基于邻域速度模仿策略的粒子群算法

为提高粒子群算法跳出局部极值的能力,加快收敛速度,提出基于邻域速度模仿策略的粒子群算法(imitate neighborhood velocity PSO,INVPSO)。通过模仿邻域最优粒子的速度实现粒子群的自适应调整,在前期扩展粒子的探索范围,在后期加速粒子的收敛;采用质心变异增强粒子跳出局部极值的能力。在13个标准测试函数上的实验结果表明,INVPSO对于邻域大小不敏感,具有较强的鲁棒性、较好的收敛性能和收敛精度,其在多峰函数上具有更好的收敛性能。     

一种反演问题求解的免疫克隆粒子群优化算法

为了克服标准粒子群优化(PSO)算法易陷入局部最优以及进化后期收敛速度慢等缺陷,分析了标准PSO算法早熟收敛的原因,提出了基于混合变异机制的免疫克隆粒子群优化(ICPSO)算法并将其应用到波阻抗反演问题中.克隆选择算子能够在局部极值点接近全局最优点时有效增强最优粒子跳出局部解的能力;引入混沌映射Tent序列加速最优粒子的变异学习,在局部极值点与全局最优点距离较远时扩大遍历范围,避免陷入局部极值.通过理论模型试算表明,ICPSO算法在进行波阻抗反演时不仅收敛速度快,而且具有较高的反演精度和抗噪性能.     

一种改进的简化粒子群优化算法

针对粒子群优化算法(PSO)容易陷入局部极值、进化后期收敛速度慢和精度低等缺点,提出了一种改进的简化粒子群优化算法(YSPSO)。该算法采用黄金分割法平衡惯性与经验之间的相互影响;同时,为避免错过全局最优值,增加反向随机惯性权重,使粒子在一定程度上具有反向搜索的能力。最后,对几个经典基准测试函数进行实验,结果表明,YSPSO算法在提高算法收敛速度和精度的同时,降低了陷入局部极值的可能性,提高了PSO算法的实用性。     

基于模糊高斯学习策略的粒子群进化融合算法

针对粒子群优化（PSO）算法存在的开发能力不足,导致算法精度不高、收敛速度慢以及微分进化算法具有的探索能力偏弱,易陷入局部极值的问题,提出一种基于模糊高斯学习策略的粒子群-进化融合算法。在标准粒子群算法的基础上,选取精英粒子种群,运用变异、交叉、选择进化算子,构建精英粒子群-进化融合优化机制,提高粒子种群多样性与收敛性;引入符合人类思维特性的模糊高斯学习策略,提高粒子寻优能力,形成基于模糊高斯学习策略的精英粒子群和微分进化融合算法。对9个标准测试函数进行了计算测试和对比分析,结果表明函数Schwefel.1.2、Sphere、Ackley、Griewank与Quadric Noise计算平均值分别为1.5E-39、8.5E-82、9.2E-13、5.2E-17、1.2E-18,接近算法最小值;Rosenbrock、Rastrigin、Schwefel及Salomon函数收敛平均值较四种对比粒子群优化算法计算结果提高了1~3个数量级;同时,收敛性显示算法收敛速度较对比算法提高了5%~30%。算法在提高计算收敛速度和精度上效果明显,具有较强的逃离局部极值的能力和全局搜索能力。     

一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法

提出一种基于粒子群算法(PSO)和差分进化算法(DE)相结合的新型混合全局优化算法——PSODE．该算法基于一种双种群进化策略，一个种群中的个体由粒子群算法进化而来，另一种群的个体由差分操作进化而来．此外，通过采用一种信息分享机制，在算法执行过程中两个种群中的个体可以实现协同进化．为了进一步提高PSODE算法的性能，摆脱陷入局部最优点，还采用了一种变异机制．通过4个标准测试函数的测试并与PSO和DE算法进行比较，证明本文提出的PSODE算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法．     

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。     

一种多策略混合的粒子群优化算法

针对传统粒子群优化算法在解决一些复杂优化问题时易陷入局部最优且收敛速度较慢的问题,提出一种多策略混合的粒子群优化算法(Hybrid Particle Swarm Optimization with Multiply Strategies,HPSO)。该算法利用反向学习策略产生反向解群,扩大粒子群搜索的范围,增强算法的全局勘探能力;同时,为避免种群陷入局部最优,算法对种群中部分较差的个体实施柯西变异,以产生远离局部极值的个体,而对群体中较好的个体施以差分进化变异,以增强算法的局部开采能力。对这3种策略进行了有机结合以更好地平衡粒子群算法全局勘探和局部开采的能力。将HPSO算法与其他3种知名的粒子群算法在10个标准测试函数上进行了性能比较实验,结果表明HPSO算法在求解精度和收敛速度上具有较显著的优势。     

改进的粒子群优化算法

针对基本粒子群优化算法(PSO)易陷入局部极值点,进化后期收敛慢,精度较差等缺点,提出了一种改进的粒子群优化算法.该算法用一种无约束条件的随机变异操作代替速度公式中的惯性部分,并且使邻居最优粒子有条件地对粒子行为产生影响,提高了粒子间的多样性差异,从而改善了算法能力.通过与其它算法的对比实验表明,该算法能够有效地进行全局和局部搜索,在收敛速度和收敛精度上都有显著提高.     

局部随机搜索扰动的粒子群优化算法

在粒子群优化（PSO）算法中,gBest粒子的行为对算法的收敛性能有较大的影响。提出一种新的改进粒子群优化算法——SLS-PSO算法。该算法以基本PSO算法为框架,融合随机局部搜索算法（SLS）对进化中的gBest粒子进行局部寻优计算,以改善PSO算法在进化中特别是进化后期的收敛性能。通过典型测试函数的计算表明,该算法在收敛速度和精度上都有不同程度的改善。     

一种最优粒子逐维变异的粒子群优化算法

针对粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优、收敛速度过慢、精度低等问题,提出一种新的变异策略,对全局最优粒子进行逐维的重心反向学习变异.逐维变异降低了维间干扰,通过更新全局最优位置引领粒子向更好的位置飞行,同时加强了种群的多样性.仿真实验与基于柯西变异的混合粒子群算法(HPSO)及重心反向粒子群优化算法(COPSO)在9个标准测试函数上进行了对比.实验表明逐维重心反向变异算法(DCOPSO)具有较高的收敛速度及精度.     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

一种基于粒子对称分布多样性的PSO算法

粒子群算法(PSO)在演化的过程中种群多样性越来越差,容易陷于局部最优。为了克服这一缺点,提出一种基于粒子对称分布多样性的改进PSO算法(sdPSO)。对粒子在空间分布的研究发现,粒子在最优解周围更对称的分布可大大提高算法收敛到全局最优解的概率。提出一种种群多样性函数表示方法,并在标准粒子群算法中引入多样性调节算法。由于种群多样性被不断调整,粒子在空间中的分布在对称与非对称之间反复变换,使得改进算法能搜索到更广泛的区域。通过benchmark函数实验仿真,改进sdPSO算法与标准粒子群算法相比,能达到更高的收敛精度。     

基于混沌云模型的粒子群优化算法

针对传统粒子群优化（PSO）算法寻优精度不高和易陷入局部收敛区域的缺点,引入混沌算法和云模型算法对PSO算法的进化机制进行优化,提出混沌云模型粒子群优化（CCMPSO）算法。在算法处于收敛状态时将粒子分为优秀粒子和普通粒子,应用云模型算法和优秀粒子对收敛区域局部求精,发掘全局最优位置;应用混沌算法和普通粒子对收敛区域以外空间进行全局寻优,探索全局最优位置。应用特征根法对CCMPSO算法的收敛性进行分析,并通过仿真实验证明,CCMPSO算法的寻优性能优于其他常用PSO算法。     

一种单个粒子自适应修正的粒子群算法

在各类优化问题的解决过程中,群智能优化算法的局部搜索与全局搜索性能都起着重要的作用。在粒子群优化算法中,惯性权值的引入对粒子群算法的收敛性与稳定性都具有一定的影响。因此,在分析现有权值递减策略的基础上,提出一种基于单个粒子适应值的权值修正策略,区别对待同次迭代中适应值好与差的粒子,通过不同的权值赋值策略,以充分发挥各粒子的优势,以增强全局搜索和跳出局部最优的能力。通过对标准测试函数所做的对比实验,该策略可以使粒子在搜索初期获得更好的多样性,使粒子具有更强的摆脱陷入局部极值点的能力;在搜索末期可以加快粒子收敛速度以提高粒子群优化算法的快速性能。改进算法有效减少了早熟的发生,提高了粒子的收敛性能,取得了比较满意的仿真结果。     

独立自适应调整参数的粒子群优化算法

针对传统粒子群优化算法在求解复杂优化问题时易陷入局部最优和依赖参数的取值等问题,提出了一种独立自适应参数调整的粒子群优化算法。算法重新定义了粒子进化能力、种群进化能力以及进化率,在此基础上给出了粒子群惯性权重及学习因子的独立调整策略,更好地平衡了算法局部搜索与全局搜索的能力。为保持种群多样性,提高粒子向全局最优位置的收敛速度,在算法迭代过程中,采用粒子重构策略使种群中进化能力较弱的粒子向进化能力较强的粒子进行学习,重新构造生成新粒子。最后通过CEC2013中的10个基准测试函数与4种改进粒子群算法在不同维度下进行测试对比,实验结果验证了该算法在求解复杂函数时具有高效性,通过收敛性分析说明了算法的有效性。     

基于Logistic映射的新型混沌简化PSO算法

针对基本粒子群算法易陷入局部最优、收敛速度慢、收敛精度差等问题,提出一种基于Logistic映射的新型混沌简化PSO算法(CIW-SPSO)。该算法引入混沌理论使惯性权重具有混沌搜索能力,同时使学习因子随寻优过程呈正弦函数变化,降低算法陷入局部最优的概率。使用6个经典测试函数进行仿真测试,结果表明：本算法收敛速度快,收敛精度高,能避免陷入局部最优,提升算法优化性能。     

粒子置换的双种群综合学习PSO算法

针对粒子群算法(PSO)种群多样性低和易于陷入局部最优等问题,提出一种粒子置换的双种群综合学习PSO算法(PP-CLPSO).根据PSO算法的收敛特性和Logistic映射的混沌思想,设计并行进化的PSO种群和混沌化种群,结合粒子编号机制,形成双种群系统中粒子的同号结构和同位结构,其中粒子的惯性权重根据适应度值自适应调...     

一种动态调整惯性权重的粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖于参数的选取等缺点,提出了一种非线性指数惯性权重粒子群优化算法(Exponential Inertia Weight in Particle Swarm Optimization,EIW-PSO)。在每次迭代的过程中, 采用粒子最大适应值和最小适应值的指数函数来动态调整 算法中的惯性权重,更有利于算法在寻优过程中跳出局部最优;同时,引入随机因子以确保种群的多样性,使粒子更快地收敛到全局最优位置。为了验证该算法的寻优性能,通过8个基准测试函数将标准PSO、线性递减惯性权重LDIW-PSO、均值自适应惯性权重MAW-PSO在不同维度和种群规模下进行测试比较。实验结果表明,提出的EIW-PSO算法具有更快的收敛速度和更高的求解精度。     

一种双层可变子群的动态粒子群优化算法

粒子间信息的共享方式对粒子群优化算法的收敛速度和全局搜索能力有重要的影响.针对全互联、环形拓扑结构,提出基于双层子群的信息共享方式,以收敛率作为子群规模变化的标识,实现子群规模动态变化,协调了算法的全局搜索能力和局部寻优能力.子群排斥机制使子群跳出局部最优解的束缚,提高解的多样性.选取目前比较流行的几种粒子群优化算法,通过五种经典的Benchmark高维函数优化问题进行实验仿真.结果表明基于双层可变子群的动态粒子群优化算法可以有效的避免算法陷入局部最优,在保证收敛速度的同时算法的全局搜索能力和精度有明显的提高.