微粒群算法的参数选择及收敛性分析

微粒群算法是相对较新颖的优化算法,已经成功应用于许多优化问题。然而算法的参数选择及收敛性分析研究不足,为此首先认真研究了现有微粒群算法粒子轨迹及其收敛性的文献,在此基础上,根据递减惯性权重和递增惯性权重微粒群算法各自的特点,结合算法的收敛区间,提出了一种具有先增后减惯性权重的新的微粒群算法,既保留了具有递增和递减惯性权重的优点,也克服了它们的缺点,取得了比较好的效果。     

粒子群优化算法中惯性权重的研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法。惯性权重是粒子群算法中非常重要的参数,可以用来控制算法的开发和探索能力。简单介绍了标准粒子群优化算法的基本原理,全面综述了现有文献中对惯性权重的研究进展情况。     

适应度排序改进惯性权重的粒子群算法

改进PSO算法的惯性权重。惯性权重不仅随代数纵向线性变化,也根据当前和迄今粒子的适应度重排序横向线性变化。横向线性变化上限不变,下限逐渐减小,使得横向线性变化数值范围随代数逐渐增大。惯性权重数值随着代数逐渐取负,并且适应度差的粒子取负的几率更大。得到基于粒子适应度排序改进惯性权重的粒子群算法（ASMIWPSO算法）。通过仿真学解释ASMIWPSO算法。Rastrigrin函数测试对比ASMIWPSO算法、PSO算法,说明ASMIWPSO算法具有更好的优化结果。     

惯性权重正弦调整的粒子群算法

通过对标准粒子群算法中惯性权重的分析,提出了一种惯性权重正弦调整的粒子群算法。运用差分方程对粒子速度变化过程和位置变化过程进行分析,得到了粒子群算法的收敛条件。通过对4个典型的函数的测试,实验结果表明该方法在收敛速度和全局收敛性方面都比标准粒子群算法和随机惯性权重粒子群算法有明显改进。理论分析和仿真实验验证了新算法的正确性和有效性。     

新型分阶段粒子群优化算法

针对粒子群优化算法的“早熟”问题,提出了一种新型分阶段粒子群优化算法。该算法通过调整惯性权重和加速系数使粒子自组织地跟踪局部吸引域和全局吸引域来扩大粒子的搜索空间和提高粒子的收敛精度,同时根据粒子处于不同的阶段实施相应的变异策略来增加种群的多样性。通过经典函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟问题。     

带过滤机制非线性惯性权重粒子群算法

为改进非线性惯性权重粒子群算法,提出了一种带过滤机制的非线性惯性权重粒子群算法。由于原算法存在粒子易陷入局部最优解与搜索效率较低的缺点,将适应度缩放函数引入到非线性惯性动态调整的粒子群算法中,剔除适应度过高与过低的粒子,再对剩余种群部分优良个体进行复制,并随机产生一些新粒子,然后进行交叉操作,种群数量保持不变,减少了粒子陷入局部极值的概率,使结果收敛于全局最优解。通过低维度与高维度函数的对比测试,表明新算法具有较为理想的效果。     

一种非线性改变惯性权重的粒子群算法

引入递减指数和迭代阈值对基本粒子群算法中线性递减权策略进行了改进,在优化遮代过程中,惯性权重随当前迭代次数、指数递减率和迭代阚值非线性变化。对三种具有代表性的测试函数进行了仿真实验,并与基本粒子群算法以及其他改进的粒子群算法进行了比较,结果表明,文中所提的改进粒子群算法在搜优精度、收敛速度以度稳定性等方面有明显优势。     

一种动态改变惯性权重的自适应粒子群算法

针对标准粒子群算法在进化过程中种群多样性降低而早熟的问题,提出一种动态改变惯性权重的自适应粒子群算法.采用种群中平均粒子相似程度作为种群多样性的测度,并用于平衡算法的全局探索和局部开发.基于对惯性权重随种群多样性测度变化的动态分析,建立了惯性权重随种群多样性测度的变化关系,并将其引入该算法中.最后对6个经典测试函数进行仿真,结果表明该算法在平均最优值和成功率上都有所提高,特别是对多峰函数效果更明显.     

融合隶属度函数的自适应惯性权重模式的粒子群优化算法

粒子群算法(Particle Swarm Optimization,PSO)的性能极大地依赖于其惯性权重参数的选择策略。当在一次迭代中更新粒子速度时,PSO忽略了粒子间的差异,在所有粒子上应用了相同的惯性权重。针对这一问题,提出一种自适应惯性权重的粒子群算法PSO-AIWA,有效合理地均衡PSO的全局搜索和局部搜索能力。根据当前粒子与全局最优粒子间的差异,算法可以通过基于粒子间距的隶属度函数动态调整粒子的惯性权重,使得每次迭代中,粒子可以根据当前状态在每个维度上的搜索空间内选择合适的惯性权重进行状态更新。在6种基准函数下进行了算法的性能测试,结果表明,与随机式惯性权重PSO算法与线性递减惯性权重PSO-LDIW算法相比,该算法可以获得更好的粒子分布和收敛性。     

一种对粒子群算法惯性权重的改进

针对粒子群算法搜索精度不高,特别是在处理高维复杂问题时极易陷入局部最优的不足,文章提出一种动态扩散并结合交叉因子的改进粒子群优化算法（DMPSO）,对惯性权重进行调整,对其取值范围做了进一步的研究,在必要的时候对整个种群的粒子进行重新扩散,并应用于粒子群算法的改进。实验结果表明,新算法的全局搜索能力、收敛速度、精度及稳定性均有了显著提高,而且能更有效地进行全局搜索。     

粒距反馈的S函数粒子群权值调整策略

针对标准粒子群优化（PSO）算法把惯性权值作为全局参数,很难适应复杂的非线性优化的问题,提出了一种基于粒距和S型函数的粒子群权值调整策略（SFIW）。利用S型函数能够在非线性和线性之间平滑过渡的特性,构造了基于Logistic方程的惯性权值函数。在优化过程中根据每个粒子的粒距大小,调整每个粒子的惯性权值函数的非线性系数,使得粒距较大的粒子获得较大的惯性权值、粒距较小的粒子获得较小的惯性权值,从而平衡算法的局部开发和全局探测能力。最后,通过对基准函数的仿真并与其他PSO算法比较,验证了算法的有效性和可行性。     

基于仿真的优化的粒子群算法参数选取研究

粒子群优化（Particle Swarm Optimization,PSO）算法参数较少、搜索机制简单,故一直是智能优化算法研究和应用的重点。然而PSO有易早熟、搜索精度不高及搜索性能对参数依赖性强的缺陷。针对此特点,在基于仿真的优化框架下,基于多Agent对融合传统全局最佳和局部最佳的PSO算法人工生命模型进行了仿真,以混合优化算法为计算引擎,对PSO的参数选取进行了重点讨论。利用一系列benchmark函数为例,进行了仿真优化实验和分析,取得了较为满意的结果,从而说明了本思想方法的可行性与可信性。     

Rosenbrock 搜索与动态惯性权重粒子群混合优化算法

为了提高复杂优化问题的优化精度和鲁棒性能,提出两种将Rosenbrock搜索与动态惯性权重粒子群（DIPSO）相结合的混合算法,即＂协同＂与＂接力＂混合算法.两种算法充分利用了Rosenbrock搜索算法强大的局部搜索能力和DIPSO算法的全局寻优能力,很好地平衡了算法的全局＂探索＂与局部＂开发＂.通过4个典型基准函数的实验研究,表明了所提出的算法具有优化精度高、鲁棒性强等特点,适合于对高维多峰函数进行优化.     

基于PSO算法的测试信号模型参数提取

为了提高自动测试系统的自动化水平,提出了基于粒子群算法的测试信号模型参数提取方法.阐述了采用PSO算法提取测试信号模型参数的原理,针对参数提取过程中的早熟收敛问题,提出了一种改进算法.该算法监控粒子群多样性,采用局部初始化的方法,克服了早熟收敛的缺点,提高了参数提取的稳定性.仿真实验验证了基于PSO算法的测试信号模型参数提取方法具有较高的稳定性和精度.     

权重自适应调整的混沌量子粒子群优化

针对量子粒子群优化算法在处理高维复杂函数收敛速度慢、易陷入局优的问题,利用混沌算子的遍历性提出了基于惯性权重自适应调整的混沌量子粒子群优化算法。该算法在运行过程中根据粒子适应值的优劣情况,相应采取不同的惯性权重策略,以调节粒子的全局搜索和局部搜索能力。对几个典型函数的测试结果表明,该算法在收敛速度和精度上有大幅度的提高,且有很强的避免陷入局优的能力,性能远远优于一般的粒子群算法和量子粒子群算法。     

基于PSO的多约束QoS网格资源选择模型

现有的网格资源选择算法中,只考虑到资源的可利用率,忽略了网络因素的影响,为此提出了一种基于粒子群优化算法的、带网络QoS约束的三层资源选择模型,并对该模型的算法进行了设计.该模型综合考虑了资源利用率和网络因素对网格资源选择的影响,过滤掉一些资源利用率很高但网络通信能力很低,甚至网络无法连通的结点,减轻了资源调度的负担.给出了一个仿真实例,以说明该模型和算法的有效性.     

改进克隆选择算法的收敛性分析

为了完善克隆选择算法(CSA),使算法理论上成熟,利用两个随机收敛性度量:完全收敛和均值收敛, 证明基于多类数据分类的改进克隆选择算法(Multi_CSA)满足收敛到全局最优解的充分条件,并以实验数据进行验证。从理论上证明了Multi_CSA满足收敛的充分条件,实验方面也表明该算法在经过一定的代数后会收敛。理论和实验上均表明:Multi_CSA是一个能在有限代内收敛的较为成熟算法。     

基于自然选择的线性递减权重PSO与Taylor算法的TDOA协同定位算法研究

针对Taylor算法进行TDOA定位时,其初始估计位置的误差易导致Taylor算法不收敛和定位精度差的问题,提出一种基于自然选择的线性递减权重粒子群优化（W-SPSO）与Taylor算法协同定位的方法。该方法先通过W-SPSO算法得到一个初始估计位置（x,y）,再通过Taylor算法在（x,y）处进行迭代运算得到最终定位结果。不同噪声情况下的仿真结果显示：W-SPSO与Taylor算法协同定位方法对MS坐标估计值的均方差（RMSE）小于标准PSO（粒子群优化）、SelPSO（基于自然选择的粒子群优化算法）、W-SPSO、Taylor以及Chan五种算法的RMSE。因此,所提出的定位方法在保留了SelPSO算法求解精度和收敛性的基础上,同时提高了全局搜索能力,使其具有更高的定位精度和收敛性。     

A note on the learning automata based algorithms for adaptive parameter selection in PSO

PSO, like many stochastic search methods, is very sensitive to efficient parameter setting such that modifying a single parameter may cause a considerable change in the result. In this paper, we study the ability of learning automata for adaptive PSO parameter selection. We introduced two classes of learning automata based algorithms for adaptive selection of value for inertia weight and acceleration coefficients. In the first class, particles of a swarm use the same parameter values adjusted by learning automata. In the second class, each particle has its own characteristics and sets its parameter values individually. In addition, for both classed of proposed algorithms, two approaches for changing value of the parameters has been applied. In first approach, named adventurous, value of a parameter is selected from a finite set while in the second approach, named conservative, value of a parameter either changes by a fixed amount or remains unchanged. Experimental results show that proposed learning automata based algorithms compared to other schemes such as SPSO, PSOIW, PSO-TVAC, PSOLP, DAPSO, GPSO, and DCPSO have the same or even higher ability to find better solutions. In addition, proposed algorithms converge to stopping criteria for some of the highly multi modal functions significantly faster.