基于群体距离的多目标粒子群优化算法

为实现偏好与群体决策的结合应用,提出基于群体距离的多目标粒子群优化算法。通过调整解与参考点的群体距离引导粒子靠近偏好区域,运用格栅方法和改进的剪枝策略实现解在Pareto边界的均匀分布,求出与群体成员偏好相关的部分Pareto最优集,从而减少计算成本、加快收敛速度。实验结果表明,该算法得到的解更靠近真实Pareto前沿,且对不同个体决策成员都有效。     

基于参考点的高维多目标粒子群算法

高维多目标优化问题一般指目标个数为4个 或以上时的多目标优化问题.由于种群中非支配解数量随着目标数量的增加而急剧增多,导致进化算法的进化压力严重降低,求解效率低.针对该问题,提出一种基于粒子群的高维多目标问题求解方法,在目标空间中引入一系列的参考点,根据参考点筛选出能兼顾多样性和收敛性的非支配解作为粒子的全局最优,以增大选择压力.同时,提出了基于参考点的外部档案维护策略,以保持最后所得解集的多样性.在标准测试函数DTLZ2上的仿真结果表明,所提方法在求解高维多目标问题时能够得到收敛性和分布性都较好的解集.     

多目标优化的粒子群算法研究

本文介绍了粒子群优化算法PSO中的多目标优化的粒子群算法及其应用,并将其运用在防守对方多个前锋球员的进攻威胁,以粒子群算法随机性来适应不断变化的形势。     

一种基于相角映射的改进多目标粒子群优化算法

提出一种相角粒子群优化算法求解多目标优化问题。该算法采用相角映射实现了粒子在相角空间上仅依赖于归一化多目标函数的快速搜索,在粒子飞行信息共享机制上引入共享池概念,提出基于关联支配排序和相似度排序的共享池更新策略,提高了Pareto解的多样性。采用Sigma领导策略和混沌变异操作,平衡了算法的快速搜索能力和全局寻优能力。标准多目标测试函数和电力系统广域阻尼控制多目标优化算例表明了所提出算法的可行性和有效性。     

基于混沌的多目标粒子群优化算法

针对多目标优化问题,提出了一种改进的粒子群算法.该算法为了寻找新解,引入了混沌搜索技术,同时采用了一种新的方法--拥挤距离法定义解的适应度.并采取了精英保留策略,在提高非劣解集多样性的同时,使解集更加趋近于Pareto集.最后,把算法应用到4个典型的多目标测试函数.数值结果表明,该算法能够有效的收敛到Pareto非劣最优目标域,并沿着Pareto非劣目标域有很好的分散性.     

基于多策略的多目标粒子群优化算法

针对目前多目标粒子群优化算法的收敛性能和非劣解的多样性不能同时得到满足等缺陷,提出一种基于多策略的多目标粒子群优化算法（Multi-Objective Particle Swarm Optimization algorithm for Multi-Strategy,MS-MOPSO）。采用非支配排序和拥挤距离排序相结合策略,重新划分外部种群和进化种群;采用小生境选择策略,在外部种群中选择最佳粒子作为领导粒子,用于领导进化种群中粒子的进化;在进化种群中利用多尺度高斯变异策略,平衡算法的全局搜索和局部精确搜索;采用邻域认知个体极值更新策略,不断更新个体极值。将该算法应用到典型的多目标测试函数,并与其他多目标优化算法进行对比分析,测试结果表明该算法中四个策略的有效性和互补性,同时验证了该算法不但具有较好的收敛性和收敛速度,而且该算法最优解的分布具有良好的均匀性和多样性。     

基于粒子群算法求解多目标优化问题

粒子群优化算法自提出以来,由于其容易理解、易于实现,所以发展很快,在很多领域得到了应用．通过对粒子群算法全局极值和个体极值选取方式的改进,提出了一种用于求解多目标优化问题的算法,实现了对多目标优化问题的非劣最优解集的搜索,实验结果证明了算法的有效性．     

多目标粒子群优化算法在电梯群控系统中的应用

利用多目标粒子群优化算法对电梯群控系统进行优化,建立电梯群控系统响应呼梯信号的综合评价目标函数,并对电梯群控系统的性能指标进行评估,从而确定最佳派梯方案.     

基于多目标粒子群优化算法的装备维修任务分配

装备维修任务分配问题是典型的多约束/多目标/非线性规划问题,利用传统方法无法求解,因此提出了一种约束多目标粒子群算法,并运用该算法对装备维修任务分配问题进行了优化求解。仿真结果表明,约束多目标粒子群算法针对该问题,在不同参数和约束条件下都有很强的收敛寻优能力,能快速产生多个非支配解,是一种高效的算法,对实现装备维修任务分配的客观量化优化决策有重要作用。     

基于群决策的多Agent资源管理模型

在大部分系统中,资源都是有限供给的.因此,为了提高系统的性能,保证资源使用的效率与公平,必须对资源进行有效的管理.而合理分配资源和解决资源使用冲突是系统资源管理的核心问题.基于群决策方法提出了一个多Agent资源管理模型,以动态优先级的方式灵活地解决了系统资源分配与使用冲突问题.     

基于高斯变异和自适应参考点的MOPSO优化算法

针对MOPSO优化算法在优化多目标问题当中收敛程度较差和容易进入部分最优的缺点,提出一种基于高斯变异和自适应参考点融合的MOPSO优化算法。利用高斯变异位置更新方法改善解集提前停止寻优现象,提高MOPSO优化算法在寻找最优过程中寻找解集的多样性;采用自适应参考点的外部档案维护策略,将收敛性较差的粒子剔除,提高算法的收敛性。实验结果表明:改进的MOPSO算法同传统的MOPSO算法相比,反向代距离和超体积比有了明显的改善,具有更好的解集多样性和收敛性。     

基于二次粒子群算法的投资组合优化

投资组合优化问题是一个复杂的组合优化问题,属于NP难问题,传统算法很难解决这一问题。将二次粒子群算法应用到投资组合优化问题中,并采用参数的自适应变化。数值模拟表明该算法在投资组合优化问题中能避免陷入局部最优,加快达到全局最优的收敛速度,并在一定意义下优于标准粒子群算法。     

基于粒子群的DV_Hop算法优化

原DV_Hop算法中存在节点间距离估算的累计误差以及待测节点坐标求解时的误差问题。在平均跳距的计算阶段,信标节点先后以两个通信半径广播自身位置信息,精确了节点间最小跳数值,加入修正因子来校正平均跳距,得到更精确的未知节点坐标。采用基于线性优化惯性权重和线性加权改进的学习因子同步变化的粒子群算法来优化待测节点位置解析误差,降低待测节点的平均定位误差。仿真结果表明,与原有算法相比,该方法可以有效地降低估算距离误差,提高待测节点的定位精度。     

基于微粒群优化噪信功率比的维纳滤波算法

在维纳滤波图像恢复中,为确定最佳噪信功率比,必须具备一定的图像先验知识,这使其应用受到了一定局限.提出了一种基于微粒群优化的新技术,采用最小均方误差对恢复图像的质量进行评估,能智能地选择噪信功率比的最佳值.仿真实验表明,从视觉效果、均方误差和峰值信噪比等方面进行比较,其恢复效果比经典的维纳滤波法好,是一种有效的方法.     

基于粒子群优化算法求解软件可靠性分配问题

首先介绍粒子群优化的搜索策略与基本算法,通过构造具有自适应权重ω的改进方法,有效地改善了粒子群优化算法的搜索效率和搜索精度,并应用于求解软件可靠性分配问题中。实验表明了PSO在求解软件可靠性分配问题的有效性。     

一种求解约束优化问题的新粒子群算法

结合外点法具有局部搜索能力强、处理约束条件简单的特点,把违反约束的粒子用外点法处理以满足约束设计出一种新的粒子群算法求解约束优化问题.实验结果表明,新算法性能优于现有其它算法,是一种通用、高效、稳健的智能算法.它兼顾粒子群算法和外点法的优点,既有较快的收敛速度,又能以非常大概率求得约束优化问题的全局最优解,同时还提高了解的精度.     

一种改进的动量粒子群算法及实验分析

为了克服粒子群算法存在的收敛缓慢、后期振荡等缺陷,在基本粒子群算法的基础上,引入动量项,提出一种新的改进型粒子群算法.新算法中动量项与微粒的历史修正量线性相关,典型复杂优化函数的实验结果表明:该算法不但保持了基本粒子群算法的简单、易实现等优点,而且提高了算法的收敛速度及部分地避免了算法的后期振荡.     

基于中值迭代函数的自适应序列生境粒子群优化算法

提出一种新的基于中值迭代函数的自适应序列生境粒子群优化算法.该算法利用中值迭代函数来判断搜索空间中的任意两点是否属于相同的峰,从而自适应地改变当前进化粒子的适应值,克服了标准序列生境算法中必须利用先验知识确定小生境半径的缺陷以及在利用山谷函数分类中必须利用先验知识确定采样概率矩阵的缺陷.将该算法用于多峰函数最优搜索问题.通过多个Matlab 仿真实验,验证了算法的有效性.实验结果表明:算法能够自适应、更高效准确地遍历多峰函数的所有极值,可应用于求解局部最优和全局最优问题.     

基于改进的粒子群优化的神经网络故障诊断方法研究

针对BP(Back Propagation)神经网络易陷入局部极值的缺点,提出了一种粒子群PSO(Particle Swarm Optimization)神经网络,同时为避免PSO算法早熟,对部分粒子采用变异操作。应用于故障诊断系统的仿真结果表明,该算法能够大大提高故障诊断的精度。