一种基于种群速度的自适应粒子群算法

分析了粒子群算法的收敛性,指出早熟是由于粒子速度降低而失去继续搜索可行解的能力.进而提出一种基于种群速度动态改变惯性权重的粒子群算法,该算法以种群粒子平均速度为信息动态改变惯性权重,避免了粒子速度过早接近0.通过5个标准测试函数的仿真实验并与其他算法相比,结果表明该算法在进化中期能很好地保持种群多样性,有效地改善算法的平均最优值和成功率.     

基于Predator-Prey行为的双种群粒子群优化算法

根据生物的捕食-食饵(predator-prey)行为的规律,提出了一种双种群粒子群优化(DPPSO)算法.将粒子分成predator和prey两个种群,其中predator种群每间隔一定的迭代次数后排斥prey种群.在排斥的过程中,predator种群采用“擒贼先擒王”的策略,逐步向prey种群的群体最优位置靠近,同...     

基于交叉变异的混合粒子群优化算法

粒子群优化算法是一种基于群体智能理论的全局优化算法,通过群体中粒子间的合作与竞争实现对问题空间的高效搜索。针对算法后期收敛速度较慢、易陷入局部最优的缺点,提出了一种混合粒子群算法。该算法通过改变种群初始化方法,引入交叉和变异机制等措施改善基本粒子群算法的性能。数值试验结果表明,改进型粒子群算法在提高全局寻优能力和加快收敛速度等方面均有良好的表现。     

新型的动态粒子群优化算法

为了解决动态改变惯性权重的自适应粒子群算法不易跳出局部最优的问题,提出了一种自适应变异的动态粒子群优化算法。在算法中引入了自适应学习因子和自适应变异策略,从而使算法具有动态自适应性,能够较容易地跳出局部最优。对几种典型函数的测试结果表明,该算法的收敛速度明显优于文献算法,收敛精度也有所提高。     

一种新的混合粒子群优化算法

针对粒子群算法在进化后期收敛精度低、收敛速度慢,尤其是高维时候容易早熟等问题,提出了一种新的混合粒子群优化算法。新算法首先设计了一种新的惯性权重,使惯性权重取值在进化初期和后期都较为适中;其次,为了有效抑制粒子陷入局部极值,引入了粒子最优速度和最差适应值的概念,并以此为基础,设计了粒子的一种新的自适应变异方式;最后引入了平均收敛率和最小平均收敛代数两个概念,可以更好地评价和比较本文算法的性能。八个标准测试函数在100维、200维进行的数值实验证实,新算法收敛精度高,收敛速度快,且有效预防了早熟现象。     

基于受控混沌映射的简化粒子群优化算法

为了克服粒子群算法早熟收敛和收敛精度不高的缺陷,提出了基于受控混沌映射的简化粒子群优化算法。该算法在采用去除了速度项的简化粒子群算法结构基础上,用受控混沌变量来描述惯性权值,并且对进化停滞的个体和全局极值进行变异操作。数值实验结果表明,新算法在收敛速度和收敛精度方面较已有方法有了明显提高,具有更强的摆脱局部极值的能力。     

双种群变异粒子群算法

利用变异机制可以增加遗传算法全局寻优能力的特性,结合惯性权值线性递减PSO算法具有较快收敛速度的优点,提出了一种双种群变异PSO算法,对该算法与其他PSO算法进行了比较,仿真结果表明其性能优越。     

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。     

具有综合学习机制的粒子群算法

基本粒子群算法在模拟生物群体智能时,只有信息的单一传递和强迫学习机制,导致群体迅速收敛和种群的多样性降低。为此,提出一种具有综合学习机制的粒子群算法,将所有粒子的个体极值的平均值取代每一粒子的个体极值,并以自适应概率定向地随机变异全局极值。仿真实验表明,新算法解精度高,收敛速度快,能有效抑制过早收敛。     

基于改进惯性权重的粒子群优化算法

惯性权重是粒子群算法中平衡全局搜索和局部搜索能力的重要参数,提出了一种基于改进惯性权重的粒子群优化算法。该算法在进化初期采用基于不同粒子不同维的动态自适应惯性权重策略,加快收敛速度,在进化后期采用线性递减权重策略,同时为防止陷入局优,适时引入混沌变异增加种群多样性。对5个典型测试函数的测试结果表明,NPSO在收敛速度、收敛精度、稳定性和全局搜索能力等方面比线性权重PSO(LDIWPSO)均有很大程度上的提高。     

自适应群体结构的粒子群优化算法

粒子群优化算法中,群体结构的组织模式直接决定了粒子间信息的共享和交流方式.根据复杂网络形成过程中的动力学原理,提出了一种自适应群体结构的粒子群优化算法.算法初期粒子空间分布分散,搜索过程中不断产生新的连接,群体的搜索模式由L_best? 模型逐渐进化为G_best? 模型,群体结构的这种进化方式有利于算法早期的“勘探”和后期的“开采”.实验结果表明,新算法在收敛性能上获得了较大提高.     

惯性权重正弦调整的粒子群算法

通过对标准粒子群算法中惯性权重的分析,提出了一种惯性权重正弦调整的粒子群算法。运用差分方程对粒子速度变化过程和位置变化过程进行分析,得到了粒子群算法的收敛条件。通过对4个典型的函数的测试,实验结果表明该方法在收敛速度和全局收敛性方面都比标准粒子群算法和随机惯性权重粒子群算法有明显改进。理论分析和仿真实验验证了新算法的正确性和有效性。     

动态调整惯性权重的粒子群优化算法

针对高维复杂优化问题,提出一种改进适应度函数和动态调整惯性权重的粒子群优化算法.首先考虑了搜索点的函数值及其变化率,并将该信息加入适应度函数.利用维惯性权重矩阵自适应动态调整惯性权重,较好地平衡了算法的全局探索和局部开发,并分析了惯性权重随种群多样性的变化关系.在算法后期计算每一维的收敛度,以一定的概率对收敛度最小的维进行变异,以加快算法的收敛速度.对高维测试函数的实验表明,算法提高了全局搜索能力.     

一种改进的粒子群算法

为了改进基本粒子群算法的搜索功能,针对粒子群算法易于陷入局部极值,进化后期的收敛速度慢和精度低等缺点,通过公式分析得到新的惯性权重调节方法,提出了一种新的改进粒子群算法。用几个经典测试函数进行实验,实验结果表明,新算法不仅具有更好的收敛精度,而且能更有效地进行全局搜索。     

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。     

基于局部搜索惯性权重的粒子群优化算法*

粒子群优化算法的性能主要受其中参数的影响,尤其是惯性权重的影响,选择合理的ω能够平衡算法的全局和局部搜索能力.根据当前粒子的函数值调整学习因子,利用局部搜索的方法确定惯性权重,提高了算法的鲁棒性能.最后对一些标准测试函数进行验证,实验分析表明该算法具有优越性能.     

基于惯性权重对数递减的粒子群优化算法

针对粒子群算法收敛速度慢和易陷入局部最优的问题,提出了基于惯性权重对数递减的粒子群算法,并引入对数调整因子,对数调整因子的不同取值保证了算法搜索成功率。选取八种典型函数分别进行给定迭代次数和给定精度的仿真实验,并与标准PSO算法、惯性权重线性递减PSO算法、惯性权重高斯函数递减PSO算法进行比较。测试结果表明,该策略可以简便高效地提高算法的全局收敛性和收敛速度,并且具有较好的稳定性。求解大多数优化问题时,即使不引入对数调整因子新算法就可以获得较好的效果。     

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。     

一种引入密度因子的改进粒子群优化算法*

在传统的线性递减惯性权重（LDW）粒子群算法的基础上,提出一种新的引入粒子密度因子的粒子群算法。该算法根据粒子平均适应度值和社会最优适应度值,采用径向基函数形式来度量粒子群在最优值附近的聚集程度。在进化过程中,当密度因子大于一定值时,在LDW惯性权重因子中加入扰动项,使粒子群重新散开,从而跳出局部极值,避免算法出现早熟现象。基于Benchmark函数库的仿真实验表明,该算法一定程度上避免了算法过早收敛,尤其是在高维和多极值情况下性能明显优于传统PSO算法。