演化信息协助的动态协同随机漂移粒子群优化算法

为了改善随机漂移粒子群算法的群体多样性，通过演化信息的协助，提出动态协同随机漂移粒子群优化（CRDPSO）算法。利用上下文粒子的向量信息，粒子之间的动态协作增加了种群多样性，这有助于提高群体的搜索能力，并使整个群体协同搜索全局最优值。同时在演化过程中的每次迭代，利用二维空间分割树结构来存储算法中的估计解的位置和适应度值，从而实现快速适应度函数逼近。由于适应度函数逼近增强了变异策略，因此变异是自适应且无参数的。通过典型测试函数将CRDPSO算法和差分进化算法（DE）、协方差矩阵适应进化策略算法（CMA-ES）、非重复访问遗传算法（cNrGA）以及三种改进的量子行为粒子群算法（QPSO）进行比较。实验结果表明，不管是对于单峰还是多峰测试函数，CRDPSO的性能均是最优的，证明了该算法的有效性。     

融合分区导向搜索与自适应扩散的新型Lichtenberg算法

针对Lichtenberg算法收敛速度慢、易陷入局部最优等问题，提出融合分区导向搜索与自适应扩散的新型Lichtenberg算法（novel Lichtenberg algorithm，NLA）。根据群体粒子的适应度值将搜索空间分为中心区域和边缘区域，分别利用螺旋系数的动态趋向性和Levy变异的随机性，对中心区域和边缘区域的粒子进行位置更新，提高种群多样性，加强算法的全局搜索能力；引入自适应扩散策略，充分利用群体各个粒子的位置和适应度值信息来指导其进行信息交流，避免算法陷入局部极值，提高算法的局部优化能力。采用CEC2021测试函数和20个不同特点的高维测试函数进行数值实验，并将NLA算法与六种不同类型的智能优化算法进行对比，实验结果表明，NLA算法具有更高的寻优精度和收敛速度。最后验证了两种改进策略对NLA算法的有效性。     

嵌入列维变异的混合动态粒子群算法

针对标准粒子群优化算法易陷入局部最优、收敛精度不高的问题,提出一种嵌入列维变异的混合动态粒子群算法（DLPSO）。算法在进化过程中采用动态拓扑Dbest策略以降低粒子趋同性,每次迭代时根据解的好坏将粒子分为全局最优粒子、探索粒子及无目标粒子,并对探索粒子进行分簇,簇内粒子的更新受到全局最优粒子及簇内最优粒子的共同影响;为确保粒子多样性,平衡局部搜索与全局搜索,采用免疫机制与自适应列维变异相结合的方式对粒子进行变异。利用7个测试函数对算法进行性能评价,数值仿真结果表明该算法搜索精度高且稳定性好,具有良好的收敛性能。     

均衡分布性和收敛性的多目标粒子群优化方法

粒子群优化（PSO）算法是一种基于群体演化且非常有效的求解多目标优化问题的方法,但因经典算法中粒子进化存在趋同性导致算法易陷入局部Pareto最优前沿,使得解集收敛性和分布性不理想。为此提出了一种均衡分布性和收敛性的多目标粒子群优化（DWMOPSO）算法,算法中每个粒子根据自身在进化过程中记忆的个体最好适应度值构建进化速度,由进化速度的快慢动态调整各粒子惯性权重,增加粒子的多样性,从而提高粒子跳出局部最优解的概率。通过在5个标准测试函数上进行仿真实验,结果表明,与Coello的多目标粒子群优化(MOPSO)算法相比,DWMOPSO算法获得的解集在与真实解集的逼近性和解集的分布性两个方面都有了很大的提高。     

具有博弈概率选择的多子群粒子群算法

针对粒子群算法在求解复杂多峰函数时存在早熟、易陷入局部最优、全局收敛性能差等缺陷,考虑种群结构、多模式学习和个体间博弈等因素,提出了具有博弈概率选择的多子群粒子群算法.该算法从改善群体多样性、提升个体搜索能力的角度出发,构建了动态多种群结构,并针对每个子群构建不同的学习策略(极端学习、复合学习、邻域学习和随机学习),子群间进行最优信息共享,形成异构多子群的多源学习方式;将进化博弈思想引入群体搜索过程中,个体通过收益矩阵和扎根概率进行策略概率选择,进入适合个体能力提升的子群进行学习.基于12个标准测试函数,针对算法中重要参数子群规模L的取值进行了组合实验,结果表明L取值N/2或N/3时,种群适应度分布及中位值具有明显优势;针对算法性能测试,利用不同维度下的标准测试函数与7种同类型算法进行对比实验,实验结果显示,改进算法在最优值、求解稳定性及收敛特征上整体优于对比算法,说明多源学习和博弈概率选择策略可以有效改善粒子群算法的性能.     

协同粒子群优化算法

为解决粒子群优化算法易陷入局部最优的问题,提出了两种新方法协同处理粒子群优化算法：对比平均适应度值差的粒子,用动态Zaslavskii混沌映射公式改进粒子惯性权重与速度矢量,在复杂多变的环境中逐步摆脱局部最优值,动态寻找全局最优值;对好于或等于适应度平均值的粒子,用动态非线性函数调整粒子惯性权重与速度矢量,在保存相对有利环境的基础上逐步向全局最优处收敛。两种方法相辅相成、动态协调,使两个动态种群相互协作、协同进化。实验表明该算法在多个标准测试函数下都超越了同类著名改进算法。     

基于核模糊聚类的动态多子群协作骨干粒子群优化

针对骨干粒子群优化（BBPSO）算法易陷入局部最优、收敛速度低等问题，提出了基于核模糊聚类的动态多子群协作骨干粒子群优化（KFC-MSBPSO）算法。该算法在标准骨干粒子群算法的基础上，首先，采用核模糊聚类方法将主群分割为多个子群，令各个子群协同寻优，提高了算法的搜索效率。然后，引入非线性动态变异因子，根据子群内粒子数以及收敛情况动态调节子群粒子变异概率，通过变异的方式使子群粒子重新回到主群，提高了算法的探索能力；进一步采用主群粒子吸收策略与子群合并策略加强了主群与子群之间、子群与子群之间的信息交流，提高了算法的稳定性。最后，利用子群重建策略，结合主群与子群搜索到的最优解，调节子群重建的间隔代数。通过Sphere等6个标准测试函数进行对比实验，结果表明，KFC-MSBPSO算法和经典BBPSO算法以及反向骨干粒子群优化（OBBPSO）算法等改进算法相比寻优准确率至少提高了约11.1%，在高维解空间内测试结果的最佳均值占到83.33%并且具有更高的收敛速度。这说明KFC-MSBPSO算法具有良好的搜索性能与鲁棒性，可应用于高维复杂函数的优化问题中。     

免疫进化混合猴王遗传算法

针对简单猴王遗传算法（MKGA）存在易陷入局部极值和稳定性较差的缺陷,提出了免疫进化混合猴王遗传算法（MKGAIEH）。MKGAIEH将总群体划分为若干个子群体,为了充分利用总群体中最优个体(总猴王)信息,引入免疫进化算法（IEA）对其进行免疫进化迭代计算;此外,对子群体内的其他个体,同时考虑子群体的子猴王与群体的总猴王对其进行交叉和变异遗传操作。当所有子群体的局部搜索完成后,再将各子群体的解重新混合。这种全局信息交换与子群内局部搜索相结合的策略不仅避免了早熟收敛,而且随着迭代的进行,还能以更高的精度逼近全局最优解。将MKGAIEH、MKGA、改进后的猴王遗传算法（IMKGA）、蜜蜂遗传算法（BEGA）、免疫进化粒子群蛙跳算法（IEPSOSFLA）和普通爬山算子遗传算法（COGA）对6个典型测试函数的计算结果进行了比较,其结果为:MKGAIEH对6个测试函数都能获得全局最优解,有5个测试函数获得的平均值和标准差比其他5种优化算法获得的平均值和标准差精度提高了几个数量级,达到了最小。这表明MKGAIEH具有更佳的寻优能力和更好的稳定性。     

基于最优变异的粒子群优化算法

为了提高粒子群优化算法的性能,提出了一种带最优变异的改进粒子群优化算法。该算法的惯性权值满足不同粒子对全局和局部搜索能力的不同需求,每次迭代后根据适应度值会作相应的调整,在搜索过程中所引入的变异算子将对粒子群中最优粒子进行变异,以防止算法早熟收敛。对4个典型的测试函数的仿真表明,该算法比标准粒子群优化算法有更好的收敛性和更快的收敛速度。     

基于反向学习和精英提升的无速度项动态粒子群算法

针对粒子群优化算法在处理复杂优化问题时搜索精度低、收敛速度慢且易陷入局部最优的问题，提出一种基于反向学习和精英提升的动态多种群无速度项粒子群算法。首先基于无速度项的粒子位置更新模式，动态划分子群并采用不同的进化策略，利用反向学习为子群拓宽搜索范围，保证种群多样性的同时避免粒子过早陷入局部最优。然后为充分利用优秀粒子的信息并提高搜索精度，改进精英提升策略优化个体历史最优粒子，使用差分进化算法对种群最优粒子进行更新。最后通过CEC2006提出的22个测试函数进行性能测试。结果表明，本文提出的算法相比于其他算法在搜索精度和稳定性上拥有更加出色的性能，并能有效提升算法收敛速度。     

一种群活性反馈粒子群优化算法

为解决粒子群优化(PSO)算法的早熟收敛问题,提出一种群活性反馈PSO进化算法SAF-PSO。利用群活性加速度作为多样性测度,当群活性加速下降时,对粒子的位置和速度分别执行进化和变异操作,增强粒子跳出局部最优的能力,提高寻找全局最优的几率。对基准函数的仿真结果表明,与其他PSO算法相比,该算法具有更强的全局搜索能力和更高的寻优精度。     

自适应变异粒子群算法

为了解决粒子群种群多样性低、容易陷入局部最优的缺点,结合最优粒子和其他粒子在种群中的不同作用,给出了一种自适应变异粒子群算法。算法中最优粒子根据种群进化程度,自适应调整自身搜索邻域大小,增强种群的局部搜索能力;对非最优粒子的位置进行小概率的随机初始化,当其速度为零时,速度自适应变化,以便增强种群多样性和全局搜索能力。仿真实验中,将算法应用于6个典型复杂函数优化问题,并与其他变异粒子群算法比较,结果表明,增强种群多样性的同时提高了局部搜索能力。     

混沌映射的多种群量子粒子群优化算法

针对量子粒子群优化算法存在早熟收敛的问题,提出一种基于Logistics混沌映射变异的多种群量子粒子群优化算法（CMQPSO）,采用分段Logistics混沌映射生成初始粒子群,根据适应度值将群体分为顶层和底层种群。顶层出现聚集时才进行高斯扰动,底层种群则按概率通过Logistics混沌变异生成分布更为均匀的粒子,提高种群的多样性,从而较好地平衡了算法的局部和全局搜索能力。对测试函数的计算表明算法较QPSO等其他算法在搜索能力和收敛速度方面有明显改进。分析了算法重要参数停滞阈值[Cσ]和比例系数[S]对搜索性能的影响,给出合理的取值范围。     

混合粒子群算法的软件测试数据自动生成

针对全连接拓扑结构的粒子群算法在生成测试数据过程中,存在收敛精度低,易陷入局部极值的问题,提出一种混合粒子群算法HPSO,并将其应用于测试数据自动生成。该算法在保证全局收敛性的前提下,对多样性匮乏的种群,首先采用定长环形拓扑结构取代粒子群的全连接拓扑结构;其次,采用轮盘赌方法选择候选解,更新粒子位置信息和速度信息;最后引入条件禁忌算法,对处于局部极值的粒子采取禁忌处理。通过实验比较表明:与基本粒子群算法(BPSO)相比,HPSO使种群多样性得到大幅度提升;在测试数据生成性能上,HPSO的搜索成功率和路径覆盖率均优于遗传算法与粒子群算法混合算法GA-PSO,而平均耗时与BPSO算法相当,性能表现优越。     

基于定期竞争学习的多目标粒子群优化算法

为提高种群的多样性和算法的收敛性，提出一种基于定期竞争学习机制的多目标粒子群算法。该算法将多目标粒子群算法和竞争学习机制相结合，即每隔一定迭代代数便使用一次竞争学习机制，很好地保持了种群的多样性；同时，该算法不需要全局最优粒子的外部存档，而是从当前代种群中选取一部分优秀的粒子，再从这些优秀的粒子中随机选取一个作为全局最优粒子，能够有效提升算法的收敛性。将提出的算法与基于分解的多目标粒子群算法（MPSOD）、基于竞争机制且快速收敛的多目标粒子群（CMOPSO）算法、参考向量引导的多目标进化算法（RVEA）等8个算法在21个标准测试函数上进行了比较，结果表明，所提算法的帕累托（Pareto）前沿更加均匀，在世代距离（IGD）上会更加小。     

基于局部协同与竞争变异的动态多种群粒子群算法

针对粒子群算法在处理复杂优化问题时,出现多样性较差、收敛精度低等问题,提出了基于局部协同与竞争变异的动态多种群粒子群算法(Dynamic Multi-population Particle Swarm Optimization Based on Local Cooperative and Competitive M utation,LC-DM PPSO).LC-DM PPSO算法设计了一种局部协同的方法,该方法划分种群成多个子种群,划分后的子种群再通过非支配排序、差分变异的方法选择出一对领导粒子.同时,对粒子的更新方法进行改进,让各个目标优化更加均衡,增强LC-DM PPSO算法的局部搜索能力,提高收敛精度.在LC-DM PPSO算法中,为了防止出现"早熟"收敛的情况,引入竞争变异来增加种群多样性.最后,通过选择一系列标准测试函数将LC-DM PPSO算法与3种进化算法进行比较,验证所提算法的有效性.实验结果显示,所提算法的多样性和收敛性比其他3种进化算法更好,优化效果更佳.     

保持粒子活性的改进粒子群优化算法

针对基本粒子群优化算法（particle swarm optimization, 简称PSO）存在的早熟收敛问题,提出了一种保持粒子活性的改进粒子群优化（IPSO）算法。当粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,使粒子能够有效地进行全局和局部搜索。通过对4种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度,而且能够更有效地进行全局搜索。     

自适应信息选择PSO算法及其特性分析

针对粒子群优化过程中容易出现早熟收敛或停滞的问题,在全信息粒子群优化（FIPSO）算法的基础上结合社会心理学原理提出了一种新的粒子群优化算法——自适应信息选择粒子群优化算法（API-PSO）。在API-PSO算法中,粒子根据其邻域粒子不同表现,自适应地选择群体共享经验。实验表明,新的优化算法具有较好的收敛精度和收敛速度。分别对API-PSO算法的种群多样性和收敛性进行了数学分析,分析结果为合理选择算法参数,解决算法种群多样性匮乏,促进种群进化发展,改善算法性能提供了理论依据。     

含交叉项的混合二范数粒子群优化算法

针对原始粒子群优化算法（PSO）在搜索过程中容易陷入局部最优点的问题,并尽量避免破坏种群多样性,提出一种含交叉项的混合二范数粒子群优化算法HTPSO。首先,利用二范数原理计算当前粒子与个体历史最优粒子间的欧氏距离;其次,将欧氏距离引入速度迭代公式以影响社交项对粒子速度的作用,并按照一定规律随机分布惯性权重;最后,在此基础上简化粒子群算法,并将差分进化（DE）算法中的交叉算子融入该算法中,使粒子能在一定概率下与个体历史最优粒子交叉。为了验证HTPSO的性能,与利用正弦函数改进惯性权重的粒子群优化算法（SinPSO）、自适应粒子群优化算法（SelPSO）、基于自适应惯性权重的均值粒子群优化算法（MAWPSO）和简化粒子群优化算法（SPSO）在不同维度下解决8个常用基准函数,并根据T-test、成功率和平均迭代次数分析了各算法的优化结果。实验结果表明,HTPSO具有较优秀的收敛能力,且粒子运动非常灵活。