基于云变异的云自适应粒子群算法

研究云粒子群优化算法问题,为了克服云粒子群优化算法易过早收敛的缺点和提高优化多峰函数的性能。提出了一种云变异的云自适应粒子群优化新算法,结合全局最优值和粒子适应度的比值体现出粒子优差的特点,利用正态云发生器自适应调整粒子个体惯性权重,并且对粒子位置进行了基于云模型的变异操作,合理的对粒子群各参数进行设置,典型测试函数仿真结果表明,改进优化算法能有效找出全局最优解,提高了收敛精度和收敛速度,且适宜于多峰值问题寻优,是一种可行而有效的优化方法。     

一种基于云模型的云变异粒子群算法

基于云模型在定性与定量之间相互转换的优良特性,结合粒子群算法的基本思想,提出一种云变异粒子群优化算法.其核心思想是通过正态云算子实现粒子的进化学习过程和变异操作.利用云模型对粒子的进化和变异进行统一建模,自适应控制粒子的搜索范围.典型复杂函数测试表明,云粒子群算法能有效找出全局最优解,特别适宜于多峰值函数寻优.     

多种群粒子群优化算法

将一定规模的粒子群平分成三个子群,并分别按基本粒子优化算法、ω自线性调整策略的粒子群算法和云自适应粒子群算法三种不同规则进化,既保持各个子群和算法的独立性和优越性,又不增加算法的复杂性,并提出“超社会”部分,重新定义了速度更换式子,同时还引入了扩张变异方法和扰动操作。实验仿真结果表明,给出算法的全局搜索能力、收敛速度,精度和稳定性均有了显著提高。     

受限空间自适应区域栅格化的优化路径规划

针对障碍物分布复杂、存在封闭边界的受限空间,提出一种环境自适应区域栅格化的优化路径规划算法.该算法首先将环境自适应划分为区域栅格,并提出阻碍度指标降低搜索空间的维度以优化区域栅格的划分;然后结合随机变异和定向变异,给出一种可有效平衡搜索效率与精度矛盾的多维变异粒子群优化算法;最后使用最小二乘曲线拟合方法对优化路径予以平滑处理.与非线性递减惯性权值粒子群算法（NDW-PSO）及组合粒子群算法（C-PSO）对比的仿真结果验证了所提出算法的先进性.     

自适应多位变异粒子群优化算法

针对粒子群优化算法的早熟收敛问题,提出一种改进的自适应多位变异粒子群优化算法.根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力,在理论上保证了算法具有良好的性能.对几种典型函数的测试结果表明：该算法的全局搜索能力有了显著改善,收敛速度较快,并且能够有效避免早熟收敛问题.     

基于熵的自适应变异的粒子群优化算法

在研究标准粒子群算法原理的基础上,提出了一种基于熵的自适应变异粒子群优化算法.此算法利用熵来评价种群的多样性,并根据种群的多样性自适应地调整变异概率和变异算子,进而利用变异操作丰富种群多样性,扩大搜索空间,避免陷入局部最优.将改进后的算法运用常见的几个测试函数进行了寻优仿真,仿真结果表明了基于熵的自适应变异粒子群优化算法的可行性和有效性.     

基于改进自适应粒子群算法的目标定位方法

针对现有目标定位求解算法推导复杂和自适应粒子群算法仍存在收敛速度慢、计算量大的缺点,提出了一种基于速度自适应和变异自适应融合的改进粒子群算法。该算法在速度自适应粒子群算法的基础上,优化选择粒子,并根据种群适应度方差值进行自适应变异,增强算法快速收敛的能力。仿真结果表明该方法能有效地提高目标定位精度,在随机噪声干扰方差为。.5的条件下,定位均方误差不超过1. 5m,且收敛速度增快,计算量减小。     

自适应变异综合学习粒子群优化算法

针对以往粒子群优化算法多样性差且易局部收敛的不足,提出改进综合学习粒子群优化(CLPSO)算法的最小方差优先自适应变异策略,设计自适应变异综合粒子群优化(CLPSO-M)算法.多个标准测试问题的对比实验数据表明,CLPSO-M算法比CLPSO算法的全局搜索能力更强,求解效果更稳定.     

基于自适应混沌粒子群优化的防空目标分配

粒子群优化算法存在早熟收敛和搜索精度较低的问题.为此,提出一种基于自适应混沌粒子群的优化算法.采用自适应权重和遗传算法中的交叉、变异操作更新粒子群,增加种群粒子的多样性,运用早熟判断机制判断粒子的当前状态,当粒子处于早熟状态时,利用混沌搜索的方法引导群体快速跳出局部最优.仿真结果表明,该算法可以有效解决粒子群算法的早熟问题,提高搜索精度和收敛速度.     

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。