粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化(PSO)算法的一种改进算法:用于约束优化问题的启发式粒子群优化(HPSO)算法.针对HPSO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析.对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍.     

群搜索优化算法在桁架结构优化中的应用

介绍一种改进的群搜索优化算法（IGSO）及适用于它的一种约束处理方法,并将其应用到两个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析。对于每个算例,IGSO和HPSO算法各运行10次,从10次运行的统计分析中可以看出,IGSO算法的优化效果和稳定性稍逊于HPSO算法,但其收敛速度比HPSO算法快,且其使用的约束处理方法大大减少有限元分析的次数,提高程序运行的速度。     

基于自适应粒子群算法的约束布局优化研究

二维带平衡及不干涉约束的圆集在圆容器内的布局优化问题（如卫星舱布局）在理论上属于带性能约束的布局优化M题,它是NP—hard问题的难点,由于它的复杂性,传统的粒子群优化算法难于求解．通过对传统的粒子群优化算法的多重改进,提出了一种自适应粒子群优化算法,该算法在整个搜索过程中,既能保持粒子群原有基本结构,同时又能扩大搜索范围,在提高多样性的同时保证搜索精度,从而加快了收敛速度,有效避免早熟收敛问题,得到最优解．将改进后的算法应用于约束布局问题,建立了此类问题的粒子群算法,通过3个算例的数值计算,验证了该算法的可行性和有效性．     

改进的群搜索优化算法在结构优化中的应用

针对桁架结构优化设计问题,对群搜索优化算法（GSO）进行了算法修改和参数调整,并将修改后的算法应用到10杆、17杆和200杆共3个桁架结构截面优化设计算例中,同时与另一种GSO改进算法（IGSO）进行了对比分析。对于每个算例,该文改进算法和IGSO算法各运行了10次,从10次运行的统计结果可以看出,改进算法的优化效果和稳定性均好于IGSO算法。另外,改进算法也与目前结构优化中较好的其它几个算法进行了比较,总体来说,改进算法的最佳优化结果与这些算法的最佳结果相当。     

解决单机准时调度问题的混合粒子群算法

针对共同交货期给定的单机准时调度问题,提出了一种混合粒子群优化（Hybrid Particle Swarm Optimization,HPSO）算法。该算法采用了工件排列和开工时间混合的粒子编码方式及新的粒子产生策略,非常适合于求解开工时间不为零的调度问题。为了提高算法性能,将HPSO分别与模拟退火算法、局部搜索算法和迭代的局部搜索算法相结合,得到了三种混合算法：HPSO1、HPSO2和HPSO3。基于典型算例的试验表明：三种算法在求解质量和求解效率两方面均优于Hino等人的研究成果。     

改进的群搜索优化算法在结构优化中的应用

针对桁架结构优化设计问题,对群搜索优化算法(GSO)进行了算法修改和参数调整,并将修改后的算法应用到10杆、17杆和200杆共3个桁架结构截面优化设计算例中,同时与另一种GSO改进算法(IGSO)进行了对比分析。对于每个算例,该文改进算法和IGSO算法各运行了10次,从10次运行的统计结果可以看出,改进算法的优化效果和稳定性均好于IGSO算法。另外,改进算法也与目前结构优化中较好的其它几个算法进行了比较,总体来说,改进算法的最佳优化结果与这些算法的最佳结果相当。     

求解非线性约束问题的混合粒子群优化算法

将处理约束问题的乘子法与改进的粒子群算法相结合,提出了一种求解非线性约束问题的混合粒子群算法。此算法兼顾了粒子群优化算法和乘子法的优点,对迭代过程中出现的不可行粒子,利用乘子法处理后产生可行粒子,然后用改进的粒子群算法来搜索其最优解,这样不仅减小了粒子群算法在寻优过程中陷入局部极小的概率,而且提高了搜索精度。数值试验结果表明提出的新算法具有搜索精度更高、稳定性更强、鲁棒性更好等特点。     

一种非线性权重的自适应粒子群优化算法

针对粒子群优化算法中出现早熟和不收敛问题,分析了基本PSO算法参数对其优化性能的影响,提出了基于非线性权重的自适应粒子群优化算法（NWAPSO）。在优化过程中,惯性权重随迭代次数非线性变化,改进的算法能使粒子自适应地改变搜索速度进行搜索,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。实验结果表明,该算法在搜索精度和收敛速度等方面有明显优势。特别对于高维、多峰等复杂非线性优化问题,算法的优越性更明显。     

基于混合粒子群算法的PID参数寻优

提出一种将单纯形法SM与粒子群算法PSO结合的混合粒子群算法HPSO。通过对3种常用测试函数进行优化和比较．结果表明HPSO比PSO和SM都更容易找到全局最优解。然后用HPSO优化算法对某涡扇发动机PID控制中的参数进行优化并将结果与混合遗传算法HGA的结果进行比较，结果表明HPSO在找寻最优解效率上好于HGA。且算法实现简单，具有很高的可靠性，是一种PID控制参数寻优的有效方法。     

一种新的改进粒子群优化算法

在现有文献研究的基础上,首先阐述标准粒子群优化算法的基本原理,并对它加以分析,指出标准粒子群优化算法初始粒子种群的产生速度慢、在优化过程中容易陷入局部最优等缺点,然后对其缺点进行改进,将改进的粒子群优化算法和标准粒子群优化算法进行实验对比分析研究,从实验结果中可知,改进粒子群优化算法在收敛速度及收敛精度上都明显好于标准粒子群优化方法.     

听觉信号盲分离的混合粒子群优化算法

为了解决基本粒子群盲分离算法收敛速度慢、优化精度低的问题,提出用基于群体自适应变异和个体退火操作的混合粒子群优化算法（HPSO）来实现听觉信号盲分离。与模拟退火算法（SA）和基本粒子群算法（PSO）相比,该算法保持了基本粒子群算法简单、容易实现的特点,又能进行自适应变异,改善了其摆脱局部极值点的能力。仿真对比结果表明,基于该改进算法的盲分离效果良好,具有收敛速度快、性能稳定等特点。     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

基于混合粒子群的土壤水分特征曲线参数优化

土壤水分特征曲线是研究土壤水运动的重要参数。Van Genuchten方程(简称VG方程)是目前运用最广泛的土壤水分特征曲线方程。将VG方程参数计算问题转化为一个非线性优化问题,然后构建单纯形算法和基本粒子群算法相结合的混合粒子群算法对其进行求解。仿真实验结果表明采用混合粒子群算法与普通遗传算法、混合遗传算法、基本粒子群算法相比,不但提高了收敛成功率、降低了迭代次数,而且对参数的取值范围也放宽了;采用混合粒子群算法计算参数的精度比非线性单纯形法和阻尼最小二乘法要高,且不需给出参数的初始值。     

电力系统经济负荷分配的混合粒子群优化算法

为解决电力系统中的经济负荷分配问题,提出一种将约束优化与粒子群优化算法相结合的混合算法,同时引入直接搜索方法。使得混合后的粒子群优化算法不但具有高效的全局搜索能力,而且具有较强的局部搜索能力,避免陷入局部最优,提高求解精度。对两个实例进行测试,与其他智能算法的结果比较,证明提出的算法可以有效找到可行解,避免陷入局部最优,实现问题的快速求解。     

混合粒子群算法的软件测试数据自动生成

针对全连接拓扑结构的粒子群算法在生成测试数据过程中,存在收敛精度低,易陷入局部极值的问题,提出一种混合粒子群算法HPSO,并将其应用于测试数据自动生成。该算法在保证全局收敛性的前提下,对多样性匮乏的种群,首先采用定长环形拓扑结构取代粒子群的全连接拓扑结构;其次,采用轮盘赌方法选择候选解,更新粒子位置信息和速度信息;最后引入条件禁忌算法,对处于局部极值的粒子采取禁忌处理。通过实验比较表明:与基本粒子群算法(BPSO)相比,HPSO使种群多样性得到大幅度提升;在测试数据生成性能上,HPSO的搜索成功率和路径覆盖率均优于遗传算法与粒子群算法混合算法GA-PSO,而平均耗时与BPSO算法相当,性能表现优越。     

动态环境下一种改进的小生境粒子群算法

为了提高在动态环境下追踪变化的极点的可靠性和精确性的能力,避免算法收敛于一个最优解,提出了一种改进的小生境微粒群算法。使用DF1（Dynamic Function 1）生成的复杂动态环境对这种算法进行了验证,并与经典的APSO（Adaptive Particle Swarm Optimizer）算法进行了对比,实验结果表明了该算法的有效性。     

基于定期竞争学习的多目标粒子群优化算法

为提高种群的多样性和算法的收敛性，提出一种基于定期竞争学习机制的多目标粒子群算法。该算法将多目标粒子群算法和竞争学习机制相结合，即每隔一定迭代代数便使用一次竞争学习机制，很好地保持了种群的多样性；同时，该算法不需要全局最优粒子的外部存档，而是从当前代种群中选取一部分优秀的粒子，再从这些优秀的粒子中随机选取一个作为全局最优粒子，能够有效提升算法的收敛性。将提出的算法与基于分解的多目标粒子群算法（MPSOD）、基于竞争机制且快速收敛的多目标粒子群（CMOPSO）算法、参考向量引导的多目标进化算法（RVEA）等8个算法在21个标准测试函数上进行了比较，结果表明，所提算法的帕累托（Pareto）前沿更加均匀，在世代距离（IGD）上会更加小。     

求解学习型员工项目调度问题的HPSO算法

为提高工作效率并最小化项目工期,研究学习型员工项目调度问题的求解算法。建立相应的0-1型整数非线性规划模型,提出一种混合粒子群优化算法。该算法应用基于优先规则的启发式算法生成优良的初始粒子,引入离散型算子修正经典的粒子速度和位置方程,采用改进的前向递归算法求解粒子目标函数值。数值实验结果表明,在相同运行时间内,该算法能得到比粒子群优化算法更优的解。     

基于PSO-BP神经网络的图像压缩算法

本文阐述了使用BP神经网络压缩图像的方法和粒子群算法(PSO)的原理.为提高BP算法的训练速度和图像重建质量,本文设计了一种利用PSO-BP网络进行图像压缩的算法,该算法结合了PSO算法和BP算法的优点,将BP网络的训练过程分为两个阶段.实验表明,利用该算法压缩图像,不仅速度较快,而且重建后的图像质量有明显提高.     

Cooperative particle swarm optimizer with depth first search strategy for global optimization of multimodal functions

This paper presents a Cooperative Particle Swarm Optimizer with Depth First Search Strategy (DFS-CPSO), which has better seacrch capality than classical Particle Swarm Optimizer (PSO) in solving multimodal optimization problems. In order to improve the quality of information exchange, the Depth First Search (DFS) strategy is hybridized to Cooperative Particle Swarm Optimization(CPSO), which makes information transfer more effectively and generates better quality solution. Specifically, DFS strategy enables different components of solution vector to exchange information separately with PSO and increases the diversity of the population, so that the information of solution components could be preserved by multiple iterations in CPSO. Confirmatory experiments are performed to prove the effectiveness of employing the DFS strategy to CPSO. The comparative results demonstrate superior performance of DFS-CPSO in solving high dimensional multimodal functions than CPSO and other advanced methods.