基于新变异算子的改进粒子群优化算法

粒子群优化算法(PSO)是一种基于群体智能的优化算法。本文在介绍PSO算法基本原理和流程的基础上,分析了该算法在处理一些复杂问题时容易出现的早熟收敛、收敛效率低和精度不高等问题,提出了一种基于新变异算子的改进粒子群优化算法(NMPSO)。NMPSO算法将产生的变异粒子与当前粒子进行优劣比较,选择较优的粒子,增强了种群的多样性,有效地避免算法收敛早熟。用5个常用基准测试函数对两种算法进行对比实验,结果表明:新提出的NMPSO算法增强了全局搜索能力,提高了收敛速度和收敛精度。     

基于混沌变异算子的小生境量子粒子群算法

针对粒子群算法早熟收敛和搜索精度低的问题,提出了基于混沌变异的小生境量子粒子群算法(NCQPSO).该算法结合小生境技术并加入了淘汰机制.使算法具有良好的全局寻优能力.变尺度混沌变异具有精细的局部遍历搜索性能.使算法具有较高的搜索精度,实验结果表明,NCQPSO算法可有效避免标准PSO(Particle Swarm Optimization)算法的早熟收敛,具有寻优能力强、搜索精度高、稳定性好等优点.也优于原始的量子粒子群算法QPSO(Quantum-behaved Particle Swarm Optimization).     

带自变异算子的粒子群优化算法

针对粒子群优化算法中出现的早熟收敛问题,论文提出了一种带自变异算子的粒子群优化算法。该算法在运行过程中增加了随机变异算子,通过对当前最佳粒子进行随机变异来增强粒子群优化算法跳出局部最优解的能力。对几种典型函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟收敛问题。     

带变异算子的粒子群优化算法

针对PSO算法存在易陷入局部最优点的缺点,该文提出了带变异算子的PSO算法。在算法搜索的后期引入变异算子,使算法摆脱后期易于陷入局部极优点的束缚,同时又保持前期搜索速度快的特性。通过对三个多峰的测试函数和一个问题空间为非凸集的实例所做的对比实验,表明改进的PSO算法增强了全局搜索能力,搜索成功率得到大大提高,克服了基本PSO易于收敛到局部最优点的缺点。     

带变异算子的改进粒子群算法研究

粒子群算法是一种随机全局优化算法,由于算法具有简单、易于实现、可调参数少等特点,得到了广泛的研究和应用。论文在研究标准算法原理的基础上,在算法搜索过程中引入变异算子,克服了标准算法易陷入局部极优点的不足。将改进后的算法运用常见的几个测试函数进行了寻优仿真,仿真结果验证了带变异算子的粒子群算法的可行性和有效性。     

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。     

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。     

混合变异算子的自适应粒子群优化算法

针对惯性权重线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种非线性递减的惯性权重策略,使算法很快地进入局部搜索,并在算法中引入混合变异算子,克服算法易早熟收敛的缺陷。对几种典型函数的测试结果表明,本文算法的收敛速度和收敛精度都明显优于LDW算法。     

自适应阶段变异量子粒子群优化算法研究

为了克服标准量子粒子群优化(SQPSO)算法易陷入局部最优的缺点,引入变异机制,基于进化阶段的概念,提出了自适应阶段变异量子粒子群优化(APMQPSO)算法。以四种不同的变异概率减小方式阶段性地对QPSO算法中的全局最优位置进行柯西变异,形成了四个不同的APMQPSO算法。用五个典型的测试函数进行仿真实验,并将四个APMQPSO算法与SQPSO算法的实验结果进行了比较。实验结果表明,对于单峰函数优化问题,基于变异概率线性变化的APMQPSO算法较为有效;而对于多峰函数优化问题,基于变异概率非线性变化的APMQPSO算法则具有很强的优化能力。     

基于边界变异的量子粒子群优化算法

将边界变异操作引入到量子粒子群优化算法中,提出基于边界变异的量子粒子群优化算法QPSOB。该算法将越界粒子随机分布在边界附近的可行域内,以增加种群的多样性、提高算法的全局搜索能力。仿真实验证明其全局收敛性能优于量子粒子群优化算法。     

基于动态邻域的QPSO算法

为了保证种群的多样性,提高算法的全局搜索能力,在具有量子行为的粒子群优化算法（QPSO）中引入邻域拓扑结构的概念,采用邻域结构中的轮形结构,提出一种基于动态邻域的具有量子行为的粒子群优化算法（NQPSO）。并用若干个标准函数进行测试,比较了NQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,NQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题上。     

基于量子行为粒子群优化算法的定位技术研究

针对无线传感器网络(WSNs)节点定位问题,阐述了WSNs的分布迭代式定位方法研究。这种方法将每次迭代后定位的节点作为其余未知节点的参考节点.同时将基于测距定位问题看成一个多维优化问题,并提出利用具有快速收敛能力的量子行为粒子群优化(QPSO)算法进行求解。最后将仿真实验结果与粒子群优化(PSO)算法进行比较,表明QPSO算法在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法的有效性。     

基于多样性变异的量子行为粒子群优化算法

为了克服量子行为的粒子群优化（QPSO）算法存在早熟收敛的缺点,本文提出了一种改进的QPSO算法,在QPSO算法中加入多样性变异算法,设置多样性函数,当多样性较少时,执行变异操作。扩大了种群搜索过程中的搜索范围,避免了种群多样性不断下降。典型标准函数优化的仿真结果表明,该算法具有较强的全局搜索能力。     

基于多维问题的交叉算子量子粒子群优化算法

针对量子行为粒子群优化(QPSO)算法在求解多维问题时优秀维信息丢失的问题,引入交叉算子的策略,改善解的质量,提升算法性能。首先,分析了量子粒子群算法进化过程中的粒子整体更新评价策略,发现各维信息之间相互干扰,会丢失已经搜索到的优秀维信息;然后,指出如果采用逐维进化方法,会指数级增加算法的复杂度;最后,提出对进化过程中的问题解采用多点交叉的策略增加优秀维信息的保留概率,并将改进后的量子粒子群算法与线性下降参数控制策略、非线性下降参数控制策略方法通过12个CEC2005 benchmark测试函数进行了比较,并对结果进行了分析。仿真结果显示,所提算法比改进前在10个测试函数中取得了明显的改进效果,而比其他2种改进算法也在7个测试函数中取得了优势。因此该算法能够有效提升量子粒子群优化算法的性能。     

一种量子行为粒子群优化动态聚类算法*

为了改善量子行为粒子群优化算法的收敛性能,避免粒子早熟问题,提出了一种基于完全学习策略的量子行为粒子群优化算法。由此设计了一种新的数据聚类算法,新的聚类算法通过特殊的粒子编码方式在聚类过程中能够自动确定最佳的聚类数目。在五个测试数据集上与其他两种动态聚类算法进行聚类实验比较,实验结果表明,基于完全学习策略的量子行为粒子群优化动态聚类算法能够获得较好的聚类结果,有着良好的应用前景。     

求解粮库选址问题的量子粒子群优化算法*

首先分析粮食仓库选址的原则和影响因素等,研究建立了粮库选址模型;进而考虑带障碍约束条件,采用量子粒子群优化的空间聚类分析方法,解决了粮库选址问题;最后,以河南省粮库选址为实例进行了模型验证.实验表明,使用量子粒子群优化方法提高了粮库选址的科学性,为科学合理地进行粮库建设与布局提供了决策依据.     

基于高斯扰动的量子粒子群优化算法

针对量子粒子群优化（QPSO）算法在优化过程中面临早熟问题,提出了在粒子的平均位置或全局最优位置上加入高斯扰动的QPSO算法,可以有效地阻止粒子的停滞,因此较容易地使粒子避免陷入局部最优。为了评估算法的性能,利用标准测试函数对标准PSO算法、QPSO算法以及基于高斯扰动的QPSO算法进行了比较测试。其结果表明,该算法具有较强的全局搜索能力和较快的收敛速度。     

具有分工策略的量子粒子群优化算法

基于量子行为的粒子群优化算法是一种随机的全局优化搜索新方法.介绍了PSO算法和QPSO算法,在对QPSO算法和基于分工策略的PSO算法分析的基础上,提出了基于分工策略的QPSO算法,然后对新算法进行实验.实验结果表明,新算法在收敛性和取得最优值方面优于基于分工策略的PSO算法.     

带变异算子的双种群粒子群优化算法

提出一种带变异算子的双种群粒子群算法,搜索在两个不同的子群中并行运行,分别使用不同的惯性权值,使得种群在全局和局部都有较好的搜索能力.通过子群重组实现种群间的信息交换.在算法中引入变异算子,产生局部最优解的邻域点,帮助惰性粒子逃离束缚,寻得更优解.对经典函数的测试结果表明,改进的算法在收敛速度和精度上有更好的性能.     

基于量子粒子群优化的DAG并行任务调度研究*

任务调度是网络并行计算系统的核心问题之一。在有向无环图(DAG)描述问题的基础上,提出了一种进行并行任务调度的量子粒子群优化算法。首先对DAG并行任务调度问题作出定义,并给出了优化问题的目标;然后分别讨论了问题的编码表示、解码方案、位置向量的计算方法、离散问题连续化、算法的总体流程等;最后给出算法的仿真实验情况及分析,实验结果表明,该算法有良好的全局寻优性能和快捷的收敛速度,调度效果优于遗传算法和粒子群优化算法。