分层粒子群优化算法

针对粒子群优化算法存在进化后期局部搜索能力不强、收敛速度变慢的问题,提出一种分层粒子群优化算法。利用标准粒子群优化算法在整个搜索空间内进行全局搜索,由全局搜索获得的较优个体产生局部搜索区域,在局部区域内进行进一步搜索。为避免陷入局部最优,采用动态调整局部搜索区域的策略,保持算法的全局收敛性。通过典型测试函数计算表明,该算法的收敛速度和局部搜索能力有明显改善。     

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。     

一种带混沌变异的粒子群优化算法

为了克服粒子群算法在进化后期存在收敛速度慢、易陷入局部极小等问题,提出了一种混沌变异粒子群优化算法。该算法根据群体适应度变化率对种群中非优胜粒子进行变异操作,并对全局最优位置进行小范围混沌扰动,以增强算法跳出局部最优的能力。对几种复杂典型函数与标准粒子群算法进行了仿真测试,结果表明该算法明显改善了全局搜索能力和抗早熟收敛性能。     

一种混沌差分进化和粒子群优化混合算法*

为了改善差分进化粒子群算法的局部搜索能力和收敛速度,提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力。通过对三个标准函数进行测试,仿真结果表明该算法与DEPSO算法相比,全局搜索能力、抗早熟收敛性能及收敛速度大大提高。     

基于混沌局部搜索的粒子群算法及其应用

为提高混沌优化搜索结果的精度,在以粒子群算法进行全局搜索的基础上,根据全局搜索结果利用混沌优化进行局部搜索,实现在全局范围上搜索最优值。分析局部混沌搜索方法,设计基于混沌局部搜索的粒子群算法的流程,利用混沌优化进行粒子群局部搜索以跳出局部最优搜索区域,避免陷入局部极小值和实现在全局范围上搜索目标函数的最优值。以RMSE误差作为搜索结果精度评价指标,通过Rosenbrock函数算例对基于混沌局部搜索的粒子群算法精度进行分析,并将该算法应用于停车场最优选址实际问题的决策。研究结果表明,该算法搜索结果相较于混沌优化算法搜索结果具有更高的精度,其数值更逼近理论最优值,验证了其提高搜索结果精度的有效性和在解决实际问题上的可行性。     

具有快速收敛和自适应逃逸功能的粒子群优化算法

为了克服标准粒子群优化算法(PSO)后期收敛速度慢、容易陷入局部最优等缺点,借鉴人工蜂群算法的思想,提出了一种提高收敛速度并且带有自适应逃逸功能的粒子群优化算法(FAPSO)。算法中每进化一次粒子搜索两次：一次全局搜索,一次局部搜索。当粒子陷入局部最优时,通过逃逸功能使粒子重新搜索。8个经典基准测试函数仿真结果表明,改进的粒子群优化算法在收敛速度和寻优精度上均有提高,相对于目前常用的改进粒子群优化算法如CLPSO等,t检验结果说明,新算法具有明显的优势。     

一种基于子群变异的粒子群优化算法

为克服粒子群优化算法早熟收敛,提出一种基于子群变异的改进粒子群优化算法。该算法提出一种具有随机定向振荡式搜索的子群对主群的全局最优位置进行变异,改变了完全随机的变异方式,为算法提供局部深度的搜索以及跳出局部最优。为增强算法的全局探索能力,对适应度值差的粒子进行动态的变异,以此达到增大种群的潜在搜索空间的目的。最后通过高维的benchmark函数测试改进算法性能。通过仿真结果对比,表明改进算法能有效防止早熟问题,对于多模态函数的优化能够很好地跳出局部极值点,收敛性和收敛精度等方面得到大幅度提升。     

基于高斯变异的量子粒子群算法

粒子群算法相对于其他优化算法来说有着较强的寻优能力以及收敛速度快等特点,但是在多峰值函数优化中,基本粒子群算法存在着早熟收敛现象。针对粒子群算法易于陷入局部最小的弱点,提出了一种基于高斯变异的量子粒子群算法。该算法使粒子同时具有良好的全局搜索能力以及快速收敛能力。典型函数优化的仿真结果表明,该算法具有寻优能力强、搜索精度高、稳定性好等优点,适合于工程应用中的函数优化问题。     

采用种群平均信息和精英变异的改进粒子群算法

针对基本粒子群优化(PSO)算法早熟收敛和后期搜索效率低的问题,提出一种利用种群平均信息和精英变异的粒子群优化算法--MEPSO算法。该算法引入粒子个体与群体的平均信息,利用粒子平均信息来提高算法全局搜索能力,并采用时变加速系数(TVAC)以平衡算法的局部搜索和全局搜索能力;在算法后期,采用精英学习策略对精英粒子进行柯西变异操作,以进一步提高算法的全局搜索能力,减少算法陷入局部最优的危险。在6个典型的复杂函数上与基本PSO(BPSO)算法、时变加速因子PSO(PSO-TVAC)算法、时变惯性权重PSO(PSO-TVIW)算法和小波变异PSO(HPSOWM)算法进行对比,MEPSO的均值与标准方差均优于对比算法,且寻优时间最短,可靠性更好。结果表明, MEPSO能较好地兼顾局部搜索和全局搜索能力,收敛速度快,收敛精度和搜索效率高。     

基于进化停滞周期的局部变异PSO算法及其收敛性分析

为了克服粒子群优化算法容易陷入局部最优而发生早熟收敛的问题,提出一种基于进化停滞周期的局部变异粒于群优化算法.算法引入进化停滞周期和近期全局最优位置的概念,使粒子的飞行受近期全局最优位置影响,并在种群进化停滞时对随机选中的局部粒子执行变异操作,增加种群多样性,扩大搜索范围,提高求解质量.算法用种群进化停滞周期代替多样性度量,避免了多样性计算引起的高计算复杂度.对于几个常用基准函数的仿真结果验证了算法的合理性和有效性.     

基于粒子群算法的模糊控制在倒立摆中的应用

粒子群算法是一种仿生进化算法,源于对鸟群觅食行为的模拟,由于其计算简单、快速,被广泛应用。但是,基本粒子群算法在求解的过程中存在着全局搜索能力和局部求精能力两个性能指标之间的矛盾,算法容易陷入局部极值,进化后期的收敛速度慢。针对上述问题,提出了基于混沌变异算子的粒子群算法,可以使粒子摆脱局部极值,继续优化,加快收敛速度。将基于混沌变异的粒子群算法与模糊算法相结合,用于控制倒立摆系统的平衡。仿真实验表明,混沌变异粒子群算法优化了倒立摆系统模糊控制器的设计,改善了控制效果。     

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。     

混合粒子群优化算法研究

提出将Hooke Jeeves模式搜索方法嵌入粒子群优化算法中，以此构建混合粒子群优化算法．此外，在搜索过程中还加入变异操作来增加种群多样性，以避免早熟收敛．其中，局部搜索增加了算法的开发能力，而变异操作提高了算法的探测能力．探测与开发的折中则通过两个域值变量来完成．大量的测试函数研究表明，混合粒子群优化算法局部搜索能力有显著提高，且搜索到全局最优的概率更高．     

一种自调整的进化规划算法

针对进化规划算法收敛速度慢和早熟收敛的缺点,将改进的随机搜索方法和进化规划算法相结合,提出了一种自调整的进化规划算法。在该算法中,使用高斯变异算子对个体进行变异,利用改进的随机搜索方法对个体变异进行自调整,提升了个体向适应度高的方向进化的能力,提高了个体间的多样性差异,从而改善算法的性能。对该算法性能进行典型算例的数字仿真证明该算法具有良好的性能。     

Particle Swarm Optimization with Chaos-based Initialization for Numerical Optimization

Particle swarm optimization (PSO) is a population based swarm intelligence algorithm that has been deeply studied and widely applied to a variety of problems. However, it is easily trapped into the local optima and premature convergence appears when solving complex multimodal problems. To address these issues, we present a new particle swarm optimization by introducing chaotic maps (Tent and Logistic) and Gaussian mutation mechanism as well as a local re-initialization strategy into the standard PSO algorithm. On one hand, the chaotic map is utilized to generate uniformly distributed particles to improve the quality of the initial population. On the other hand, Gaussian mutation as well as the local re-initialization strategy based on the maximal focus distance is exploited to help the algorithm escape from the local optima and make the particles proceed with searching in other regions of the solution space. In addition, an auxiliary velocity-position update strategy is exclusively used for the global best particle, which can effectively guarantee the convergence of the proposed particle swarm optimization. Extensive experiments on eight well-known benchmark functions with different dimensions demonstrate that the proposed PSO is superior or highly competitive to several state-of-the-art PSO variants in dealing with complex multimodal problems.     

自适应任务分配的粒子群优化算法

针对基本粒子群优化(PSO)算法早熟收敛、易陷入局部极值的缺陷,提出自适应任务分配的粒子群优化算法。该算法根据粒子的多样性动态分配粒子任务,把种群粒子分为开发和探索两种类型,分别采用全局模型和动态邻域局部模型执行开发和探索任务以平衡算法的全局和局部搜索能力,维持种群多样性。动态邻域模型扩大了解的搜索空间,能有效抑制早熟停滞现象,采用高斯扰动对处于停滞状态的精英粒子进行学习,协助精英粒子跳出局部最优,进入解空间的其他区域继续进行搜索。针对6个标准复合测试函数进行实验,结果表明所提算法具有更强的全局搜索能力,求解精度更高。     

Superior solution guided particle swarm optimization combined with local search techniques

Particle swarm optimization (PSO) is an evolutionary algorithm known for its simplicity and effectiveness in solving various optimization problems. PSO should have strong yet balanced exploration and exploitation capabilities to enhance its performance. A superior solution guided PSO (SSG-PSO) framework integrated with an individual level based mutation operator and different local search techniques is proposed in this study. In SSG-PSO, a collection of superior solutions is maintained and updated with the evolutionary process, such that each particle can comprehensively learn from the recorded superior solutions. In addition, to maintain the diversity of the particle swarm, SSG-PSO is combined with an individual level based mutation operator, which will be invoked when a particle is trapped in a local optimum (determined by the fitness and position states of the particle), thereby improving the adaptation and flexibility of each individual particle. Moreover, two gradient-based local search techniques, namely, the Broyden–Fletcher–Goldfarb–Shanno (BFGS) and Davidon–Fletcher–Powell (DFP) Quasi–Newton methods, and two derivative-free local search techniques, namely, pattern search and Nelder–Mead simplex search, are incorporated into SSG-PSO. The performances of SSG-PSO and that of its local search enhanced variants are extensively and comparatively studied on a suit of benchmark optimization functions.     

On the improvements of the particle swarm optimization algorithm

Since a particle swarm optimization (PSO) algorithm uses a coordinated search to find the optimum solution, it has a better chance of finding the global solution. Despite this advantage, it is also observed that some parameters used in PSO may affect the solution significantly. Following this observation, this research tries to tune some of the parameters and to add mechanisms to the PSO algorithm in order to improve its robustness in finding the global solution. The main approaches include using uniform design to ensure uniform distribution of the initial particles in the design space, adding a mutation operation to increase the diversity of particles, decreasing the maximum velocity limitation and the velocity inertia automatically to balance the local and the global search efforts, reducing velocity when constraints are violated, and using Gaussian distribution based local searches to escape local minima. Besides these efforts, an algorithm is also developed to find multiple solutions in a single run. The results show that the overall effect of these approaches can yield better results for most test problems.