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。     

一种改进粒子群优化算法

为了提高粒子群优化算法的性能,提出了一种惯性权值调整的改进粒子群优化算法,该算法的惯性权值满足不同。粒子对全局和局部搜索能力的不同需求,每次迭代后根据适应度值对惯性权值做相应的调整。对4个典型的测试函数进行仿真表明,该算法比标准粒子群优化算法有更好的收敛性和更快的收敛速度,改善了优化性能。     

一种改进粒子群优化算法

为了提高粒子群优化算法的性能,提出了一种惯性权值调整的改进粒子群优化算法,该算法的惯性权值满足不同粒子对全局和局部搜索能力的不同需求,每次迭代后根据适应度值对惯性权值做相应的调整.对4个典型的测试函数进行仿真表明,该算法比标准粒子群优化算法有更好的收敛性和更快的收敛速度,改善了优化性能.     

一种改进的均值粒子群算法

为了解决粒子群算法存在“早熟”现象和收敛速度慢的问题,本文提出一种改进的均值粒子群算法. 该算法采用非线性惯性权重,同时在每个迭代步,将粒子历史最优和种群全局最优取均值再乘以一个非线性权重的方法,以提高算法的全局搜索能力和收敛速度. 通过4个标准函数的测试,实验结果表明该算法的有效性.     

基于Sigmoid惯性权重自适应调整的粒子群优化算法*

提出了种群进化速度和种群聚合度两个概念,并讨论了在全局收敛过程中惯性权重与两者之间的关系;考虑Sigmoid函数在线性与非线性之间呈现的平滑过渡性,从种群进化速度和种群聚合度两方面出发,提出了基于Sigmoid函数的惯性权重自适应调整方法。通过三个典型的多峰函数,将提出的算法(AS-PSO)与标准粒子群优化算法(SPSO)和基于Sigmoid函数的粒子群优化算法(S-PSO)进行了仿真分析比较,结果表明,AS-PSO算法相比其他两种算法,全局寻优能力更强,在一定程度上解决了收敛性能与全局寻优能力之间的矛盾。     

基于改进粒子群算法的反舰导弹航路规划研究

针对飞行器航路规划问题,提出了一种改进粒子群算法.在标准粒子群算法的基础上,对惯性权重系数进行了非线性的调整,对学习因子进行线性和非线性的优化,并引入遗传算法中的交叉算子,将较好粒子与较差粒子进行交叉,保证了种群的多样性,从而提高算法的全局搜索能力.为了验证算法的可行性与有效性,对其进行仿真测试.实验结果表明,与标准粒子群算法、线性惯性权重相比,改进的粒子群算法表现出较强的全局搜索能力和较好的收敛性.     

一种改进的粒子群算法

针对标准粒子群算法中固定惯性权重值在寻优方面不具有动态寻优的特点,结合粒子聚集程度和迭代次数的综合作用对惯性权重进行动态调整。实验表明,改进后的粒子群算法在具有代表性的单峰函数和多峰函数的测试中均具有一定的优越性。     

一种基于引导策略的自适应粒子群算法

为解决粒子群算法前期搜索“盲目”,后期搜索速度慢且易陷入局部极值的问题,对算法中粒子更新方式和惯性权重进行了改进,提出了一种基于引导策略的自适应粒子群算法。该算法在种群中引入4种粒子,即主体粒子、双中心粒子、协同粒子和混沌粒子对粒子位置更新进行引导,克服算法的随机性,从而提高搜索效率;为进一步克服粒子群优化算法进化后期易陷入早熟收敛的缺点,引入聚焦距离变化率的概念,通过聚焦距离变化率的大小动态调整惯性权重,以提高算法的收敛速度和精度,两者结合极大地提高了搜索到全局最优解的有效性。对4个标准测试函数进行仿真,实验结果表明IPSO算法在收敛速度、收敛精度以及成功率上都明显优于LDWPSO和WPSO算法。     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性,基于BP神经网络建立烧结配料的预测模型,并采用粒子群算法对预测模型参数进行优化.为了克服粒子群算法的局部收敛性,在迭代过程中,根据迭代次数对惯性权重进行动态非线性调整,从而提高算法的搜索能力.仿真结果表明,所提出的改进粒子群算法与传统的粒子群算法比较,收敛速度快、迭代次数少、...     

基于遗传交叉改进粒子群算法的充电站布局

为了合理地规划城市电动汽车充电站布局,采用一种基于遗传交叉改进粒子群算法的寻优处理方案。在传统粒子群算法的基础上,引入局部极值对速度更新公式进行优化,采用自适应惯性权重,并且对当前种群的最优解和每个粒子最优解进行交叉操作产生新解。最后通过改进后算法对城市算例进行求解。结果验证了模型的有效性和准确性,表明改进算法在保持全局最优解的同时能提高70%收敛速度,有效降低总成本、提高便利性。     

基于改进粒子群算法的聚类算法

K-均值算法是一种传统的聚类分析方法,具有思想与算法简单的特点,因此成为聚类分析的常用方法之一.但K-均值算法的分类结果过分依赖于初始聚类中心的选择,对于某些初始值,该算法有可能收敛于一般次优解.在分析K-均值算法和粒子群算法的基础上,提出了一种基于改进的粒子群算法的聚类算法.该算法将局部搜索能力强的K均值算法和全局搜索能力强的粒子群算法结合,提高了K均值算法的局部搜索能力、加快了收敛速度,有效地阻止了早熟现象的发生.实验表明该聚类算法有更好的收敛效果.     

基于改进粒子群优化算法的S盒优化设计

采用传统方法设计的S盒性能较差,而常用智能设计方法又存在设计时间过长、容易陷入局部最优的缺点。为此,提出一种基于改变粒子群优化算法的S盒优化设计方法。通过改变惯性权重来提高搜索速度和精度,从而增大算法效率。实验结果表明,该方法可以快速地搜索到能有效抵抗差分密码分析和线性密码分析的S盒,改善其密码性能。     

基于改进PSO算法的Rosenbrock函数优化问题的研究

Rosenbrock函数优化属于无约束函数优化问题,其全局极小值位于一条平滑而狭长的抛物线形状的山谷底部,且为优化算法提供的信息很少,因此找到其全局极小值就显得很困难.根据Rosenbrock函数的这种特性,专门提出了一种改进的PSO算法(PSO-R),该算法引入三角函数因子,利用三角函数具有的周期振荡性,使每个粒子获得较强的振荡性,扩大每个粒子的搜索空间,引导粒子向全局极小值附近靠近,避免算法过早地收敛,陷入局部最优,从而找到Rosenbrock函数的全局极小值.大量实验结果表明,该算法具有很好的优化性能,为某些领域某些特定的类似于Rosenbrock函数的优化问题提供了一种新的思路.     

基于改进粒子群优化算法的约束多目标优化

针对约束多目标优化问题,提出一种改进的粒子群优化算法,采用距离量度和自适应惩罚函数相结合的约束处理技术,通过可行解比例有效均衡目标函数和约束条件,提高算法的边界搜索能力。定义新的k最近邻聚集密度,保持解集分布性,并将聚集密度和轮盘赌选择相结合选取全局最优粒子。仿真结果表明,该算法在Pareto解集均匀性及逼近性方面均具有优势。     

基于PSO的BP神经网络学习算法

针对标准反向传播(BP)算法收敛速度慢和易陷入局部极值等缺陷,提出一种基于粒子群优化的BP神经网络学习算法。采用标准BP梯度下降法调整权值,利用粒子群优化算法进行网络权值及阈值的修正。将该算法与标准BP算法及传统基于粒子群优化BP网络算法进行仿真比较。实验结果表明,该算法能够克服标准BP算法的缺点,性能优于其他2个BP网络优化模型。     

基于博弈模型的合作式粒子群优化算法

粒子群算法作为一种新兴的进化优化方法,能够大大减轻复杂的大规模优化问题的计算负担. 根据博弈论的思想,在传统粒子群基础上提出了一种基于博弈模型的合作式粒子群优化算法,算法基于重复博弈模型,在重复博弈中利用一个博弈序列,使得每次博弈都能够产生最大效益,并得到了相应博弈过程的纳什均衡. 通过典型基准测试函数对算法的性能进行对比实验,实验结果表明算法是可行的、有效的,对拓展粒子群算法研究具有重要的理论意义与实际意义.     

改进粒子群算法对BP神经网络的优化

介绍一种基于改进粒子群算法优化BP网络的权值调整综合方法。该算法在传统BP算法的误差反传调整权值的基础上,引入粒子群算法的权值修正,并且在训练神经网络权值的同时优化其连接结构,删除冗余连接,从而建立了基于粒子群算法优化的BP网络新模型。结果表明,改进算法不仅可以克服传统BP算法收敛速度慢和易陷入局部权值的局限,而且很大程度地提高了结果精度和BP网络学习能力。     

基于改进粒子群算法的投资组合模型

研究最优化处理资产的实际收益率问题,经典的均值一方差模型对于输入参数过于敏感,不能较好的处理真实世界中的实际收益率问题.为了更好的解决上述问题,建立了一种l∞风险函数的双目标投资组合模型.针对模型中目标函数的不连续性,采用了改进的粒子群优化算法进行求解.改进算法在考虑最优和次优位置的基础上,引入了遗传算法中的交叉操作.在仿真中,运用证券市场中的真实数据分析得出,新模型能够获得比均值一方差模型更小的风险值,同时在实际收益率方面表现更好.     

基于改进粒子群算法的车辆配装问题求解

为解决普零货物的车辆配装问题,通过引入合并策略对标准蚁群算法进行了改进。算法中构造了和配装问题相适应的粒子,使得粒子每一维对应一个货物票号并且其取值为装载此货物的车辆编号,即一个粒子对应一个配装方案。考虑车辆的容积、载重等约束条件,在计算粒子适应度时引入了超载惩罚系数,并为改善粒子局部优化能力提出了合并策略。此算法优化过程运算简单、并行,粒子根据群体和个体历史经验逐步向最优解靠近。实例验证结果表明,该算法是有效和可行的。