基于吸引排斥机制的粒子群优化算法

针对标准粒子群优化算法在处理复杂函数优化问题时容易陷入局部最优、收敛精度低的缺点,提出了一种改进的PSO算法,该算法把生物学中的吸引排斥思想引入到PSO算法中,充分利用粒子间的相互影响,修正了其速度更新公式,从而维持了群体的多样性,增强了粒子跳出局部最优解的能力。实验仿真结果表明,改进的PSO算法提高了进化后期的收敛速度,有效避免了PSO算法的早熟收敛问题,而且具有较高的收敛精度。     

结合SCE法的粒子群优化QoS路由算法

QoS(QualityofService)路由问题是一个非线性的组合优化问题,理论上已证明了该问题是NP完全问题。粒子群优化算法是一种基于群智能演化计算技术,PSO在求解连续性优化问题上得到了较好的应用,而把PSO算法用于求解路由算法等离散性问题还比较少见,同时,PSO算法在收敛过程中还存在随机性,某些情况下会出现停滞现象。为此本文提出了一种结合SCE(shuffledcomplexevolution)法的粒子群优化方法用于求解QoS路由问题。该算法通过引入插入算子,删除算子,算子系列和基本算子序列等概念,对基本的粒子群优化算法进行改进;通过采用SCE法,使算法跳出局部最优解的限制。仿真结果显示,该算法取得了满意的效果,在寻优速度上优于遗传算法,也提高了算法收敛到最优解的能力。     

一种改进的粒子群优化算法

粒子群优化算法（PSO）是一种生物进化技术。依据粒子间的相互影响发现搜索空间中的最优解。通过分析基本PSO算法的进化方程,研究了一种具有更好收敛速度和全局收敛性的改进PSO算法。5个典型测试函数的仿真实验表明该改进算法是行之有效的。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

粒子群优化算法的分析与研究

粒子群优化算法是一种新兴的基于群智能的演化计算方法,其思想来源于对鸟群运动行为的研究.群体中的每一个粒子通过追随个体最优解和群体最优解来完成解的迭代过程.首先介绍了PSO算法的基本原理,然后对PSO的几种典型改进算法进行了介绍并通过仿真实验对各种算法进行了分析和比对,最后对粒子群算法研究方向进行了展望.     

采用改进的k均值聚类分析策略的粒子群算法

对于多维函数的最优解搜索,粒子群优化算法存在前期易陷入局部最优,后期收敛速度缓慢的问题。将改进的k均值聚类分析策略与PSO相结合提出了一种混合粒子群优化算法CA-PSO。在算法中,利用改进的k均值聚类分析方法将粒子群划分成若干个子群,结合PSO的隐含并行搜索的优势增强了寻优性能。不仅增加了粒子间的信息交换,抑制了早熟收敛,并且提高了全局寻优速度和计算精度。理论证明,在一定条件下,CA-PSO具有稳定收敛性。仿真结果表明,CA-PSO性能优于基本粒子群优化算法。     

一种基于遗传算法的改进PSO优化算法

从理论上分析了粒子群优化算法的收敛性,并针对标准PSO优化算法容易陷入早熟,收敛于局部最优解的问题,提出了一种基于遗传算法的带交叉因子的改进PSO优化算法,该算法通过对典型测试函数的测试,有效地加快了收敛速度和提高了收敛精度,能够有效地跳出局部收敛范围,避免陷入早熟,收敛于全局最优解。     

基于灰狼优化的反向学习粒子群算法

针对粒子群算法（PSO）易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法。     

结合SCE法的粒子群优化QoS路由算法

QoS (Quality of Service) 路由问题是一个非线性的组合优化问题,理论上已证明了该问题是NP完全问题.粒子群优化算法是一种基于群智能演化计算技术,PSO在求解连续性优化问题上得到了较好的应用,而把PSO算法用于求解路由算法等离散性问题还比较少见,同时,PSO算法在收敛过程中还存在随机性,某些情况下会出现停滞现象.为此本文提出了一种结合SCE(Shuffled Complex Evolution)法的粒子群优化方法用于求解QoS路由问题.该算法通过引入插入算子、删除算子、算子系列和基本算子序列等概念,对基本的粒子群优化算法进行改进;通过采用SCE法,使算法跳出局部最优解的限制.仿真结果显示,该算法取得了满意的效果,在寻优速度上优于遗传算法,也提高了算法收敛到最优解的能力.     

协同粒子群优化算法的改进与仿真

传统PSO算法的收敛性能会随求解问题空间维数的增加而下降,根据协同进化原理,通过对传统PSO算法进行协同优化处理,设计一种改进的协同PSO算法。在每次迭代过程中,采用传统PSO算法更新粒子位置和速度,由此产生群体当前的全局最优位置;对所有粒子所经历的最优位置进行降维的协同优化,产生一个参考全局最优解;根据参考全局最优解更新群体当前的全局最优位置。仿真结果表明,该算法可以明显提高收敛速度,在某些问题上可以收敛到全局最优。     

PSO算法全局收敛性分析

为了解决PSO算法能否搜索到全局最优解这类主要理论问题,对随机优化算法的全局收敛性准则作了详细解释,并应用此全局收敛性准则对PSO算法的全局收敛性进行了理论分析;指出了PSO算法并不满足随机优化算法的全局收敛性准则应具备的两个条件,并证明了PSO算法是不能保证全局收敛的。     

依概率收敛的改进粒子群优化算法

粒子群优化算法是一种随机优化算法,但它不依概率1收敛到全局最优解。因此提出一种新的依概率收敛的粒子群优化算法。在该算法中,首先引入了具有探索和开发能力的两个变异算子,并依一定概率对粒子当前最好位置应用这两个算子,然后证明了该算法是依概率1收敛到ε-最优解。最后,把该算法应用到13个典型的测试函数中,并与其他粒子群优化算法比较,数值结果表明所给出的算法能够提高求解精度和收敛速度。     

求解独立任务调度的离散粒子群优化算法

针对独立任务调度问题,提出一种改进的离散粒子群算法,采用基于任务的编码方式,对粒子的位置和速度更新方法进行重新定义。为防止粒子群算法的早熟收敛,给出利用模拟退火算法的局部搜索能力在最优解附近进行精细搜索,以改善解的质量。仿真结果表明,与遗传算法和基本粒子群算法相比,该混合算法具有较好的优化性能。     

Communication latency tolerant parallel algorithm for particle swarm optimization

Particle swarm optimization (PSO) algorithm is a population-based algorithm for finding the optimal solution. Because of its simplicity in implementation and fewer adjustable parameters compared to the other global optimization algorithms, PSO is gaining attention in solving complex and large scale problems. However, PSO often requires long execution time to solve those problems. This paper proposes a parallel PSO algorithm, called delayed exchange parallelization, which improves performance of PSO on distributed environment by hiding communication latency efficiently. By overlapping communication with computation, the proposed algorithm extracts parallelism inherent in PSO. The performance of our proposed parallel PSO algorithm was evaluated using several applications. The results of evaluation showed that the proposed parallel algorithm drastically improved the performance of PSO, especially in high-latency network environment.     

一种新的混合遗传算法求解旅行商问题

提出一种改进的混合遗传算法来求解TSP问题。在传统遗传算法基础上,杂交算子部分引入郭涛算法,使得算法保持较好的多样性和全局搜索能力,从而克服了传统遗传算法过早收敛的缺陷;变异算子引入粒子群算法,以加速算法收敛速度并提高求解精度,使其更快地找到最优解。通过TSPLIB大量经典实例验证,该算法均能快速找到比现有最优结果更好的解。     

粒子群和蛙跳的混合算法求解车辆路径问题

提出一种求解物流配送车辆路径问题的改进粒子群算法。新算法采用粒子群算法产生阶段最优解,利用蛙跳算法对阶段最优解进一步优化。实验表明,此算法是解决车辆路径问题的一个有效算法。     

一种井下配电网故障测距方法

针对采用随机选取法、K-均值聚类法确定RBF神经网络隐含层节点中心和宽度只能得到局部最优解、基本粒子群优化算法易发生早熟收敛且对于某些函数优化精度差的问题,提出了将惯性权重模型和收敛因子模型相结合的改进的粒子群优化算法;针对煤矿井下配电网发生单相接地故障后定位困难、传统的故障测距方法存在可靠性差、测距精度低的问题,提出了采用改进的粒子群优化算法优化RBF神经网络进行井下配电网单相接地故障测距的方法。仿真结果表明,经改进的粒子群优化算法优化的RBF神经网络的测距精度高于RBF神经网络,能够实现故障点的准确、可靠定位。     

复形法粒子群优化算法研究

针对基本粒子群优化算法对复杂函数优化时难以获得最优解的缺陷,提出了一种复形粒子群优化算法。该算法采用复形法来提高粒子的局部搜索能力,从而保证了算法能够跳出局部最优,获得全局最优解。实验结果表明,与文献算法相比,该算法在基准函数优化时具有更强的寻优能力和更高的搜索精度。     

一种基于混沌遗传与粒子群混合优化的过程神经网络训练算法

针对时变输入/输出过程神经网络的训练问题,提出一种基于混沌遗传与带有动态惯性因子的粒子群优化相结合的学习方法。综合利用粒子群算法的经验记忆、信息共享和混沌遗传算法的混沌轨道遍历搜索性质,基于PNN训练目标函数,构建两种算法相混合的进化寻优机制,通过适应度评估和优化效率分析自适应调节混沌遗传与粒子群算法的切换,实现网络参数在可行解空间的全局优化求解。实验结果表明,该算法较大提高了PNN的训练效率。     

一种带数据整数规划的新型并行自平衡PSO算法

为有效解决标准粒子群(PSO)算法在进化后期缺乏多样性且精度不高的问题,利用多核系统及实际高校地理数据,给出一种高校数据的整数规划方法及并行自平衡PSO算法模型来并行求解高校路网问题,同时体现算法性能。将自平衡机制采用多核系统并行处理方式生成相互独立的子群体,每个子群体间并行求解,最终生成主群体最优路径即高校路网。在Visual Studio2005.NET环境下用C++编程实现仿真。实验结果表明,此算法从求解精度及计算时间两个重要方面综合改善了算法性能。