一种新型的动态粒子群优化算法

为了改进标准粒子群优化算法全局搜索性能,提出了一种种群动态变化的多种群粒子群优化算法。当算法搜索停滞时,把种群分裂成2个子种群,通过子种群粒子随机初始化及个体替代机制增强种群多样性,两个子种群并行搜索一定代数后,通过混合子种群来完成不同子种群中粒子的信息交流。收敛性分析表明,本文算法能以概率1收敛到全局最优解。实验结果表明,本文算法具有较好的全局寻优能力和较快的收敛速度。     

一种基于动态邻居和变异因子的粒子群算法

提出一种基于动态邻居和变异因子的粒子群算法(DNMPSO).在该算法中,粒子的邻居是根据它的运行而动态变化.每个粒子的学习机制分为自己的历史经验和所有邻居的经验两部分.为了保证有效求解多峰问题,在每一次迭代,对当前解采用水平混合变异,使每个粒子能更好地进行局部搜索,提升粒子跳出局部最优解的能力.通过与其他算法比较,结果表明该算法求解多峰问题的能力最优.     

基于动态邻居和变异因子的多目标粒子群算法*

为了克服粒子群算法求解多目标问题极易收敛到伪Pareto前沿(等价于单目标优化问题中的局部最优解)和收敛速度较慢的缺陷,提出一种合并帕累托占优概念到动态邻居和变异因子的粒子群算法(particle swarm optimizer based on dynamic neighbor topology and mutation operator,DNMPSO)来处理多目标优化问题(DNMMOPSO),该算法也合并了外部存档技术来存储每次迭代产生的非劣解。模拟结果表明,提出的算法在多目标检测问题上要优于其他算法     

一种动态调整惯性权重的粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖于参数的选取等缺点,提出了一种非线性指数惯性权重粒子群优化算法(Exponential Inertia Weight in Particle Swarm Optimization,EIW-PSO)。在每次迭代的过程中, 采用粒子最大适应值和最小适应值的指数函数来动态调整 算法中的惯性权重,更有利于算法在寻优过程中跳出局部最优;同时,引入随机因子以确保种群的多样性,使粒子更快地收敛到全局最优位置。为了验证该算法的寻优性能,通过8个基准测试函数将标准PSO、线性递减惯性权重LDIW-PSO、均值自适应惯性权重MAW-PSO在不同维度和种群规模下进行测试比较。实验结果表明,提出的EIW-PSO算法具有更快的收敛速度和更高的求解精度。     

动态邻居维度学习的多目标粒子群算法

针对多目标粒子群算法多样性较差,种群选择压力随着变量维度增加的问题,提出了基于动态邻居维度学习的多目标粒子群算法（DNDL-MOPSO）。该算法首先构建最优维度个体,然后在“个体认知”和“社会认知”的基础上,对粒子速度更新公式进行改进,采用每一维上学习对象不固定的交流方式,最后利用随机向导学习策略,增加种群多样性。实验结果表明该方法能够提高算法的全局收敛性,增加种群的多样性,缓解选择压力,有效解决多峰多目标优化问题。     

一种新的基于三种进化模型的粒子群优化算法

针对标准粒子群优化算法在优化多极值点复杂问题时容易陷入局部极值的缺陷,提出了一种新的采用不同进化模型分阶段进化的粒子群优化算法。该方法将粒子群进化过程分成三个阶段,第一阶段按cognitiononly模型进化,第二阶段按标准模型进化,第三阶段按socialonly模型进化。在不同进化阶段利用不同模型进化可以增加种群的多样性,达到降低群体陷入局部极值点的效果。仿真实验结果表明,对于复杂多极值函数优化问题,本文算法比标准算法的全局寻优性能更好。     

粒子群算法种群结构与种群多样性的关系研究

本文采用种群熵刻画粒子群算法中种群的多样性,并通过一组标准测试函数分析了不同的种群结构及邻城关系对粒子群算法种群多样性变化和算法性能的影响。实验结果表明,不同的种群结构具有不同的信息传递特性,对粒子群种群多样性的变化及算法的搜索效果有着较大的影响,因此对于不同的问题需根据其特点选择不同的种群结构。     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,并成功的运用于广泛的数值优化问题。PSO算法在求解高维复杂函数优化问题时容易陷入局部最优。有鉴于此,本文提出了一种基于信息熵的粒子优化算法。该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性。实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度。     

混沌动态种群数粒子群优化算法

针对粒子群优化算法在整个迭代过程中粒子极易陷于局部极值区域,提出一种混沌动态粒子数的粒子群优化算法,也即在判定全局最优值处于停滞时,以混沌策略对粒子进行位置初始化后加入种群,从而有效地保证了粒子群的多样性。用4个测试函数验证了该算法具有很好的寻优能力和较高的搜索精度。     

一种改进粒子群优化算法

为了提高粒子群优化算法的性能,提出了一种惯性权值调整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对惯性权值做相应的调整.对4个典型的测试函数进行仿真表明,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,改善了优化性能.     

动态邻域混合粒子群优化算法

粒子群优化(PSO)算法对于多峰搜索问题一直存在早熟收敛问题。为在增强PSO算法全局搜索能力的同时提高收敛速度,提出一种动态邻域混合粒子群优化算法DNH_PSO,采用PSO局部模型,将随机拓扑和冯诺依曼拓扑相结合形成动态邻域,提高算法的全局搜索能力,为增强算法的局部搜索能力并加快收敛速度,使用粒子邻域全面学习策略,将拟牛顿法引入算法中。与其他PSO实验对比分析表明,该算法对于多峰搜索问题具有较好的全局收敛性。     

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.     

动态粒子群优化算法

针对普通粒子群优化算法难以在动态环境下有效逼近最优位置的问题,提出一种动态粒子群优化算法。设置敏感粒子和响应阈值,当敏感粒子的适应度值变化超过响应阈值时,按一定比例重新初始化种群和粒子速度。设计双峰DF1动态模型,用于验证该算法的性能,仿真实验结果表明其动态极值跟踪能力较强。     

一类新颖的粒子群优化算法

粒子群优化(PSO)是一类有效的随机全局优化技术。它利用一个粒子群搜索解空间,每个粒子表示一个被优化问题的解,通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出一类新颖的PSO算法,该算法在基本PSO算法的粒子位置更新公式中增加了一个积分控制项。积分控制项根据每个粒子的适应值决定粒子位置的变化,改善了PSO算法摆脱局部极小点的能力。另外,该算法增加了限制搜索空间范围的机制,这对某些函数优化问题是必需的。用5个基准函数做的对比实验结果显示,该算法优于基本PSO算法以及自适应修改惯性因子的PSO算法。     

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.     

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。     

基于动态Pareto解集的微粒群优化算法及其在多目标规划中的应用

在传统的微粒群优化算法的基础上,提出了一种基于动态Pareto解集的求解多目标规划问题的方法。Pareto解集在每次迭代过程中进行动态更新和信息共享,在加入新产生的Pareto近似最优解同时去除解集中已经不是Pareto解的数据,每个个体随机地与Pareto解集中的结果进行信息交换,从而保证在快速找到Pareto解的同时保持多样性。并通过三个标准的测试函数证明了算法的有效性。     

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。     

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。