均匀搜索粒子群算法的收敛性分析

本文将均匀搜索粒子群算法(Uniform search Particle Swarm Optimization,简称UPSO)的位置更新公式变换为一个差分方程,求解差分方程得到非递推的位置更新公式,推导解的收敛条件并求出了UPSO对学习系数c及惯性系数w的收敛区域,最后通过6个Benchmark函数仿真实验对收敛区域的正确性进行验证,实验结果表明学习系数和惯性系数在收敛区域内时的UPSO收敛,不在收敛区域外时UPSO发散.     

均匀搜索粒子群算法

针对基本粒子群优化算法容易陷入局部最优解的问题,本文定义了PSO粒子搜索中心的概念,并对其随机状态下粒子搜索中心在全局最优解与局部最优解之间的概率密度进行了计算,在此基础上提出了粒子搜索中心在两个最优解之间均匀分布的均匀搜索粒子群算法,并通过7个Benchmark函数与基本PSO算法进行了对比实验及算法分析,实验分析结...     

基于正交搜索的粒子群优化测试用例生成方法

针对粒子群优化算法易出现早熟收敛的问题,本文提出一种基于正交搜索的粒子群优化测试用例生成方法.首先,利用奇异值分解来预测种群的进化方向,在其正交方向进行搜索,可避免已搜索过的区域,有助于跳出局部最优;然后,对粒子速度项进行改进,使其与正交方向保持一致,保证种群可持续受到正交方向的影响,有利于减少奇异值分解次数,降低时间消耗;最后,对每代最优个体进行局部搜索,以增强算法局部搜索能力.实验证明,本文方法在覆盖率、运行时间、进化代数等指标上均有优势.     

基于自适应粒子群优化的粒子滤波跟踪算法

传统粒子滤波算法中在重要性采样部分存在采样粒子位置不精确的问题,可用粒子群优化算法优化,但目前的标准粒子群优化粒子滤波算法会出现粒子局部寻优的情况。对此对算法中的惯性权重和学习因子同时采取自适应调整的方法,平衡粒子的搜索能力以减少这种情况的出现,并且为了解决算法优化后因粒子聚集而造成的多样性缺失问题,对粒子进行随机变异以提高粒子多样性。仿真结果表明,经过改进后的优化算法可有效提高粒子滤波算法的准确性,使跟踪误差减小。     

引入模式搜索算子的粒子群优化算法

针对粒子群优化算法(PSO)在解决复杂的高维优化问题时容易陷入局部最优和收敛速度慢的问题,结合模式搜索算法较强的局部搜索能力,提出一种引入模式搜索算子的粒子群优化算法(HJPSO).为避免最优粒子陷入局部最优而导致整个种群出现搜索停滞,在PSO算法的迭代过程中加入判断粒子陷入局部最优的机制,当检测到早熟停滞迹象时,使用模式搜索算子对整个粒子群当前搜索到的历史最优位置进行模式搜索以帮助算法跳出局部最优点.标准测试函数的运行结果表明,该算法具有较强的跳出局部最优的能力,收敛速度较快,稳定性好.     

基于交叉和自适应权重的混合粒子群优化算法

针对粒子群算法易陷入"局部最优解"和搜索精度逐渐降低的缺点,提出了基于交叉和自适应权重的混合粒子群优化算法.加入的交叉操作使得种群在粒子数目不变的情况下多样性得以维持,而自适应权重有效地平衡了整个算法的全局与局部搜索能力.通过函数测试实验表明,新的算法能够避免早熟收敛问题,有效地提高了其寻优能力.     

一种新型的混合粒子群算法

针对粒子群算法存在的收敛速度慢,容易早熟的缺点,为了获得更好的算法性能,采用两种基本的改进策略,在MATLAB2009中对几个典型测试函数的优化问题进行了实验,即采用全局粒子群算法与局部粒子群算法相结合,同时引入遗传算法的交叉、变异操作,给出了混合粒子群算法的在线、离线性能图.为了作为比较,以表格的方式给出了混合、全局、局部3种不同粒子群算法在测试函数上的运行结果.结果表明,混合粒子群算法在收敛速度、收敛于全局方面都表现良好.     

基于自适应混沌粒子群的Web搜索结果聚类研究

提出了基于自适应混沌粒子群的Web搜索结果模糊C-均值算法,用粒子群算法代替模糊C-均值算法梯度下降的迭代过程,同时引入自适应的平衡搜索策略加快算法收敛和提高去噪能力,在增强局部搜索能力的同时引导粒子群跳出局部极值点.这样不仅在一定程度上解决了网页文档不确定性的问题,而且获得快速、稳定的聚类效果.     

解决全局优化问题的粒子群进化算法

针对复杂全局优化问题,提出一种粒子群进化算法(PSOEA)。针对粒子群算法容易陷入局部最优等缺点,设计一个新的变异算子,使得粒子能够在整个空间进行搜索,同时保证了算法的收敛性。用概率论的有关知识证明了算法的收敛性。仿真结果表明,对于全局优化问题,算法寻优性能优良,特别是对于超高维优化问题,该算法能获得更高精度的解。     

基于自适应粒子群算法的目标定位方法研究

针对现有定位求解算法复杂和标准粒子群算法易陷入局部最优的缺点,提出了一种基于自适应粒子群算法的目标定位方法.该方法在迭代过程中指数更新惯性权重,择优选择粒子,并根据种群适应度方差值自适应地调整变异概率的大小,增强算法跳出局部最优的能力.仿真结果表明该方法能有效地提高目标的定位精度,在随机噪声干扰方差为0.5的条件下,定位均方误差不超过0.8m.     

基于拟熵自适应启动局部搜索策略的混合粒子群算法

在继承综合学习粒子群算法（Comprehensive Learning Particle Swarm Optimizer,CLPSO）全局探索优势的基础上,引入具有高效收敛性能的传统局部搜索（Orthodox Local Search,OLS）方法,提出了基于拟熵自适应启动局部搜索策略的混合粒子群算法（Hybrid Particle Swarm Optimization algorithm with Adaptive starting strategy of Local Search based on Quasi-Entropy,ALSQE-HPSO）.采用拟熵指标解决何时启动OLS这一关键问题.对8个标准函数的10维和20维问题的测试结果,表明了ALSQE-HPSO算法的性能优势.本文提出的算法也与包含两种基于CLPSO的改进算法和一种带OLS的粒子群算法在内的其他6种改进粒子群算法进行了对比,实验结果表明ALSQE-HPSO算法的性能优于对比算法.     

基于天牛须算法的粒子群算法在PID参数整定上的应用

PSO虽然被广泛应用于包含PID参数整定等各种寻优问题中,但是传统粒子群算法在某些场合收敛速度慢且较容易陷入局部最优值。针对这些问题,文中提出一种将新型高效BAS融合进PSO算法的全局寻优过程,该方法可以更好地跳出局部最优点。同时,由于BAS算法为单一个体的算法,易因为早熟收敛陷入局部最优,故将BAS和传统的PSO结合也增强了BAS的丰富度。在Schaffer函数进行的20次独立测试显示,该算法相对于传统PSO和BAS取得了较好的寻优结果。最后,将算法应用到不稳定对象的PID参数寻优中,结果显示相对于PSO和改进PSO算法,新算法下的ts、tr、IAE、ISE等各项指标均得到了提高。     

Adaptive Multi-layer Particle Swarm Optimization with Neighborhood Search

Particle swarm optimization (PSO) has shown a good performance on solving global optimization problems.Traditional PSO has two main drawbacks of premature convergence and low convergence speed,especially on complex problems.This paper presents a new approach called Adaptive multi-layer particle swarm optimization with neighborhood search (AMPSONS),where the traditional PSO is improved by employing an adaptive multi-layer search and neighborhood search strategy to achieve a trade-off between exploitation and exploration abilities.In order to evaluate the performance of the proposed AMPSONS algorithm,the performance of AMPSONS is compared with five other PSO family algorithms,namely,CLPSO,DNLPSO,DNSPSO,global MLPSO and local MLPSO on a set of benchmark functions.The comparison results show that AMPSONS has a promising performance on majority of the test functions.     

自适应变异的粒子群优化算法

本文提出了一种新的基于群体适应度方差自适应变异的粒子群优化算法(AMPSO).该算法在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了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:新算法的全局收搜索能力有了显著提高,并且能够有效避免早熟收敛问题.     

基于粒子群算法的码书设计研究

在基于粒子群算法码书设计研究中,提出采用随机概率扰动的方式作为基本粒子群算法的全局极值更新条件,从而增加全局最优区域的搜索能力,避免了粒子过早的“趋同性”。     

基于粒子群算法的多应急点资源调度研究

分析多应急点多出救点以及多资源的应急调度问题,且考虑实际的应急资源调度时间会受到影响,故加入联系数进行分析,建立应急最早开始时间和出救点数最少为目标函数的模型.运用粒子群算法求解,最后构造数值算例,验证了所建立模型的合理性和粒子群算法的可行性.