基于种群多样性的自适应PSO算法求解VRPSPD问题

为有效求解逆向物流车辆路径(VRPSPD)模型,本文提出一种基于种群多样性的自适应PSO算法(SDAPSO)。在SDAPSO运行时,根据种群多样性,自适应地对种群中运行较差的粒子进行扰动操作,提升这些粒子向最优解收敛的能力;同时,对全局最优粒子进行概率扰动,以增加种群的多样性。标准检测函数的仿真结果表明SDAPSO算法是对基本PSO算法的有效改进。在对VRPSPD模型求解中,通过与其它粒子群算法相比,表明SDAPSO是求解该类问题的一种有效方法。     

基于吸引排斥机制的粒子群优化算法

针对标准粒子群优化算法在处理复杂函数优化问题时容易陷入局部最优、收敛精度低的缺点,提出了一种改进的PSO算法,该算法把生物学中的吸引排斥思想引入到PSO算法中,充分利用粒子间的相互影响,修正了其速度更新公式,从而维持了群体的多样性,增强了粒子跳出局部最优解的能力。实验仿真结果表明,改进的PSO算法提高了进化后期的收敛速度,有效避免了PSO算法的早熟收敛问题,而且具有较高的收敛精度。     

基于种群多样性模糊控制的粒子群算法

关于优化粒子群算法问题,针对标准粒子群算法前期收敛速度过快,后期容易陷入局部最优解的问题,提出一种种群多样性模糊控制的粒子群算法。为了控制种群多样性的变化,提高算法跳出局部最优解的性能,在算法中加入模糊控制器和位置跳变策略,通过控制参数的变化来控制粒子的速度、位置和种群多样性的变化,使算法从全局探测平稳过渡到局部开采。仿真结果表明,改进算法能有效避免陷入局部最优解,且对高维函数优化时效果更为明显,是一种高效的优化算法。     

基于群智能的连续优化算法研究

在对蚁群优化算法(ACO)和粒子群优化算法(PSO)进行分析的基础上,提出一种解决函数连续优化的群智能混合策略-CA-PSO.在求解过程中,首先对解空间进行区域划分,进而利用ACO在优化初期具备的快速收敛性能,在整个解空间内搜索最优解的敏感区域.然后利用蚁群的搜索结果初始化PSO粒子,利用PSO快速和全局收敛性进行所在小区域内的搜索.种群更新时根据蚁群的拓扑结构和小区域间的阶跃规则,蚁群不断向最优解敏感区域聚集,使得敏感区域内粒子数增加,则局部的PSO搜索策略可以更细密的搜索最优.实例结果表明,CA-PSO既能保证解的分布性与多样性,又避免了在多峰值函数寻优过程中陷入局部最优解而停止运算,最终将收敛到全局最优解.     

一种基于差异演化变异的粒子群优化算法

为了保持粒子种群的多样性而避免发生“早熟”的问题,提出一种基于差异演化变异的粒子群优化算法（PSO）,该方法通过粒子聚集性判断如果粒子群中的粒子过于聚集,则使用差异演化算法对PSO算法中各个粒子的自身历史最佳位置进行变异,以实现保持粒子群种群多样性的目的。对4种常用函数的优化问题进行测试并进行比较,结果表明：所改进的粒子群优化算法比标准粒子群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。     

改进PSO算法在二维下料问题中的研究

粒子群优化（PSO）算法是一种基于集群智能的进化计算方法,在该方法中粒子通过追随自己找到的最优解和种群最优解完成优化。文章将PSO算法应用到三角形优化下料问题的研究中,给出了具体的实施流程,为了提高PSO算法的收敛精度,避免早熟现象的产生,对PSO进行了改进,提出一种启发式PSO算法。通过对三角形的优化下料进行仿真,仿真结果显示改进后的启发式粒子群优化算法在收敛效果和材料的利用率方面均有显著的提高。     

基于多策略协同作用的粒子群优化算法

针对粒子群优化(PSO)算法容易早熟收敛、在进化后期收敛精度低的缺点,提出了一种基于多策略协同作用的粒子群优化(MSPSO)算法。首先,设定一个概率阈值为0.3,在粒子迭代过程中,如果随机生成的概率值小于阈值,则采用对当前种群中的最优个体进行反向学习并生成其反向解,以提高算法的收敛速度和收敛精度;否则,算法执行对粒子的位置进行高斯变异策略,以增强种群的多样性;其次,提出一种将柯西分布的比例参数进行线性递减的柯西变异策略,能够产生更好的解引导粒子向最优解空间运动;最后,在8个标准测试函数上进行仿真测试,MSPSO算法在Rosenbrock、Schwefel's P2.22、Rotated Ackley、Quadric Noise、Ackley函数上收敛的平均值分别为1.68E+01、2.36E-283、8.88E-16、2.78E-05、8.88E-16,在Sphere、Griewank和Rastrigin函数上收敛达到最优解0,优于高斯扰动粒子群优化(GDPSO)算法、基于柯西变异的反向学习粒子群优化(GOPSO)算法。结果表明,所提出的算法收敛精度高,能避免粒子陷入局部最优。     

联盟运输调度问题的粒子群算法研究

联盟运输调度问题是在基本运输调度问题基础上所发展起来的、具有重要实用价值的一类组合优化难题.粒子群算法(PSO)是一种新兴的基于群智能的演化计算技术,该算法与传统方法相比有着较高的收敛速度和计算精度,可以在解空间内高效地寻找到全局最优解.将其应用于联盟运输调度问题,并针对联盟运输调度问题中最优解的分布特点,对标准粒子群算法进行了改进,克服了标准粒子群算法收敛速度过快且易收敛于局部最优的缺点.对比实验结果表明,改进后的粒子群算法可以快速、有效求得最优解.     

一种基于竞选领导策略的改进粒子群算法

针对标准粒子群算法由于粒子多样性的大量丧失而导致的算法易陷入局部最优解,收敛精度不高的问题,提出一种基于竞选领导策略的改进粒子群算法,该算法在全局最优粒子的领导能力丧失时,通过引进细菌觅食算法的趋化算子对精英粒子进行优化,然后选出更具领导能力的粒子作为新的领导粒子来带领种群跳出局部最优解,以增强算法的全局搜索能力。通过四个典型函数的测试,结果表明改进算法在较好保留了标准粒子群算法快速收敛优点的前提下,有效地预防了早熟现象的产生,提高了收敛精度。     

基于改进粒子群优化算法的IIR数字滤波器设计

针对粒子群优化(PSO)算法存在早熟收敛问题,提出了一种改进算法——带有柯西扰动的重分布粒子群优化(RPSO)算法,并应用于IIR数字滤波器的优化设计。RPSO在检测到粒子群早熟收敛时,自动触发粒子重分布机制,帮助粒子逃离局部收敛区域,同时在迭代过程中对种群的全局最优位置施加柯西扰动以保持种群的多样性。仿真实验结果表明,在对IIR数字滤波器设计时,RPSO算法的性能优于粒子群、量子粒子群以及基于混沌变异的粒子群优化等算法。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

基于爆炸冲击波模型的粒子群优化算法

针对基本粒子群优化(PSO)算法在解决复杂多峰问题时易于陷入局部最优解的问题,提出一种基于爆炸冲击波模型的PSO算法(简称BW-PSO算法)。该算法通过加入种群多样性监督条件,使得当种群数量缩小至给定阈值时,触发粒子冲击波过程：最优粒子与次优粒子进行交叉变异,处于爆炸半径内的粒子受到牵引力,加速收敛至当前极值;处于爆炸半径外的粒子受到冲击力向外扩散,增加了找到全局最优值的可能性。BW-PSO算法不仅能够通过最优粒子变异操作提升当前解的精度,而且通过粒子冲击波过程,增加了种群多样性,提升了粒子对全局空间开发的能力。实验结果表明,基于爆炸冲击波模型的PSO算法在求解多峰问题表现优于变异PSO算法与带电PSO算法。     

结合质心思想和柯西变异策略的粒子群优化算法

针对基本粒子群优化（PSO）算法收敛精度低、容易陷入局部最优的问题,提出了一个结合质心思想和柯西变异策略的粒子群优化算法。首先,在粒子的初始化阶段采用混沌初始化策略,以提高初始粒子的均匀分布能力;其次,为了提高粒子群的收敛速度和寻优能力,引入了质心的概念,通过计算获得种群中所有粒子所构成的全局质心和所有个体极值构成的个体质心,使得粒子群内部可以实现充分的信息共享;为避免粒子陷入局部最优解,在粒子群算法中引入了柯西变异运算对当前最优粒子进行扰动,并依据柯西变异运算的规律,适应性地调整扰动步长,该算法以群体多样性为依据,动态调整惯性权重;最后,使用7个经典的测试函数对算法进行验证,通过函数运行结果的均值、方差和最小值能够表明,新算法在收敛精度上有较好的优越性。     

基于分层自主学习的改进粒子群优化算法

针对粒子群优化（PSO）算法容易陷入局部最优、收敛精度不高、收敛速度较慢的问题，提出一种基于分层自主学习的改进粒子群优化（HCPSO）算法。首先，根据粒子适应度值和迭代次数将种群动态地划分为三个不同阶层；然后，根据不同阶层粒子特性，分别采用局部学习模型、标准学习模型以及全局学习模型，增加粒子多样性，反映出个体差异的认知对算法性能的影响，提高算法的收敛速度和收敛精度；最后，将HCPSO算法与PSO算法、自适应多子群粒子群优化（PSO-SMS）算法以及动态多子群粒子群优化（DMS-PSO）算法分别在6个典型的测试函数上进行对比仿真实验。仿真结果表明，HCPSO算法的收敛速度和收敛精度相对给出的对比算法均有明显提升，并且算法执行时间和基本PSO算法执行时间差距在0.001量级内，在不增加算法复杂度的情况下算法性能更高。     

应用微粒群算法确定有机化合物分子式

针对基本微粒群优化算法（PSO）存在容易陷入局部最优和收敛速度慢的缺点,在整数空间使用带收缩因子的微粒群优化算法基础上,提出了一种带变异概率的微粒群优化算法（IPSO）,用于提高微粒群的多样性,避免算法陷入局部最优解。实验证明,改进后的微粒群优化算法在防止早熟和加快收敛方面优于基本PSO算法和基本PSO算法加一半微粒随机初始化算法（PSO_HPO算法）。IPSO算法应用到确定有机化合物分子式时,取得了很好的效果。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

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。     

一种克服局部最优的收缩因子PSO算法

收缩因子粒子群优化算法容易陷入局部最优并出现早熟收敛的现象。为此,提出一种改进的收缩因子粒子群优化算法。该算法引入速度因子和位置因子参数,若粒子向全局最优接近且速度小于设定的速度因子,则认为该粒子可能出现停滞,从而对该粒子进行初始化,以增强粒子活力。在算法陷入局部最优时,通过该方法驱散粒子以提高种群多样性,避免产生早熟收敛现象。对多峰标准测试函数进行仿真实验,结果表明,该算法能提高收敛精度,有效避免算法陷入局部最优。     

基于事件触发的全信息粒子群优化器及其应用

针对标准粒子群优化算法存在早熟收敛和容易陷入局部最优的问题,本文提出了一种基于事件触发的全信息粒子群优化算法(Event-triggering-based full-information particle swarm optimization, EFPSO).首先,引入一类基于粒子空间特性的事件触发策略实现粒子群优化算法(Particle swarm optimization, PSO)的模态切换,更好地维持了算法搜索和收敛能力之间的动态平衡.然后,鉴于引入历史信息能够降低算法陷入局部最优的可能性,提出一种全信息策略来克服PSO算法搜索能力不足的缺陷.数值仿真实验表明, EFPSO算法在种群多样性、收敛率、成功率方面优于其他改进的PSO算法.最后,应用EFPSO算法对变分模态分解(Variational mode decomposition, VMD)去噪算法进行改进,并在现场管道信号去噪取得了很好的效果.     

基于遗传算子的改进粒子群优化算法

为了克服PSO算法容易陷入局部最优的缺陷,提出一种基于遗传算子的改进PSO算法。该算法借鉴常规的遗传算法中的选择交叉操作,在优化搜索过程中更新粒子的位置时,进行交叉操作,可以扩大全局搜索范围,避免局部最优,提高粒子的多样性。对改进后的算法使用几个典型的测试函数进行了仿真实验,实验结果表明,相比于标准PSO该算法的全局搜索能力和收敛精度都有较大提高,有效地改善了优化性能。