造Pareto档案集,并给出了一种快速更新Pareto档案集的算法.既保持了种群的多样性,避免了算法陷入局部最优,又有效地提高了算法的收敛速度;算法中还引入逆转策略来进一步增加解的多样性.通过3个经典算例的实验仿真,验证了该算法的可行性和有效性.     

一种自适应混合多目标粒子群优化算法

文章针对多目标粒子群优化算法多样性损失和收敛性不好的问题,提出了一种自适应混合多目标粒子群优化算法。首先,使用Sobol序列映射决策变量初始值,使得初始解集在全决策空间范围有更均匀的分布。使用线性递减权重法调整粒子群算法的权重,增强算法收敛性。提出了使用基于多样性指标SP的自适应变异算子增加种群多样性的同时,还提出了在最优档案集中,使用基于改进的世代距离指标GD的自适应混沌搜索增强算法局部搜索能力。最后,将文中提出的改进算法与MOPSO(基本多目标粒子群优化算法)和NSGA2对比,结果显示出该算法能够在保持优化解收敛性的同时获得更好的多样性。     

一种改进的多目标粒子群优化算法

针对多目标粒子群优化算法在迭代过程中收敛速度和多样性方面的不足,提出一种改进的多目标粒子群优化算法(IMOPSO).采用基于栅格和拥挤距离的协同外部档案维护策略,通过更准确地选择收敛性和多样性性能更好的非劣粒子作为全局最优值,加快整个种群的收敛速度;采用分段Logistic混沌映射、外部档案检测机制及修改的粒子速度更新公式,分别在初始化阶段和迭代过程中增强种群的多样性;最后,通过对标准测试函数仿真测试证明了改进后的算法能够快速收敛至Pareto最优前沿并保持较好的多样性.     

求解多目标背包问题的改进人工鱼群算法

作为一种新的群智能算法,在求解多目标背包问题时,人工鱼群算法存在盲目搜索、收敛速度慢和求解精度低等问题.针对这些问题,本文结合人工鱼位置全局最优信息,对人工鱼的移动策略进行自适应改进,提出一种改进的人工鱼群算法.对多目标背包优化问题实验仿真表明,本文改进的人工鱼群算法收敛速度和搜索到的非劣解的精度均优于粒子群算法和遗传算法.     

基于蚁群算法的多目标优化问题研究

为保持所求得的多目标优化问题Pareto最优解的多样性,文章提出了一种新的蚁群算法。选择策略采用多信息素权重,信息素更新结合了局部信息素更新与全局信息素更新。其中,全局信息素更新采用了两个最好解。此外,通过在外部设置外部集来存储Pareto解,并将改进的算法应用在双目标TSP上。最后进行了仿真实验,结果表明新方法比NSGA-II和SPEA2更有效。     

基于K-Means全局引导策略的多目标微粒群算法

提出了一种基于K-means全局引导策略的多目标微粒群算法(KMOPSO),通过K-means算法从归档集中选出K个均匀分布的非支配粒子作为全局最优引导,以保证种群中的粒子向整个Pareto前端移动,提高解的多样性. 用基于最近邻居的剪枝算法控制归档集规模,同时保证其中非支配解的多样性. 引入变异策略来加强算法的局部搜索能力,避免早熟收敛. 用5个经典函数进行了仿真测试,实验结果表明,该算法能有效地解决多目标优化问题,不但能收敛于Pareto最优前端,而且在解的多样性方面优于改进的非劣分类遗传算法和基于拥挤距离的多目标微粒群算法.     

基于改进自适应权重多目标粒子群算法的分布式电源优化配置

根据配电网和分布式电源相关特性,建立考虑多种约束条件下配电网网损最小、分布式电源成本最低、电网电压稳定性最好的多目标优化数学模型。该文提出一种改进自适应权重多目标粒子群算法对配电网进行分布式电源优化配置,相较于传统的多目标粒子群算法容易陷入局部最优,以及单目标算法只能给出单一配置方案,该方法在保证得到更接近全局最优解的同时提供一系列可供选择的方案(一组Pareto解集)。采用不同算法对IEEE 69节点算例进行求解计算,仿真结果充分证明了算法的优越性,为配电网中分布式电源配置提供了更为灵活的可行性方案。     

基于改进粒子群算法作业车间调度问题的优化

针对作业车间调度问题,提出一种基于自适应权重和混沌的改进粒子群优化算法。构建以机器加工时间最短为优化目标的多约束作业车间调度模型,采用基于工序排列的编码方式得到粒子参数与工序序列的映射关系;基于自适应权重改进粒子群算法中的惯性系数和加速因子,使得算法可以根据适应度值动态调整参数因子;采用反向学习策略改善种群初始解的质量;引入莱维飞行、变邻域搜索、混沌,增强了算法的搜索能力,避免陷入局部最优解。试验结果表明:改进粒子群算法可以有效地提高粒子利用率,平衡全局搜索与局部搜索能力,改善传统粒子群算法易早熟的缺点,得到更优的解。     

基于改进粒子群算法的输电网扩展规划

针对标准粒子群（SPSO）算法易收敛到局部最优的缺点,采用了一种改进的粒子速度更新公式,即在SPSO算法速度更新公式的基础上,加入一个平均极值项,使得各粒子能参考其它同伴的信息;此外在算法迭代过程中加入变异操作,适时初始化失活粒子的位置和速度来保持种群多样性．在输电网扩展规划中的应用结果表明,上述两个操作可以提高PSO算法的收敛精度,使算法最终寻找到全局最优解,从而证明了改进粒子群（IPSO）算法的有效性．     

一种基于校正因子的自适应简化粒子群优化算法

针对已有粒子群算法中全局搜索和局部搜索存在盲目性和滞后性以及粒子的早熟收敛等问题,提出了一种基于校正因子的自适应简化粒子群优化算法。该算法在简化粒子群算法基础上,以粒子间平均粒距大小作为触发条件,对惯性权重、平均个体极值和全局极值进行自适应扰动。校正因子可以根据当前粒子群个体信息和全局信息自适应调整,从而完成对当前粒子状态及时准确的更新,最终使粒子可以准确而快速的找到全局最优解。对3种典型测试函数的测试结果表明该算法具有较高的全局和局部搜索能力、能够有效地避免算法陷入局部极值,是一种实用且高效的粒子群改进算法。     

基于动态扰动项的禁忌粒子群优化算法

针对粒子群优化算法后期收敛速度慢,且容易陷入局部最优解的缺点,在算法中加入动态扰动项,改变了速度的更新公式,使粒子可以跳出局部极值.后期引入禁忌搜索算法,充分利用禁忌搜索的记忆能力和爬上能力,能够快速搜索到全局最优解.通过对测试函数的仿真实验表明,采用动态扰动项的禁忌粒子群优化算法更能提高收敛速度,获得全局最优解.     

基于粒子群优化的频域多信道干扰对齐算法

针对频域干扰对齐系统解空间的多峰值特性,提出了一种基于粒子群优化,以系统网络和速率为优化目标函数的干扰对齐全局搜索算法.该算法通过对速度向量在位置向量的法平面上做投影以加强全局搜索能力,并在粒子群标准位置更新的基础上增加沿目标函数梯度方向的学习搜索来提高算法收敛速度和趋向全局最优值的能力.数值仿真结果表明,该算法可以获得比现有算法更好的网络和速率性能.     

基于粒子群优化的云计算低能耗资源调度算法

针对云计算环境中能耗过高问题,提出一种基于粒子群优化方法的云计算低能耗资源调度算法。首先建立了云环境中资源调度的能耗模型;在此模型基础上,指出能耗最优是多目标优化的帕累托(Pareto)最优问题。根据能耗模型,将粒子参数设为服务器分配状态和频率分配状态,从而寻找获得单粒子的局部最优帕累托解集;合并多个粒子最优解集,得到单个分配方案下帕累托全局最优解(Pareto optimality)集合;最后,在不同分配方案对应的最优解集合中寻找最优解。实验验证了所提算法的有效性。与广泛使用的轮询调度算法比较,所提算法的动态能耗为轮询算法的45.5%。     

基于多学习多目标鸽群优化的动态环境经济调度

针对电力系统动态环境经济调度(DEED)问题,提出了一种基于多学习策略的多目标鸽群优化(MLMPIO)算法.在多学习策略中,种群个体可以向外部存档集中的多个全局最优位置以及个体的历史最优位置进行学习,进而保持种群的多样性和全局搜索能力,避免陷入早熟收敛.引入了小概率变异扰动机制,进一步增强种群的多样性.为提升算法的运行效率,采用容量自适应变化的外部存档集来存储当前Pareto最优解集.为验证所提算法的性能,将MLMPIO应用于10机组电力系统的DEED问题求解.仿真结果证明了MLMPIO算法解决此类问题的可行性和有效性.     

粒子群优化算法在多峰函数寻优上的应用

本文将模拟退火算法的思想引入到粒子群优化算法中,并且通过改变粒子群优化算法的惯性权值递减策略及更新位置的限制,来加速算法的收敛．算法经过对多峰函数的寻优测试,证明了这种改进算法与自适应粒子群优化算法相比较,不容易陷入局部最优,全局寻优能力更强,收敛速度更快．     

基于亲缘关系选择的粒子群优化算法

针对传统粒子群优化算法在解决最优化问题中存在早熟收敛和无法寻找到全局最优解问题,本文提出了一种基于亲缘关系选择的粒子群优化算法,提高了算法的全局搜索能力。此外,引入了多个种群的交流机制与各子种群之间的淘汰机制,有效避免了个体在寻优过程中陷入局部最优点。实验部分首先在单目标优化函数集上与传统的粒子群优化算法以及一些有竞争力的算法结果进行对比分析,发现算法在相同种群规模与评价次数的条件下,在准确性与搜索能力上有着明显的优势;然后,将新算法应用到桁架穹顶优化问题上,并与传统的粒子群优化算法进行了比较,求得了这一实际问题的一个可行解。     

基于改进粒子群算法的配电网网架优化研究

配电网网架优化是一个多目标综合优化问题,粒子群算法因其易实现、收敛速度快等特点逐渐成为电力系统优化领域研究热点之一. 针对粒子群算法易陷于局部最优问题,提出一种基于聚类策略的改进粒子群算法,动态地将粒子聚类为三种级别的粒子并对应采用不同的学习模型更新速度,增强了粒子群体多样性和全局搜索能力. 通过算例仿真验证了算法在配电网网架优化问题上的可行性.     

改进粒子群算法的SHEPWM开关角计算方法研究

针对多电平逆变器消除特定谐波中多变量非线性方程组难于获得精确解的问题,以十一电平逆变器为例,建立特定谐波消除脉宽调制(SHEPWM)目标方程,采用改进粒子群优化算法(PSO)求解目标方程,选取非线性时变权重,以平衡算法局部搜索与全局搜索,变异影响全局最优解的随机数,避免算法后期陷入局部最优解。通过Matlab/Simulink试验对改进的粒子群算法、标准粒子群算法与SPWM方法进行比较分析,并得到M=0.85时,改进粒子群的THD%最大降落幅度与SPWM低8.03%;M=0.095时,改进粒子群与标准粒子群相比,THD%降幅最大为33.1%,验证了改进PSO方法能够精确求解SHEPWM方程组。     

改进粒子群算法在二维排样中的研究与应用

针对服装行业二维不规则样片优化排样问题,提出了一种改进的粒子群优化排样方法．该算 法在传统的粒子群优化算法中先引入小生境的思想,将种群划分成多个子群,各子群运用粒子群算 法单独进化,取出各子群进化后的最好粒子,又可形成新群体,新群体运用混合蛙跳算法进化,使子 群的最好粒子进一步更新,种群的多样性进一步增强,全局寻优的能力进一步提升．该算法概念简 单,易于实现,具有较好的能力去搜索全局最优解和较快的收敛速度．实验结果表明该算法是有效的．