带审敛因子的变邻域粒子群算法

针对基本粒子群算法在求解高维空间中的复杂多峰函数时容易发生早熟收敛而陷入局部最优的问题,汲取变邻域搜索算法全局搜索的优势,提出了带审敛因子的变邻域粒子群算法.首先由基本粒子群的快速搜索能力得到较优的群体;然后通过审敛因子判断发生早熟收敛的粒子,并利用变邻域搜索算法的全局搜索能力对陷入早熟收敛的粒子进行优化,从而得到全局最优.相关实验表明,带审敛因子的粒子群算法的性能较常规粒子群算法更加优越.     

改进的粒子群算法

针对基本粒子群算法容易陷入局部最优点,进化后期速度慢等缺点,设计了一种新的粒子群算法,将基本粒子群算法粒子行为基于个体极值点转化为个体自身极值与其他某一个个体极值的加权平均值,而全局极值点转化为群体中优秀个体极值的加权平均值。数值仿真实验表明,新算法比PSO具有更好的收敛性,能更快地找到问题的最优解。     

改进的粒子群算法

为改善基本粒子群算法的搜索性能,针对粒子群算法随机性较强、收敛较慢的问题,利用数学中的外推技巧给出了两个新的粒子位置更新公式,由此构造出一种新的算法--强引导型粒子群算法.新算法对粒子位置更新加以引导,试图减少算法的随机性以提高搜索效率.用4个基准函数对新算法进行试验,结果表明,新算法在稳定性和收敛性上优于基本粒子群算法.     

一类新的粒子群算法

提出一种新的模糊粒子群优化算法--收敛模糊粒子群优化算法.重点研究了收敛因子的确定和模糊隶属度函数的选择对算法性能的影响,在考虑计算效率的同时,提高了算法的精度.利用4个基准函数测试了收敛模糊粒子群优化算法的性能,并与模糊粒子群优化算法、收敛粒子群优化算法以及基本粒子群优化算法进行了对比.实验结果表明,新算法具有很好的性能.     

时变压缩因子粒子群算法

针对粒子群算法对全局和局部搜索平衡能力较弱的缺点,提出结合时变加速因子的粒子群算法。新算法基于压缩因子粒子群算法,利用双重压缩因子;第一个压缩因子用来调节全局和局部搜索模型;第二压缩因子利用时变的加速因子,进一步平衡全局和局部最优值对粒子种群升级的影响;通过对基本粒子群算法,压缩因子粒子群算法和混沌粒子群算法在8个标准Benchmark函数上进行三种测试,实验结果表明新算法精度较高,收敛速度较快。新算法通过时变的加速因子,较好平衡了粒子群算法的全局和局部搜索模型。     

一种基于收缩因子的改进粒子群算法

针对基本粒子群优化算法(简称PSO)存在的早熟收敛问题,提出了一种既保持粒子活性又保证粒子快速收敛于全局极值点的改进粒子群优化(XARPSO)算法。在算法运行过程中,如果种群多样性逐步减小,直至超出下限时,种群不再向整体最优位置靠近,而是纷纷远离该最优位置,从而执行了“扩散“操作,而当种群多样性逐步增大,直至超出上限时,种群又开始向整体最优位置靠拢,即执行了“吸引“操作,从而保持了粒子的多样性。同时,该方法引入收缩因子的概念,即通过正确选择惯性权重系数与加速常数即学习因子这些控制参数的值的方法,确保算法收敛。     

基于高斯加权的GeesePSO改进算法

为了提高粒子群算法的优化性能,通过观察和分析雁群结队飞行的智能群体现象,国内学者提出了基于雁群启示的粒子群优化算法(GeesePSO,GPSO)。该算法虽然在一定程度上提高了PSO算法的性能,但是在GPSO算法中存在着不合理的加权平均机制,即最小值寻优方面的加权缺陷。针对该问题,本文通过采用高斯加权方法对GPSO进行合理改进,提出一种基于高斯加权改进的粒子群优化算法(Gaussian-Weighted GPSO,GWGPSO)。实验结果表明:新算法在收敛精度、收敛速度和鲁棒性等指标上得到了提高,从而证明高斯加权方式是合理的和正确的。     

带变异算子的自适应粒子群优化算法

针对粒子群优化算法在进化过程的后期收敛速度较慢,易陷入局部最优的缺点,对基本粒子群优化算法作了如下改进：在速度更新公式中引入非线性递减的惯性权重;改进位置更新公式;对全局极值进行自适应的变异操作。提出一种新的混合变异算子的自适应粒子群优化算法。通过与其他算法的数值实验对比,表明了该算法具有较快的收敛速度和较好的收敛精度。     

基于车辆路径问题的带近邻因子的粒子群算法

提出了一种改进的粒子群算法。该算法通过引入近邻因子,增强了当前粒子的学习功能,克服了基本粒子群算法易陷于局部最优的缺陷,提高了算法进化的收敛精度。将该算法用于解决车辆路径问题,实验结果表明具有较好的性能和很好的应用价值。     

一种非对称互联型粒子群算法

提出了一种非对称互联型粒子群算法(AFIPSO),它是对互联型粒子群算法的改进。此算法重新构造了加权函数,体现了粒子之间的非对称影响。随后对六种加权函数及其4种交叉组合进行了测试。试验结果表明:组合加权函数对算法的收敛速度和稳定性均有非常好的改善,在收敛率上几近完美。     

教与学信息交互粒子群优化算法

针对单一种群在解决高维问题中收敛速度较慢和多样性缺失的问题,提出了一种教与学信息交互粒子群优化(PSO)算法.根据进化过程将种群动态地划分为两个子种群,分别采用粒子群优化算法和教与学优化算法,同时粒子利用学习者阶段进行子种群之间信息交互,并通过评价收敛性和多样性指标让粒子的收敛能力和多样性在进化过程中得到平衡.与粒子群...     

一种结合粒子群和虚拟力的动态节点部署策略

无线传感器节点部署是无线传感器网络研究的关键问题,面对工作在复杂环境下的众多传感器节点,模拟了一个由随机部署的固定节点和移动节点构成的无线传感器网络环境。为了优化节点的布局,将粒子群算法与虚拟力相结合,提出了一种虚拟力扰动指数权值递减型粒子群算法,该策略通过改进粒子群算法加快了粒子进入局部搜索的速度,并异构了节点间虚拟力来影响粒子群算法中粒子的进化过程,提高算法收敛速度。仿真结果表明,和传统的粒子群算法相比,提出的算法可以得到更高的覆盖率,且收敛速度更快。     

一种克服局部最优的收缩因子PSO算法

收缩因子粒子群优化算法容易陷入局部最优并出现早熟收敛的现象。为此,提出一种改进的收缩因子粒子群优化算法。该算法引入速度因子和位置因子参数,若粒子向全局最优接近且速度小于设定的速度因子,则认为该粒子可能出现停滞,从而对该粒子进行初始化,以增强粒子活力。在算法陷入局部最优时,通过该方法驱散粒子以提高种群多样性,避免产生早熟收敛现象。对多峰标准测试函数进行仿真实验,结果表明,该算法能提高收敛精度,有效避免算法陷入局部最优。     

求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法（PSO）通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题（JSP）。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题（JSP）的混合微粒群算法。算法将微粒群算法、遗传算法（GA）、模拟退火（SA）算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明：与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

协同混合粒子群算法求解车间作业调度问题

针对如何有效解决车间作业优化调度问题,提出一种协同粒子群和引力搜索的混合算法。新算法在粒子群算法进化停滞时引入引力搜索算法,利用引力搜索算法进化后期快速寻优的能力,及时跳出局部最优,保证全局最优。同时采用协同原理简化算法结构,提高算法收敛速度。将提出算法对车间作业调度典型测试用例进行仿真,仿真结果表明该算法较PSO和GA等算法在求解车间作业调度问题上更具优越性。     

嵌入列维变异的混合动态粒子群算法

针对标准粒子群优化算法易陷入局部最优、收敛精度不高的问题,提出一种嵌入列维变异的混合动态粒子群算法（DLPSO）。算法在进化过程中采用动态拓扑Dbest策略以降低粒子趋同性,每次迭代时根据解的好坏将粒子分为全局最优粒子、探索粒子及无目标粒子,并对探索粒子进行分簇,簇内粒子的更新受到全局最优粒子及簇内最优粒子的共同影响;为确保粒子多样性,平衡局部搜索与全局搜索,采用免疫机制与自适应列维变异相结合的方式对粒子进行变异。利用7个测试函数对算法进行性能评价,数值仿真结果表明该算法搜索精度高且稳定性好,具有良好的收敛性能。     

一种改进的小波变异粒子群优化算法

为提高粒子群优化(PSO)算法的优化性能,提出一种改进的小波变异粒子群算法(IPSOWM)。在每次迭代时以一定的概率选中粒子进行小波变异扰动,从而克服PSO算法后期易发生早熟收敛和陷入局部最优的缺点。数值仿真结果表明,IPSOWM算法的搜索精度、收敛速度及稳定性均优于PSO和PSOWM算法。     

基于粒子群优化和遗传算法的协同聚类算法

为充分发挥粒子群优化算法和遗传算法各自的优势,提出一种新的基于粒子群和遗传算法的协同进化算法,并将其应用于聚类分析。通过构建2个相互竞争的种群,采用相对适应度度量方法,在一个纯自举的过程中产生最优竞争个体。在现实世界数据集上的仿真实验表明,该算法在收敛精度方面优于基于遗传算法的聚类方法和基本粒子群优化聚类算法。     

基于改进粒子群算法的k均值聚类算法

针对[k]-means算法易受初始中心影响的缺点,提出了基于改进粒子群算法的[k]-means聚类算法[（k]-means cluster algorithm based on Improved PSO,IPK-means）,在粒子群算法中加入混沌搜索过程,以增加PSO迭代后期粒子群的多样性,并且在粒子更新过程中,给出了一种动态调整因子公式,使得调整因子与该粒子的适应度值大小相关,即同一迭代中不同粒子也会拥有不同的调整因子。最后将改进的PSO算法应用于[k]-means聚类,为其寻找较好的初始中心,实验结果表明了该算法可取得较好的聚类结果。     

并行自适应免疫量子粒子群优化算法

为克服粒子群优化算法早熟收敛及粒子在进化过程中缺乏方向指导的问题,采用量子技术及免疫机制,提出一种自适应免疫量子粒子群优化算法。针对其计算量大、耗时长的缺点,结合已有的并行计算技术,构造该算法的并行计算方法。仿真实验结果表明,该并行算法在搜索能力和运行时间方面具有较好的性能。