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。     

一种粒子群算法的多样性策略研究

本文提出了一种粒子群算法的多样性策略,即在搜索过程中,对部分适应值较差的粒子重新进行随机初始化。修改后的算法经过了大量测试函数上的模拟实验验证,并与其他已有算法进行了比较。实验结果表明,该算法能获得更高的收敛成功率和质量更好的解。在困难的多峰函数优化上具有很强的竞争力。     

一种新的自适应小生境粒子群优化算法

为了克服基本粒子群算法过早收敛的缺陷,提出了一种新的自适应小生境粒子群优化算法.首先,让整个粒子群进行独立地演化寻优,以构造小生境环境.同时,通过设定合适的信息共享周期,以实现各个粒子搜索信息的共享,指导粒子向全局最优位置的搜索.最后,通过几个典型的多峰测试函数,对算法进行了仿真验证.结果表明,在算法的收敛性、寻优性等方面,算法均达到了良好的效果.     

引入测评机制的综合学习粒子群优化算法

综合学习粒子群算法（CLPSO）能够改善粒子群算法多样性差且易局部收敛的问题,相比传统PSO算法能够一定程度避免算法早熟,但却存在收敛速度慢的问题。对此,提出一种CLPSO的改进算法（CLPSO‐II）,为每个粒子随机构造两个学习粒子,引入测评机制,择优学习。实验结果表明,CLPSO‐II能有效提高CLPSO的搜索效率,在处理多峰函数时,其性能优于传统粒子群算法（PSO）、全面学习粒子群算法（FIPS）和综合学习粒子群算法（CLPSO）。     

粒子群Memetic算法求解多峰函数优化

针对目前多峰函数优化问题较难找到全部局部最优解的情况,提出了一种粒子群Memetic算法。算法结合了粒子群优化的全局搜索能力和爬山法的局部搜索能力,增强了算法搜索最优解的能力。实验结果表明,该算法求解精度较高,且收敛速度较快。     

一种改进的多群协作粒子群优化算法

提出了一种改进的多群协作粒子群优化算法,该算法整个种群采用主从模式,分为一个主群和多个从群,多个从群粒子统一地进行初始化操作,从而避免了多个粒子群重复搜索现象。同时,算法采取了一种扰动策略,即当前全局最优解在扰动因子的迭代周期内保持不变时,就重置粒子的速度,迫使粒子群摆脱局部极小。该算法不仅增加了种群的多样性,扩大了搜索范围,而且还改善整个种群易陷入局部极小值的缺陷。通过9个基准函数进行测试,实验结果表明,IMCPSO与MCPSO算法相比具有明显的优越性。     

一种基于单纯形法的随机微粒群算法

以保证全局收敛的随机微粒群算法SPSO为基础,本文提出了一种改进的随机微粒群算法--SM-SPSO。该方法是在SPSO的进化过程中,以单纯形法所产生的最优个体来代替SPSO中停止的微粒,参与下一代的群体进化。这样既可以利用单纯形法的收敛快速性,又可以利用SPSO的全局收敛性。通过对两个多峰的测试函数进行仿真,其结果表明在搜索空间维数相同的情况下,SM-SPSO的收敛率及收敛速度均大大优于SPSO。     

一种引入复合形算子的变异粒子群算法

针对粒子群算法存在的收敛速度较慢和早熟收敛两大难题提出了一种新的改进型粒子群算法：搜索初期由粒子群算法进行全局寻优,当判断粒子群体已经进入局部最优区域时,引入复合形算法迅速达到局部收敛,从而有效地提高粒子群算法的局部搜索能力。同时引入自适应变异惯性权重提高摆脱局部最优的能力,增加种群的多样性。通过典型优化函数的实验验证,该算法是一种兼顾局部性能和全局搜索能力的高效算法。     

一种动态学习对象的粒子群优化算法

针对粒子群优化算法容易早熟、收敛精度低等问题,基于群体多样性反馈的思想,提出一种动态学习对象的粒子群优化算法.该算法采用群体多样性动态控制粒子的学习对象,减缓群体多样性的丧失速度,有利于群体的全局寻优.对3种典型多峰函数的仿真结果表明,该算法可以有效避免早熟问题,具有较好的全局寻优能力.     

一种基于单纯形法的改进微粒群优化算法及其收敛性分析

针对现有微粒群优化算法难以兼顾进化速度和求解质量这一难题, 提出一种基于单纯形法的改进微粒群优化算法(Simplex method based improved particle swarm optimization, SM-IPSO). 该算法采用多个优化种群, 分别在奇数种群和偶数种群上并行运行微粒群算法和单纯形法, 并通过周期性迁移相邻种群间的最优信息, 达到微粒群算法和单纯形法的协同搜索: 单纯形借助微粒群算法跳出局部收敛点, 微粒群依靠单纯形提高局部开发能力. 为强化两种算法所起作用, 一种改进的微粒速度逃逸策略和Nelder-Mead单纯形法也被提出. 最后, 在Linux集群系统上运行所提算法, 通过优化五个典型测试函数验证了算法的有效性.     

分组信息共享的量子粒子群优化算法的改进

标准量子行为的粒子群优化(Quantum-behaved particle swarm optimization,QPSO)算法依然存在早熟收敛的缺点,针对此问题,提出了一种改进的量子粒子群算法(Particle swarm optimization based on quantum,PSO-Q).在PSO-Q算法中,采用分组策略基于不同的更新公式同时提高局部搜索和全局搜索能力,并且共享组间有用的信息,达到探索与开发能力的平衡.在不降低搜索精度的情况下,分组策略扩大了种群搜索过程中的搜索范围,其中一组保持QPSO搜索方法的基本搜索能力,主要开发已有搜索空间.另外一组共享整个群里的有效信息,增加新领域探索能力,可以避免种群多样性的不断下降.在标准测试函数的对比实验中,仿真结果表明该算法具有较强的搜索能力并且达到了较高的优化精度.     

邻域搜索的粒子群优化算法及其性能分析

粒子群优化算法（PSO）是一种进化计算技术,是一种基于迭代的优化工具。但是,该算法的本身特性决定了算法不趋向于搜索接近极值点的解空间,造成了PSO算法最终解的局部极值性不好;并且,PSO算法需要充分的迭代才能够得到比较好的解,在迭代步数受到限制或者随时可能中途停机的情况下往往不能够得到比较好的解。根据PSO的这些不足,提出了邻域搜索的f-PSO算法,该算法在PSO的迭代步骤中每次更新全局最优解的同时采用一步局部寻优过程。实验表明,该算法具有很强的理论价值,在运算能力不足 、迭代不充分或中途停机的情况下,该算法仍然能够得到比较好的解。     

A Novel Statistical Manifold Algorithm for Position Estimation

In this paper, a novel statistical manifold algorithm is proposed for position estimation of sensor nodes in a wireless network, making full use of distance information available among unknown nodes and simultaneous localization of multiple unknown nodes. To begin, a ranging model including the distance information among unknown nodes is established. With the reparameterization of the natural parameter and natural statistic, the solution problem of the ranging model is transformed into a parameter estimation problem of the curved exponential family. Then, a natural gradient method is adopted to deal with the parameter estimation problem of the curved exponential family. To ensure the convergence of the proposed algorithm, a particle swarm optimization method is utilized to obtain initial values of the unknown nodes. Experimental results indicate that the proposed algorithm can improve the positioning accuracy, compared with the traditional algorithm.      

一种免疫微粒群优化算法

引入克隆选择操作和借鉴免疫学习中较好的多样性来克服微粒群算法易陷于局部最优以及对多峰值函数搜索效果不佳的缺点，构建了一种免疫微粒群算法。将该算法应用于4个常见的测试函数，实验结果表明，该算法比标准微粒群算法有更好的收敛性和更快的收敛速度。     

一种求解高维复杂函数优化问题的混合粒子群优化算法

对于高维复杂函数,传统的确定性算法易陷入局部最小,而单一的全局随机搜索算法收敛速度慢.本文通过将粒子群优化算法和单纯形法相结合,利用前者搜索速度快、搜索范围广和后者收敛速度快的特 性,提出一种快速、易实现的混合粒子群优化算法.基于典型高维复杂函数的仿真表明:该混合算法效率高、优化性能好、对初值具有很强的鲁棒性,其性能大大优于单一的优化方法.     

基于亲和力的动态自适应粒子群算法

针对惯性权重线性递减粒子群算法(LDWPSO)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权重的自适应粒子群算法(DCWAPSO),在该算法中引入亲和力的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为亲和力的函数在。每次迭代时算法可根据当前粒子群亲和力的大小动态地改变惯性权重,从而使算法具有动态自适应性。对六个典型函数的测试结果表明,DCWAPSO算法的收敛速度明显优于LDWPSO算法,收敛精度也有所提高。     

面向钻削路径规划问题的微粒群优化算法研究

提出一种基于微粒群优化（PSO）算法的方法,用于解决离散空间的群孔钻削路径规划问题．为了满足钻削路径规划问题中整数编码的需要,建立了算子中元素的二元转换方法和操作方式,对算法的操作算子进行改进．针对基本微粒群算法全局收敛率较低的问题,本文在算法数学模型的基础上,引入了重新生成“停止进化微粒”的方式对算法加以改进．实验表明,改进的算法全局收敛率较基本算法提高3倍多;新的算法具有实现简单、收敛速度快、能够实现全局收敛的优点．实际应用中,采用新的PSO优化算法对钻削路径优化后,可以节省17.9%的机床工作台移动时间．     

具备反向学习和局部学习能力的粒子群算法

为解决粒子群优化（Particle Swarm Optimization,PSO）算法中存在的种群多样性和收敛性之间的矛盾,该文提出了一种具备反向学习和局部学习能力的粒子群优化算法（Reverse-learning and Local-learning PSO,RLPSO）。该算法保留了初始种群中满足排异距离要求的多个较差粒子以及每个粒子的历史最差位置。当检测到算法陷入局部最优时,利用这些较差粒子的位置信息指导部分粒子以较快飞行速度进行反向学习,将其迅速牵引出局部最优区域。反向学习过程可改善粒子种群的多样性,保证了算法的全局探测能力;同时,利用较优粒子间的差分结果指导最优粒子进行局部学习与搜索,该过程可与粒子群的飞行过程并行执行,且局部学习的缩放因子可随进化过程动态调节。局部学习可提高算法的求解精度,保证算法的迅速收敛。实验结果表明,RLPSO 算法同其他 PSO 算法相比,在高维函数优化中具有收敛速度快、求解精度高的特点。