粒子群优化算法研究进展

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．介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用，并对其将来的发展进行了展望．     

引入变异算子的粒子群优化算法

粒子群优化算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优。为了克服这个缺点,文中提出了一种引入变异算子的粒子群优化算法,即每次粒子更新后对种群最优位置随机选取其中一维进行变异操作,以增强算法跳出局部最优的能力。通过对5个基准函数的仿真实验,结果表明了新算法的有效性。     

基于两阶段策略的粒子群优化研究

提出了一种基于传统粒子群优化的两阶段实施方案，通过对一组测试函数的仿真表明，该方案以适当增加的计算量为代价，提高了搜索成功率. 对比实验表明，两阶段方案几乎在各种最大可迭代次数的约束下都能获得更好的搜索成功率，且对学习速度参数的敏感性降低，算法的搜索性能更稳健.实施该策略时原则上子群数量宜选取一个适中的数值，以综合考虑可靠性与计算成本两个因素.     

粒子群优化算法研究进展

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.介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用,并对其将来的发展进行了展望.     

粒子群优化算法的研究与展望

粒子群优化算法是一种基于群智能的随机优化算法,具有简单易实现、设置参数少、全局优化能力强等优点.着重对粒子群优化算法中的基本算法、改进算法、应用领域和研究热点等方面做了较为详细的论述.     

粒子群优化算法中的位置矢量的评价策略

为了解决粒子群优化算法(particle swarm optimization,简称PSO)在解决高维多极值问题时容易陷入局部最优而早熟及位置矢量的评价策略存在的"两进一退"和"两退一进"的问题,提出了一种新的评价策略,对各粒子的位置矢量逐维进行评价,使粒子向目标最优位置"稳步前进",具有和标准PSO一样的收敛性分析过程,没有增加对PSO的理解难度,并定义了广义评价策略,实验证明,可以有效地在收敛速度和防止早熟之间平衡以达到很好的优化性能。     

粒子群优化算法的研究与应用

粒子群算法(PSO)因其容易实现,精度高及收敛快等特性,在解决实际问题中经常被广泛使用.但粒子群算法也有不易跳出局部最优的问题,所以本文基于该算法,提出一种基于分工合作的改进型粒子群优化算法.经过优化后,可以对所有粒子执行搜索,寻找更优个体,从而使算法更加适合实际应用.     

改进的粒子群优化算法在机器人足球中的应用

为了提高算法对复杂动态环境的适应性,提出一种改进的粒子群优化算法,在确保其收敛性的前提下,采用动态跟踪优化的方法,获得动态环境中相对较高的性能.并将该方法应用于机器人足球比赛中,解决了多个机器人间的竞争与合作,以及机器人最佳动作的选择问题,实验结果表明该方法是有效的.     

新型混合粒子群优化算法

针对粒子群算法易陷入局部极值、精度低等缺点,提出了一种基于模拟退火与混沌思想的新型粒子群优化算法(SA-CPSO).在该算法的初始阶段,对粒子位置进行混沌初始化,并引入模拟退火算法对每个粒子的适应度进行评价;在该算法运行过程中根据群体适应度方差对粒子群进行混沌更新;最后通过对几种经典函数的测试计算,结果表明,相对于标准粒子群算法,该新型混合算法提高了局部搜索能力和搜索精度,并有效避免了早熟现象的产生.     

粒子群优化算法在函数优化上的研究与发展

粒子群优化算法(PSO)与其他演化算法相似,也是基于群体的。每个粒子被随机初始化以表示一个可能的解,并在解空间通过更新迭代搜索最优解。该算法的特点是简单容易实现而又功能强大。该算法最初被提出来主要应用于函数优化。经过几年的发展,已经出现了大量的改进算法。本文总结了这些改进算法的基本主要形式,并给出了未来可能的研究方向。     

微粒群算法的研究现状与展望

微粒群算法(PSO)是继蚁群算法提出之后的又一种新的进化计算技术.介绍了微粒群算法的产生背景,基本算法,算法流程,算法参数及其对算法性能的影响.围绕微粒群算法的改进形式,算法的应用等方面对微粒群算法的研究现状进行全面综述,其中特别提到了算法在生产调度领域的研究现状.最后就PSO算法进一步的研究工作进行了探讨和展望.     

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

基于改进粒子群算法的组合测试数据生成

针对传统粒子群优化算法生成测试数据容易产生早熟收敛而陷入局部最优的问题,提出一种基于改进粒子群算法的组合测试数据生成算法。该算法在粒子群算法的基础上引入一种惯性权重自适应调整策略,根据粒子的适应度不同采用不同的惯性权重,从而有效的平衡算法的全局和局部搜索能力,增加种群的多样性并提高算法的搜索效率。仿真实验表明该算法与传统粒子群算法相比,所需迭代次数减少,生成组合测试数据速度快。     

基于改进粒子群算法的配电网重构的研究

提出了基于改进二进制粒子群算法的配电网重构策略,在保证系统及用户供电质量的前提下,使得配电网重构的综合费用最低。从配电网重构实际应用出发,提出了综合考虑系统的电能损耗费用、开关运行维护及投切费用和停电损失费用四方面的目标函数。针对普通粒子群算法易陷入局部极值的缺点,采用改进的惯性权值策略,增强了算法的调节功能,克服了普通粒子群算法的早熟收敛现象。算法还对开关操作次数约束进行了处理使之不影响全局最优性。仿真结果表明,这种配电网策略可以明显降低系统网损和综合费用。改进的粒子群算法计算速度快,目标函数更贴近配电网重构的实际情况。     

Robot stereo vision calibration method with genetic algorithm and particle swarm optimization

Accurate stereo vision calibration is a preliminary step towards highprecision visual positioning of robot. Combining with the characteristics of genetic algorithm (GA) and particle swarm optimization (PSO), a threestage calibration method based on hybrid intelligent optimization is proposed for nonlinear camera models in this paper. The motivation is to improve the accuracy of the calibration process. In this approach, the stereo vision calibration is considered as an optimization problem that can be solved by the GA and PSO. The initial linear values can be obtained in the first stage. Then in the second stage, two cameras’ parameters are optimized separately. Finally, the integrated optimized calibration of two models is obtained in the third stage. Direct linear transformation (DLT), GA and PSO are individually used in three stages. It is shown that the results of every stage can correctly find nearoptimal solution and it can be used to initialize the next stage. Simulation analysis and actual experimental results indicate that this calibration method works more accurate and robust in noisy environment compared with traditional calibration methods. The proposed method can fulfill the requirements of robot sophisticated visual operation.     

一种改进的粒子群优化算法及其应用

介绍了粒子群优化算法及其原理,针对其后期容易陷入局部极值的缺陷,提出了一种改进粒子群算法.改进算法采用全局最优粒子变异策略和部分粒子群部分维初始化策略.通过将其应用于(N M)容错系统模型的实例,对改进算法的性能进行了分析,结果表明,改进算法的搜索效率和精度均优于一般的粒子群算法,同时具有较好的收敛稳定性.     

群体组织启示下的粒子群算法改进

从社会学的视角分析粒子群的组织结构,试图通过增强群体组织管理来防止算法的早熟收敛．借鉴社会管理学中发挥个体能动性和规范成员行为并重的管理理念,构造基于团队式管理的粒子群算法．使用标准测试函数对该算法进行仿真实验,并用正交试验法进行了参数优化．实验结果表明,相对现有的一些改进方案,文中提出的改进算法简单易实现,在一些问题求解上表现出较好的寻优和收敛性能．     

约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.