基于粒子进化的多粒子群优化算法

提出了一种基于粒子进化的多粒子群优化算法。该算法采用局部版的粒子群优化方法,多个粒子群彼此独立地搜索解空间,从而增强了全局搜索能力;利用重置进化粒子位置的方法使陷入局部值的粒子摆脱局部最小,从而有效地避免了"早熟"问题,提高了算法的稳定性。对3个测试函数进行了对比实验,结果表明该算法优于标准粒子群算法。     

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。     

基于差分进化和粒子群优化算法的混合优化算法

为了发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,提出了一种混合优化算法(简称DPA).该算法首先利用差分进化的变异和选择算子产生新的群体,然后通过使用粒子群优化算法和交叉、选择算子进行局部搜索.在整个算法过程中,群体寻优范围先扩散再收缩,反复迭代渐进收敛.通过3个标准算例的测试表明,新的混合优化算法与差分进化和粒子群优化算法相比,具有收敛速度快、搜索能力强、鲁棒性好的特点.     

基于模糊的多目标粒子群优化算法及应用

粒子群优化算法的思想来源于人工生命和进化计算理论,由于其容易理解、易于实现,在很多领域得到了应用.由于传统的粒子群优化算法无法对多目标优化问题进行求解,因此文中利用模糊理论中的隶属度函数和给定的最优解评估选取原则,提出了一种适合求解约束型多目标优化问题的模糊粒子群算法(FPSO).模糊粒子群算法很好地解决了汽车零部件可靠性稳健优化设计的求解问题,仿真结果证明,该算法可行而有效,同时也拓展了粒子群算法的应用领域.     

一种基于粒子群算法的模糊隶属函数优化方法

在分析图像模糊增强算法对于隶属函数及其模糊区域选择方法不足的基础上,提出一种新的基于粒子群算法的模糊隶属函数优化方法。该方法给出一个新模糊熵的定义,这个新模糊熵定义不仅考虑到图像在模糊域中划分区域时随隶属函数变化而变化的情况,同时又考虑到图像在空域中划分区域时随隶属函数变化而变化的情况。这样就使得图像依照最大熵准则变换到模糊域更能够有效地反映图像的固有信息。另外,根据图像增强算法中使用double型数据类型的特点,采用改进粒子群优化算法寻求隶属函数的最优参数。将新算法应用于图像增强中,取得了优于现有大多数模糊增强算法的效果。     

新的进化计算算法——粒子群优化算法

Particle Swarm Optimization (PSO),rooting from simulation of swarm of bird, is a new branch of Evolution Algorithms based on Swarm Intelligence.Concept of PSO,which can be described with only several lines of codes,is more easily understood and realized than some other optimization algorithms.PSO has been successfully applied to much engineering.Firstly,this paper depicts natural explanation about PSO,secondly,introduces its basic theory and several development versions of PSO,and presents some applications of PSO.At last,a brief conclusion and further research direction are given.     

基于模糊文化算法的自适应粒子群优化

为解决粒子群优化中惯性权重的调整机制在具体优化问题中的自适应问题,本文建立了一种全新的基于模糊文化算法的自适应粒子群优化算法;利用模糊规则表示个体粒子在演化过程中获取的经验,经验共享形成群体文化,并利用遗传算法来实现文化的进化;通过信念空间中以模糊规则表示的知识建立模糊系统来逼近与实际问题相适应的惯性权
权重控制器。在测试函数集上的仿真实验对比结果证明,该算法相对于现有算法有优势。     

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．     

一种基于距离的自适应模糊粒子群优化算法

传统的粒子群优化算法((Particle Swarm Optimization,PSO )在更新粒子的速度时忽略了各粒子间的差异,在一次迭代中,各粒子采用相同的惯性权值来更新粒子的速度。为了体现各粒子的差异,提出了一种基于距离度量的自适应模糊粒子群优化算法(Distance-based Adaptive Fuzzy Particle Swarm Optimization, DAFPSO)。DAFPSO根据各粒子与最优粒子的差异,设计了相应的隶属函数来自适应地调整粒子的惯性权值。通过基准测试函数对算法进行了实验,从而验证了DAFPSO算法的有效性。     

基于免疫进化的粒子群混洗蛙跳算法

为了避免混洗蛙跳算法易于出现不成熟收敛,提高求解质量,提出了基于免疫进化的粒子群混洗蛙跳算法。该算法将粒子群算法中粒子追踪全局极值的思想融入混洗蛙跳算法中,对族群内的最差个体同时跟踪族群内和全局两个最优个体的信息,进行深度搜索;并引入免疫进化算法对群体中的最优个体进行免疫进化迭代计算,以达到充分利用最优个体的信息的目的。该算法不仅避免了陷入局部极值的局限,以更高的精度逼近全局最优解,而且能加速收敛。对多个典型测试函数的计算表明：基于免疫进化的粒子群混洗蛙跳算法比传统的混洗蛙跳算法具有更好的寻优能力、稳定效果和更快的收敛速度。     

一种基于线性动态参数的自适应粒子群优化算法

提出一种权重因子和认知因子线性自适应性改变的粒子群优化算法(APSO-LDP),该算法中个体学习因子和社会学习因子都可以按设定的方式进行线性适应性改变。其中个体学习因子的线性减少、社会学习因子的线性增大,有助于粒子群前期的多样性和后期的跟随最优粒子,而惯性权重的线性减少更达到快速收敛和局部搜索能力的平衡。实验表明,该改进算法具有较好的寻优能力。     

粒子群分形进化算法

在传统粒子群优化(PSO)算法的基础上,提出粒子群分形进化算法(FEPSO).FEPSO利用分形布朗运动模型中的无规则运动特性模拟优化目标函数未知特性,隐含的趋势变化模拟优化目标函数极值变化的总趋势,从而克服个体过于随机进化和早熟的现象.与传统的PSO算法相比,文中算法中每个粒子包含分形进化阶段.在分形进化阶段,粒子在解的子空间以不同的分形参数进行分形布朗运动方式搜索解空间,并对其分量进行更新.仿真实验结果表明,该算法对大部分标准复合测试函数都具有较强的全局搜索能力,其性能超过国际上最近提出的基于PSO的改进算法.     

粒子群算法研究与展望

介绍了基本粒子群算法,归纳了粒子群算法的研究现状和改进,包括:增加惯性因子的改进;基于收敛性分析的改进;导入其他演化算法思想的改进;建立非数值问题模型的改进.简要分析了PSO算法的应用.最后对PSO的研究现状做出总结和展望,提出未来的几个研究热点.     

基于云模型的自适应量子粒子群算法

利用云模型理论能兼顾随机性和模糊性的特质, 提出一种基于云模型的自适应量子粒子群优化算法。首先分析量子粒子群算法的控制机制, 在此基础上, 使用云算子实现对每个粒子的吸收扩张因子自适应控制, 达到在进化过程中对粒子飞行位置动态调整的目的, 使算法具有较快的收敛速度和较强的全局搜索能力。同时, 补充针对性的优化方案, 有效避免算法陷入局部最优。对典型测试函数的仿真对比实验表明, 该算法具有寻优能力强、搜索精度高、稳定度好等优点, 相比其它同类算法具有一定优势。     

基于粒子群优化算法的模糊聚类分析

提出一种基于模糊C-均值算法和粒子群优化算法的混合聚类算法,该算法利用粒子群优化算法全局寻优的特点,有效地克服了模糊C-均值算法对初始值敏感、易陷入局部最优的缺点.实验表明,该算法具备良好的聚类效果.     

基于个体状态的粒子群优化算法

针对标准粒子群算法的种群多样性丧失和算法早熟收敛问题,借鉴自然界中群居动物个体行为的独立性特征,提出粒子的个体状态概念,给出一种基于微粒个体状态和状态迁移的粒子群优化算法。对典型函数测试结果的比较表明,改进后算法的寻优能力明显高于标准粒子群算法。与其他改进算法相比,该算法的寻优能力也较强。     

基于粒子群优化算法的模糊模拟

模糊模拟通常用于模糊规划中。该文提出了基于粒子群优化算法（PSO）的模糊模拟方法,通过这一方法,可以用来计算可能值以及临界值。PSO是一种演化算法,它能够有效地进行全局搜索。试验表明,基于PSO的模糊模拟有更好的性能。     

改进的基本粒子群优化算法

提出一种基本粒子群算法(BPSO)改进方案,将基本粒子群算法粒子行为基于个体极值点和全局极值点变化为基于个体极值中心点和全局极值点,使得粒子能够获得更多的信息量来调整自身的状态。用3个基准函数对新算法进行了实验,结果表明,新算法在解的收敛性和稳定性等方面优于基本粒子群算法．     

基于量子粒子群优化的改进的模糊C-均值聚类算法

模糊C均值算法（FCM）是一种用于聚类的最流行的技术。不过,传统的FCM使用欧氏距离作为数据集的相似准则,从而导致数据集的划分有相等的趋势。而数据集的形状和簇的密度对聚类性能有高度影响。为了解决这个问题,提出基于簇密度的距离调节因子以修正相似性度量。同时,针对模糊C-均值（FCM）聚类算法对初始聚类中心选择敏感,易陷入局部最优的问题,采用量子粒子群优化算法以获取全局最优解。仿真实验证明,改进的聚类算法（QPSO-FCM-CD）具有良好的性能。     

一种自适应扩展粒子群优化算法

在粒子群优化算法的基础上,首先把粒子群优化算法的速度更新式中的个体最优位置用粒子群中所有个体最优位置的平均值代替,得到扩展粒子群优化算法;然后,建立了加速系数和粒子群中所有粒子的平均适应度与整体最优位置适应度之差的一种非线性函数关系,得到自适应加速系数扩展粒子群优化算法。由于新的算法利用了所有个体最优粒子的信息,并在进化过程中通过建立的非线性时变加速系数自适应地调整“认知”部分和“社会”部分对粒子的影响,从而提高了算法的收敛速度和精度。4个基准测试函数的对比实验结果说明自适应扩展粒子群优化算法的有效性和优良性能。