多阶段参数动态控制微粒群优化算法

为了平衡微粒群算法中全局搜索和局部开发之间的关系,多阶段参数动态控制机制被引入了标准的微粒群算法。在多阶段参数动态控制微粒群优化算法（MDPSO）中,微粒群的搜索过程在逻辑上被划分为三个阶段,每一个阶段都有各自的优化目标,对应着每一个搜索阶段,代表微粒个体经验、种群经验、全局经验和种群排斥力、全局排斥力的5个加速常数将会按照不同的规律变化,控制种群经验和全局经验对微粒的吸引与种群重心和全局重心对微粒的排斥,可以很好地避免在优化过程初期容易出现的早熟收敛现象和在优化过程末期容易出现的收敛放慢现象。通过对标准函数的测试,验证了该方法有效性和可靠性。     

多目标优化的一种改进微粒群算法

微粒群算法是解决多目标优化问题的一个重要方法.为了多目标目标优化求解问题,常用的微粒群算法在处理多目标优化问题时,存在所得Pareto最优解集的分散性和实用性较差的缺点.针对上述问题,提出了微粒群算法的一种改进形式.改进算法引入了个体精英解集,从中选择更合适的个体最优位置.同时,在评价个体适应度时,考虑了目标函数值差异这一信息.个体对应的目标函数值差异大,则其适应度就小.这样能避免各目标函数值差异过大的最优解存在.三个典型的多目标测试函数表明,改进方法得到最优解集具有更好的分散性和实用性.测得结果证明,改进方法是有效的.     

微粒群优化算法

介绍了微粒群优化（PSO）算法的原理、算法流程、算法参数及其对算法性能的影响．讨论了各种改进的PSO算法．分析了多相微粒群优化算法（MPPSO）的原理、算法方程、算法参数及其对算法性能的影响．最后归纳了PSO算法的应用概况，并就PSO算法进一步的研究工作进行了探讨和展望．     

多目标微粒群优化算法

通过设计一种Pareto解集过滤器,并在此基础上给出多目标优化条件下的微粒群算法群体停滞判断准则,基于该准则提出了一种多目标微粒群优化算法。算法利用Pareto解集过滤器提高了候选解的多样性,并使用图形法将所提算法与经典的多目标优化进化算法在一组标准测试函数上进行了比较,结果表明算法具有更好的搜索效率。     

改进微粒群算法在光子晶体优化中的应用

针对标准微粒群算法无法合理控制全局搜索和局部开发之间的关系,容易出现早熟收敛和全局收敛放慢的现象,提出了一种基于吸引力排斥力平衡机制的改进微粒群算法.改进算法将优化过程分为三个阶段,设定了每个阶段的目标,以此为指导来分别调整引力斥力大小和极优值传播速度,有重点地进行全局搜索或局部开发,以达到提高优化效率的目的.采用四个典型测试函数对改进算法进行了测试,并将该算法应用在光子晶体带隙优化设计?实验结果表明,改进微粒群算法很好地避免了早熟收敛和全局收敛放慢的现象,相比标准算法具有较高的可靠性和稳定性,是一种高效的优化算法.     

基于微粒群优化算法的非线性系统PWA多模型建模

针对复杂非线性系统,将微粒群优化(PSO)算法与多模型建模相结合,设计了一种基于PSO算法的非线性系统分段仿射(PWA)多模型建模算法。该算法将PWA多模型建模问题转化为混合整数二次规划（MIQP）问题,并基于PSO算法对其进行优化求解。在求解的过程中,采用分层优化求解方法,有效降低优化问题的维数,减小了陷入局部最优的概率,并通过仿真验证了该算法的有效性。     

多目标微粒群优化算法及其应用研究进展*

多目标微粒群优化(MOPSO)算法是一类基于群体智能的新型全局多目标优化方法,已受到广泛关注,并在许多领域得到应用。针对近几年来MOPSO算法及其应用的进展进行了综述和评论。首先描述了MOPSO算法的基本框架;接着对MOPSO算法进行了分类和分析,并给出了MOPSO算法的一些改进策略;然后介绍了MOPSO算法的应用进展;最后,展望了MOPSO算法值得进一步研究的方向。     

一种优化模糊神经网络的多目标微粒群算法

模糊神经网络优化是一个多目标优化问题.通过对模糊神经网络和微粒群算法的深入分析,提出了一种多目标微粒群算法.在算法中将网络的精确性和复杂性分别作为目标进行优化,再用一种启发性分量加权均值法来选取个体极值和全局极值.算法能够引导粒子较快地向非劣最优解区域移动并最终获得多个非劣最优解,为模糊神经网络的精确性和复杂性的折中寻优问题提供了一种解决方法.茶味觉信号识别的仿真实验验证了该算法的有效性.     

多目标微粒群优化算法综述

作为一种有效的多目标优化工具,微粒群优化(PSO)算法已经得到广泛研究与认可.首先对多目标优化问题进行了形式化描述,介绍了微粒群优化算法与遗传算法的区别,并将多目标微粒群优化算法(MOPSO)分为以下几类:聚集函数法、基于目标函数排序法、子群法、基于Pareto支配算法和其他方法,分析了各类算法的主要思想、特点及其代表性算法.其次,针对非支配解的选择、外部档案集的修剪、解集多样性的保持以及微粒个体历史最优解和群体最优解的选取等热点问题进行了论述,并在此基础上对各类典型算法进行了比较.最后,根据当前MOPSO算法的研究状况,提出了该领域的发展方向.     

基于Toy模型蛋白质折叠预测的多种群微粒群优化算法研究

基于Toy模型的蛋白质折叠结构预测问题是一个典型的NP问题.提出了多种群微粒群优化算法用于计算蛋白质能量最小值.该算法采用了一种新的算法结构,在该结构中,每一代的种群被分为精英子种群、开采子种群和勘探子种群三部分,通过改善种群的局部开采能力和全局勘探能力来提高算法的性能.分别采用Fibonacci蛋白质测试序列和真实蛋白质序列进行了折叠结构预测的仿真实验.实验结果表明该算法能够更精确地进行蛋白质折叠结构预测,为生物科学研究提供了一条有效途径.     

一种改进的粒子群优化算法

粒子群优化算法（PSO）是一种生物进化技术。依据粒子间的相互影响发现搜索空间中的最优解。通过分析基本PSO算法的进化方程,研究了一种具有更好收敛速度和全局收敛性的改进PSO算法。5个典型测试函数的仿真实验表明该改进算法是行之有效的。     

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.     

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。     

复形法粒子群优化算法研究

针对基本粒子群优化算法对复杂函数优化时难以获得最优解的缺陷,提出了一种复形粒子群优化算法。该算法采用复形法来提高粒子的局部搜索能力,从而保证了算法能够跳出局部最优,获得全局最优解。实验结果表明,与文献算法相比,该算法在基准函数优化时具有更强的寻优能力和更高的搜索精度。     

改进的吸引扩散微粒群算法

为了避免微粒群算法存在的过早收敛问题, 在ARPSO的基础之上, 提出了一个简单的种群多样性度量函数和微粒最好飞行方向的概念, 引入了变异策略, 从而实现了一种改进的吸引扩散微粒群算法MARPSO, 并从理论上分析了MARPSO的局部收敛性和全局收敛性. 对四个经典函数进行了仿真测试, 测试结果表明: 与基本微粒群算法BPSO和ARSPO相比, 该算法能够有效的提高种群多样性, 并且具有较高的收敛速度.     

基于PSO的确定性问题优化研究

粒子群算法原理简单，易于实现，是进化算法中优化效率很高的算法。针对确定环境下的问题优化，提出采用粒子群算法对其进行优化求解。通过对确定性环境下的Benchmark函数的算法仿真研究，表明粒子群算法在确定性问题优化中具有快速收敛性和精确性的特点。     

基于布尔型粒子群优化算法的网络编码优化

针对布尔型粒子群优化算法存在容易陷入局部极值和收敛速度慢的缺点,提出一种带扰动因子的自适应调整惯性权重和学习因子取1概率的布尔型粒子群优化算法,并把这种改进的布尔型粒子群优化算法用于网络编码的优化以得到具有最小编码边的编码方案.对两个人工拓扑进行优化得到的结果表明,基于布尔型粒子群优化算法最小化编码边方案的收敛速度和精度都优于基于遗传算法最小化编码边的方案的速度和精度,能有效用于网络编码的优化.     

基于适应值引导的粒子群改进算法

粒子群算法是一种智能算法,被广泛用于各领域。通过比较几类常见的粒子群算法的优劣,提出了基于适应值引导的粒子群算法,以增加粒子群的多样性,从而加快收敛速度。实验结果证明,与其他算法相比,基于适应值引导的粒子算法的收敛率与收敛速度表现最佳。     

Cellular particle swarm optimization

This paper proposes a cellular particle swarm optimization (CPSO), hybridizing cellular automata (CA) and particle swarm optimization (PSO) for function optimization. In the proposed CPSO, a mechanism of CA is integrated in the velocity update to modify the trajectories of particles to avoid being trapped in the local optimum. With two different ways of integration of CA and PSO, two versions of CPSO, i.e. CPSO-inner and CPSO-outer, have been discussed. For the former, we devised three typical lattice structures of CA used as neighborhood, enabling particles to interact inside the swarm; and for the latter, a novel CA strategy based on “smart-cell” is designed, and particles employ the information from outside the swarm. Theoretical studies are made to analyze the convergence of CPSO, and numerical experiments are conducted to compare the proposed algorithm with different variants of PSO. According to the experimental results, the proposed method performs better than other variants of PSO on benchmark test functions.     

粒子群Memetic算法求解多峰函数优化

针对目前多峰函数优化问题较难找到全部局部最优解的情况,提出了一种粒子群Memetic算法。算法结合了粒子群优化的全局搜索能力和爬山法的局部搜索能力,增强了算法搜索最优解的能力。实验结果表明,该算法求解精度较高,且收敛速度较快。