自逃逸云简化粒子群优化算法

sPSO仍继承了bPSO易陷入局部极值点的缺陷,而且其进化后期收敛速度和精度也有待进一步改善.基于此,提出一种基于云理论的简化粒子群优化算法(简称cloud-sPSO):对不再进化的个体,借鉴复形法的思想,进行尽可能的进化逃逸;而当种群进化停滞时,由基本云发生器对当前群体最优粒子实行变异操作.对几个经典测试函数进行实验的结果表明,cloud-sP SO不仅能够有效摆脱局部极值点,而且收敛速度和精度也有极大地提高.     

一种新的改进粒子群优化算法

在现有文献研究的基础上,首先阐述标准粒子群优化算法的基本原理,并对它加以分析,指出标准粒子群优化算法初始粒子种群的产生速度慢、在优化过程中容易陷入局部最优等缺点,然后对其缺点进行改进,将改进的粒子群优化算法和标准粒子群优化算法进行实验对比分析研究,从实验结果中可知,改进粒子群优化算法在收敛速度及收敛精度上都明显好于标准粒子群优化方法.     

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。     

基于改进粒子群优化算法的锌电解过程模型研究

针对锌电解过程各参数之间耦合严重、能耗高、建模困难,研究了锌电解电流效率与各工艺过程参数之间关系的数学模型,提出了一种改进的粒子群优化算法(IPSO)进行模型参数估计,该算法在粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,避免了算法陷于局部最优解,改善了优化算法性能;以锌电解过程实验数据为样本,采用改进的粒子群优化算法对模型进行参数估计和检验,并与基本粒子群算法和BP神经网络模型进行比较,仿真结果证明了模型的有效性。     

自适应简化粒子群优化算法及其应用

针对粒子群优化算法（Particle Swarm Optimization，PSO）寻优速度慢、收敛精度不高且搜索结果波动性较大的缺点，提出了一种自适应简化粒子群优化算法（Self-Adjusted Simplified Particle Swarm Optimization，SASPSO）。在每次迭代过程中，粒子只受全局最优解影响，且加入按一定规律分布的锁定因子，令粒子受影响的程度有规律性。同时，利用锁定因子和当前粒子位置令惯性权重自适应配置，更有效地利用惯性权重对粒子群优化算法的影响。引入4种近期提出的改进粒子群算法同时搜索不同维度时的18个基准函数，与SASPSO的搜索结果对比，并使用T-test进行差异性分析。为了进一步分析算法性能，统计5个改进算法搜索100维函数达到期望值时的成功率与平均迭代次数。实验结果证明，SASPSO在无约束问题寻优中的收敛速度、寻优精度有了明显提升，且搜索结果异常值较少，波动性弱。将SASPSO应用于机床主轴结构参数优化问题，结果显示SASPSO优化性能更好。     

基于改进粒子群算法的网络计划工期--费用优化

本文提出了一种改进粒子群优化算法。在进化中增加了个体间的协作机制,这种改进后的学习行为更符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解。最后将该方法用于PERT网络工期一费用模型求解,数字仿真表明了算法的有效性。     

基于改进粒子群算法的PID参数优化方法研究

针对标准粒子群算法的一些缺点进行了改进，提出了MWPSO优化算法，即Multi-Weight PSO。将MWPSO优化算法用几个标准测试函数进行测试，结果表明该算法优化结果的指标参数比标准PSO算法有所提高。在此基础上，用MWPSO优化算法对PID控制中的参数进行优化并将结果与遗传算法的结果进行比较，优化结果在保证PID控制稳定性基础上提高了PID控制的精度，且编码简单、易于实现。具有较好的应用前景。     

改进粒子群算法优化微生物连续发酵过程

针对微生物连续发酵生产1,3-丙二醇动力学模型,以稳态时刻1,3-丙二醇的浓度最大化为目标函数,建立以注入甘油浓度和稀释速率为优化变量的优化模型。证明了该模型最优解的存在性。进一步,构造了改进的粒子群优化算法求解此优化模型。数值结果表明稳态时刻1,3-丙二醇的浓度比已有结果有显著提高。     

基于动态调整简化粒子群优化的组合测试用例生成方法

优化的组合测试中的一个关键是生成的测试用例能够覆盖更多的组合,而粒子群算法在生成强组合覆盖用例方面有其独特的优势和能力。文中提出了一种基于动态调整简化粒子群优化的组合测试用例生成方法。该方法基于粒子群算法生成测试用例,结合混合的优先级one-test-at-a-time策略和基于动态调整的简化粒子群算法生成组合测试用例集,排除了速度因素对粒子优化过程的影响。定义了一个粒子收敛指标,以粒子群早熟收敛程度为依据来动态调整惯性权值,以防止粒子陷入局部最优和后期出现收敛速度慢的情况,从而提高粒子群算法所生成的覆盖表的覆盖组合能力。通过对比实验表明,基于动态调整的简化粒子群优化算法在用例规模和时间成本上具有一定的优势。     

一种新的双予群PSO算法

提出一种新的双子群粒子群优化（PSO）算法。充分利用搜索域内的有效信息,通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围。在不增加粒子群规模的前提下,提高解高维最优化问题的精度,降低粒子群优化算法陷入局部最优点的风险。3种典型函数的仿真结果及与2种经典PSO算法的比较结果验证了该算法的有效性。     

求解矩形包络问题的量子行为粒子群优化算法

介绍了一种利用量子行为粒子群算法（QPSO）求解矩形包络的方法。矩形包络是将二维不规则形状样片用它们的最佳包络矩形来代替,是服装排料的第一步。实验结果表明量子行为粒子群算法比粒子群算法,遗传算法能更好地解决求二维不规则形状样片的矩形包络的问题。     

一种新的基于提高多样性的粒子群优化算法

提出了一种基于提高多样性的粒子群优化算法。在速度更新公式中,将比当前粒子适应度更高的其它所有粒子的个体最优位置信息进行加权学习;在位置更新公式中,利用真实物理反弹理论将解空间外的粒子反弹回解空间内。5个基准测试函数的仿真实验表明,该算法能有效克服PSO中的过早收敛问题,并显著提高粒子的多样性,同时有效控制粒子的进化速度。     

基于改进粒子群优化算法的TSP问题研究

针对标准粒子群优化算法易出现问题,提出一种改进粒子群算法。该算法为不同的粒子分配不同的任务,对性能较好的粒子使用较小的惯性权重,对性能较差的粒子采用较大的惯性权重,惯性权重根据适应度函数自适应调整,更好地平衡算法的全局与局部搜索能力,提高算法的多样性与搜索效率。用14点TSP标准数据对算法性能进行测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。     

动态调整惯性权重的粒子群算法优化

为了优化目前粒子群算法比较容易陷入局部最优、后期收敛过慢等的缺陷,在本文提出了一种改进惯性权重参数来优化算法的方法.其中结合了差分进化算法中的变异算子的操作来提升算法的自适应并且对算法的速度和搜索空间进行边界限制以防止粒子跳出所规定的搜索空间.选择相应的测试函数,使用Matlab软件将提出的改进算法与其他两种算法进行仿真实验对比,结果表明,本文所提出的算法在后期收敛速度以及取得适应度值的稳定性上有一定的提升.     

PSO算法的收敛性及参数选择研究

PSO算法(微粒群算法)是一种仿生优化技术,目前国内外对该算法的研究成果已经很丰富。然而PSO的数学基础还显得相对薄弱,对该算法的研究也仅仅限于在一维问题域内的收敛情况,对二维以及多维算法域收敛稳定性还缺乏深刻且具有普遍意义的理论分析。因此,在介绍分析一维问题域算法收敛的基础上,研究PSO算法在二维以及多维算法域内的收敛情况,从而寻求更加有利于微粒群算法收敛的参数选择。     

带有扰动项的改进粒子群算法

在介绍基本粒子群优化（PSO）算法及其现有一些改进的基础上,分析了PSO算法更新公式的固有缺陷。指出其三段式结构所隐含的易陷入局部最优问题,进而提出了一种带有扰动项的改进粒子群算法（PSO—DT）。它改变了现有算法的速度更新公式,加入了用于避免陷入局部最优的扰动项。分析了该改进算法的收敛性。测试表明,改进算法在优化性能上有较大提高。     

一种新的粒子群优化算法

针对传统粒子群优化算法容易早熟、收敛精度低等缺点,提出一种改进方案,使用随机惯性权重,在每一次迭代中,对可能陷入局部极值的粒子进行有效的随机初始化。通过对7个经典测试函数的数值仿真实验证明,该新算法能提高粒子群优化算法的寻优能力,并在维数较高时也能获得较好的优化效果。     

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.