一种自适应惯性权重的粒子群优化算法

为较好平衡粒子群算法中全局搜索能力与局部搜索能力,分析了PSO(Particle Swarm Optimization)算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度的关系,并把粒子惯性权重定义为这三者的函数.通过在每次迭代后更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率.     

基于禁忌搜索的自适应粒子群算法

针对惯性权重线性递减粒子群算法不能适应复杂的非线性优化搜索过程的问题,提出了一种基于Sigmoid函数和.聚集距离变化率改变惯性权重的方法.为了解决算法后期易陷入局部最优的缺点,在算法后期引入了具有记忆能力的禁忌搜索算法.改进后的算法不仅综合了粒子群优化算法的快速性、随机性和全局收敛性的优点,而且还具有禁忌搜索局部寻优的能力.测试函数仿真结果表明,改进后的算法不仅较好地避免了陷入局部最优,而且收敛速度也有提高.     

动态改变惯性权重的自适应粒子群算法

惯性权重是平衡粒子群算法中平衡全局搜索能力与局部搜索能力的重要参数.为实现快速收敛与并避免陷入局部最优,分析了PSO算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度这三者的关系,并把粒子惯性权重定义为这三者的函数以改进PSO算法.该算法在每次迭代后根据此函数更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率.     

基于改进粒子群优化算法的TSP问题研究

针对标准粒子群优化算法易出现问题,提出一种改进粒子群算法。该算法为不同的粒子分配不同的任务,对性能较好的粒子使用较小的惯性权重,对性能较差的粒子采用较大的惯性权重,惯性权重根据适应度函数自适应调整,更好地平衡算法的全局与局部搜索能力,提高算法的多样性与搜索效率。用14点TSP标准数据对算法性能进行测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。     

一种改进的均值粒子群算法

为了解决粒子群算法存在“早熟”现象和收敛速度慢的问题,本文提出一种改进的均值粒子群算法. 该算法采用非线性惯性权重,同时在每个迭代步,将粒子历史最优和种群全局最优取均值再乘以一个非线性权重的方法,以提高算法的全局搜索能力和收敛速度. 通过4个标准函数的测试,实验结果表明该算法的有效性.     

基于禁忌搜索的自适应粒子群算法

针对惯性权重线性递减粒子群算法不能适应复杂的非线性优化搜索过程的问题,提出了一种基于Sigmoid函数和聚集距离变化率改变惯性权重的方法。为了解决算法后期易陷入局部最优的缺点,在算法后期引人了具有记忆能力的禁忌搜索算法。改进后的算法不仅综合了粒子群优化算法的快速性、随机性和全局收敛性的优点,而且还具有禁忌搜索局部寻优的能力。测试函数仿真结果表明,改进后的算法不仅较好地避免了陷入局部最优,而且收敛速度也有提高。     

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     

一种混沌粒子群算法

针对传统的粒子群算法易陷入局部最小,且算法后期的粒子速度下降过快而失去搜索能力等缺陷,本文提出了一种基于混沌思想的新型粒子群算法。该算法通过生成混沌序列的方式产生惯性权重取代传统惯性权重线性递减的方案,使粒子速度呈现多样性的特点,从而提高算法的全局搜索能力;根据算法中粒子群体的平均粒子速度调节惯性权重,防止粒子速度过早降低而造成的搜索能力下降的问题;最后通过引入粒子群算法系统模型稳定时惯性权重和加速系数之间的约束关系,增强了粒子群算法的局部搜索能力。对比仿真实验表明,本文所提改进的混沌粒子群算法较传统粒子群算法具有更好的搜索性能。     

基于改进惯性权重的粒子群优化算法

惯性权重是粒子群算法中平衡全局搜索和局部搜索能力的重要参数,提出了一种基于改进惯性权重的粒子群优化算法。该算法在进化初期采用基于不同粒子不同维的动态自适应惯性权重策略,加快收敛速度,在进化后期采用线性递减权重策略,同时为防止陷入局优,适时引入混沌变异增加种群多样性。对5个典型测试函数的测试结果表明,NPSO在收敛速度、收敛精度、稳定性和全局搜索能力等方面比线性权重PSO(LDIWPSO)均有很大程度上的提高。     

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。     

基于自适应惯性权重的均值粒子群优化算法

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参数选取等缺点,提出了一种基于自适应惯性权重的均值粒子群优化算法。对算法中的惯性权重参数采用动态自适应变化方式,在迭代过程中根据粒子适应度差值将种群划分为三个等级,对不同等级的粒子采用不同的惯性权重策略,使粒子能根据自己所处的位置选择合适的惯性权重值,更快地收敛到全局最优位置;同时分别用个体极值和全局极值的线性组合取代PSO算法中的全局最优位置与个体最优位置。通过实验仿真与对比,验证了新算法性能优于标准PSO及其它一些改进的PSO算法,能够用较少的迭代次数找到最优解,具有更快的收敛速度和更高的收敛精度。     

多策略融合粒子群算法及其收敛性分析

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在实际运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种改进的粒子群算法。该算法采用多次随机初始化的策略初始种群位置,再对惯性权重引入随机因子,使其基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,提高算法的收敛精度,并证明其能以概率1全局收敛。为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及提出的改进算法在不同维度下进行测试比较。结果表明,该算法的寻优精度更高。     

基于周期性演化策略的粒子群优化算法

针对标准粒子群优化算法(PSO)在寻优过程中容易出现早熟的问题,提出一种基于周期性演化策略的粒子群优化算法.该策略通过在速度更新方程中构建基于粒子群能量的粒子群最优值扰动项,使得粒子群能量在演化过程中可以周期性变化.相比标准PSO算法,当粒子群能量较大时,能够增强局部搜索能力;当粒子群能量较小时,能够增强全局搜索能力.典型优化问题的仿真结果表明,所提出的算法与线性下降惯性权重粒子群优化(LWPSO)和PSO算法相比,优化性能得到了显著提高.     

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。     

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。     

基于粒子群算法的WSN覆盖优化

为了提高无线传感器网络性能,针对节点的分布与覆盖方案进行了研究,将拟物力算法中的拟万有引力和拟库仑力与粒子群算法相结合,提出了一种基于惯性权重的拟物粒子群算法。增强了算法全局搜索能力,更快地收敛至全局最优解,减少算法时耗和重复覆盖。仿真结果证明新的算法比基本粒子群和基于惯性权重的标准粒子群算法的全局收敛速度更快,覆盖率更高,重复覆盖的比率更低。     

带有权重函数学习因子的粒子群算法

粒子群算法(PSO)中惯性权重和学习因子的独自调整策略削弱了算法进化过程的统一性和粒子群的智能特性,很难适应复杂的非线性优化,为此提出一种利用惯性权重来控制学习因子的PSO算法。该算法将学习因子视作惯性权重的线性、非线性以及三角函数,在惯性权重随时间线性或非线性递减的过程中,学习因子发生相应的递减或递增变化,进而通过增强两者之间的相互作用来平衡算法的全局探索和局部开发能力,更好地引导粒子进行优化搜索。同时为了分析惯性权重和学习因子的融合性能,采用线性和非线性权重法进行比较,测试函数的优化结果表明了采用非线性递减权重的优越性。最后通过对多个基准测试函数的优化分析,并与带有异步线性变化和三角函数学习因子调整方法的PSO进行比较发现,该策略利用惯性权重调整学习因子,能达到平衡粒子个体学习能力和向群体学习能力的作用,提高了算法的优化精度。     

粒子置换的双种群综合学习PSO算法

针对粒子群算法(PSO)种群多样性低和易于陷入局部最优等问题,提出一种粒子置换的双种群综合学习PSO算法(PP-CLPSO)。根据PSO算法的收敛特性和Logistic映射的混沌思想,设计并行进化的PSO种群和混沌化种群,结合粒子编号机制,形成双种群系统中粒子的同号结构和同位结构,其中粒子的惯性权重根据适应度值自适应调节;当搜索过程陷入局部最优时,PSO种群同位结构下适应度值较差的粒子,根据与混沌化种群间的同号结构执行粒子置换操作,实现了双种群系统资源的合理调度,增加了种群的多样性;进而综合双向搜索的同位粒子学习策略和线性递减搜索步长的局部学习策略,进行全局探勘和局部搜索,提高了算法的求解精度。实验选取9个基准测试函数,同时与4个改进的粒子群算法和4个群智能算法进行对比验证,实验结果表明,PP-CLPSO算法在求解精度和收敛速度等方面具备较好的综合性能。     

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．     

An improved particle swarm optimiser based on swarm success rate for global optimisation problems

Inertia weight is one of the control parameters that influences the performance of particle swarm optimisation (PSO) in the course of solving global optimisation problems, by striking a balance between exploration and exploitation. Among many inertia weight strategies that have been proposed in literature are chaotic descending inertia weight (CDIW) and chaotic random inertia weight (CRIW). These two strategies have been claimed to perform better than linear descending inertia weight (LDIW) and random inertia weight (RIW). Despite these successes, a closer look at their results reveals that the common problem of premature convergence associated with PSO algorithm still lingers. Motivated by the better performances of CDIW and CRIW, this paper proposed two new inertia weight strategies namely: swarm success rate descending inertia weight (SSRDIW) and swarm success rate random inertia weight (SSRRIW). These two strategies use swarm success rates as a feedback parameter. Efforts were made using the proposed inertia weight strategies with PSO to further improve the effectiveness of the algorithm in terms of convergence speed, global search ability and improved solution accuracy. The proposed PSO variants, SSRDIW_PSO and SSRRIW_PSO were validated using several benchmark unconstrained global optimisation test problems and their performances compared with LDIW-PSO, CDIW-PSO, RIW-PSO, CRIW-PSO and some other existing PSO variants. Empirical results showed that the proposed variants are more efficient.