粒子群优化算法的分析与改进

分析了惯性权值对粒子群优化(PSO)算法优化性能的影响，进而提出选择惯性权值的新策略．在随机选取惯性权值的同时，自适应地调整随机惯性权值的数学期望，有效地调整算法的全局与局部搜索能力．测试表明基于随机惯性权(RIW)策略的PSO算法，其全局搜优的速率与精度有明显提高．     

粒距反馈的S函数粒子群权值调整策略

针对标准粒子群优化（PSO）算法把惯性权值作为全局参数,很难适应复杂的非线性优化的问题,提出了一种基于粒距和S型函数的粒子群权值调整策略（SFIW）。利用S型函数能够在非线性和线性之间平滑过渡的特性,构造了基于Logistic方程的惯性权值函数。在优化过程中根据每个粒子的粒距大小,调整每个粒子的惯性权值函数的非线性系数,使得粒距较大的粒子获得较大的惯性权值、粒距较小的粒子获得较小的惯性权值,从而平衡算法的局部开发和全局探测能力。最后,通过对基准函数的仿真并与其他PSO算法比较,验证了算法的有效性和可行性。     

粒子群优化算法中惯性权值调整的一种新策略

惯性权值的设置对粒子群优化（PSO）算法的性能起着关键作用,现有的基于惯性权值的改进算法提高了算法的性能,但都把惯性权值作为全局参数,很难控制算法的搜索能力。本文在充分分析惯性权值的关键作用基础上给出一种新的惯性权值调整策略及其相应的粒子群优化算法,使用不同的惯性权值更新同一代种群。测试结果表明,新算法提高了算算法的性能,并具有更快的收敛速度和跳出局部最优的能力。     

结合双粒子群和K-means的混合文本聚类算法

传统K-means算法对初始聚类中心选择较敏感, 结果有可能收敛于一般次优解, 为些提出一种结合双粒子群和K-means的混合文本聚类算法。设计了自调整惯性权值策略, 根据最优适应度值的变化率动态调整惯性权值。两子群分别采用基于不同惯性权值策略的粒子群算法进化, 子代间及子代与父代信息交流, 共享最优粒子, 替换最劣粒子, 完成进化, 该算法命名为双粒子群算法。将能平衡全局与局部搜索能力的双粒子群算法与高效的K-means算法结合, 每个粒子是一组聚类中心, 类内离散度之和的倒数是适应度函数, 用K-means算法优化新生粒子, 即为结合双粒子群和K-means的混合文本聚类算法。实验结果表明, 该算法相对于K-means、PSO等文本聚类算法具有更强鲁棒性, 聚类效果也有明显的改善。     

一种基于距离度量的自适应粒子群优化算法

惯性权值对粒子群优化((Particle Swarm Optimization,PSO)算法的性能起着重要作用。基本的PSO算法未考虑各粒子的差异而在一次迭代中所有粒子采用固定的惯性权值。为了体现各粒子相对于已知最优解的差异,提出了一种基于距离度量的自适应PSO算法DMAPSO(DistancE Measurement-based Adaptive PSO)。算法采用欧式距离计算粒子与已知全局最优粒子的差异,然后根据差异自适应调整各粒子的·贯r}权值。通过基准测试函数对算法进行了实验,结果表明,对于连续函数优化问题,提出的DMAPSO算法优于经典PSO算法,DMAPSO收敛到最优解的迭代次数比PsO平均减少了约60%.     

一种自适应惯性权值的粒子群优化方法

粒子群算法是当前优化算法领域的一大研究热点,在PSO算法优化RBFNN模型的基础上,提出了一种基于种群多样性差异的非线性自适应惯性权值的改进方法增加种群多样性的稳定性和搜索能力,避免算法过早地陷入局部极值,从而进一步提高预测精度.仿真实验表明,改进的PSO-RBFNN模型在预测结果稳定性,快速收敛上有明显的优势.     

基于改进粒子群算法的整流电路智能故障诊断

针对基本粒子群算法(PSO)收敛精度低、易陷入局部极小值的缺点。对该算法进行改进,采用自适应调整惯性权重的策略,并且引入扰动因子,平衡集中强化搜索和分散多样化的搜索过程;用改进的PSO算法优化BP神经网络的权值和阈值,并应用于整流电路的故障诊断;仿真研究结果表明,该方法与其它方法相比,收敛速度快,诊断精度高,在整流电路故障诊断中具有良好的故障识别率,便于电路故障自动诊断系统的建立。     

基于距离的k最优粒子群优化算法

传统的粒子群优化算法（Particle Swarm Optimization,PSO）只考虑了最优粒子对整个进化过程的引导作用且在一次迭代中所有粒子采用相同的惯性权值。为了体现各粒子相对于已知最优解的差异,提出了一种基于距离度量的自适应（k,l）PSO算法。（k,l）PSO算法采用轮盘赌策略在k个最优的粒子中选择一个粒子作为全局最优粒子参与粒子的速度更新,同时,根据粒子间的平均距离l确定粒子与选中的最优粒子的距离,自适应调整粒子的惯性权值。通过基准测试函数对算法进行了实验,实验验证了（k,l）PSO算法的有效性。     

改进的云自适应粒子群算法

为了提高粒子群算法的寻优速度和精度,提出一种改进的云自适应粒子群算法（MCAPSO）。算法中根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略和进化策略,普通子群粒子采用云自适应惯性权重,有效地调整了算法的全局与局部搜索能力。选取了五个基准函数进行测试,与其他PSO算法作了比较。仿真结果表明该方法是有效的。     

具有自适应随机惯性权重的PSO算法

通过对标准PSO算法中惯性权重和全局最好值的分析,提出了一种根据全局最好值的变化而自适应变化的随机惯性权重的方法。通过对5个典型的Benchmark函数的测试,结果表明此方法在收敛速度和全局收敛性方面都较线性递减的惯性权重的方法有所改进。最后,将改进的PSO算法应用于分类问题,与标准PSO算法与C4．5的结果相比,分类精度和速度都有所提高。     

基于改进PSO优化PNN网络的变压器故障诊断方法

根据变压器产生故障时特征气体和故障类型的非线性关系,结合油中溶解气体分析方法,采用了基于改进粒子群-概率神经网络(PNN)的故障诊断方法.针对PNN网络平滑因子按照经验选取的不足,以及使用粒子群优化(PSO)该参数时搜索精度低、容易早熟收敛等缺点,改进粒子群引入遗传算法的变异操作,并在迭代中对惯性权重动态调整和加速因子的线性变化,并用于训练PNN神经网络平滑因子集合;然后将改进PSO-PNN神经网络应用于变压器故障诊断中,通过诊断测试验证了该方法的有效性.     

基于IPSO-BP神经网络的变压器故障诊断方法

标准粒子群优化(PSO)算法对惯性权重采取简单的线性衰减方案, 无法获得全局最优点. 为了弥补该方法的缺陷, 提出了一种改进的粒子群优化(IPSO)算法, 并将该算法与误差反向传播神经网络(BPNN)相结合, 进而提出一种基于IPSO-BPNN的变压器故障诊断新方法. 该方法将单个粒子连续被选为最优解的次数作为自适应变量, 并根据粒子的性能分类结果, 自适应地调整各粒子的惯性权重, 从而达到平衡局部和全局搜索能力的目的. 大量仿真表明该算法性能明显优于基于BPNN和PSO-BPNN的变压器故障诊断系统,     

基于改进粒子群优化算法的BP预测模型

该论文提出了基于改进粒子群优化的BP算法. 在该算法中,通过对粒子群优化算法中的惯性权重的计算方法的改进,同时利用改进的PSO算法替代了BP算法中的梯度下降算法,使得改进后的算法具有不易与陷入局部极小等优点. 并将该算法利用在预测气温上,实验证明： 改进后的算法在预测模型上能够取得较好的预测效果,提高预测精度.     

一种改进的微粒群优化算法

基于惯性权重对微粒群优化算法（Particle Swarm Optimization,PSO）优化性能的显著影响,提出了一种改变惯性权重的方法以改进PSO算法的优化性能。算法中惯性权重的动态改变是通过对其进行PSO寻优来控制的。经过对标准函数的测试计算,无论是二维还是多维的问题,这种改变惯性权重的PSO算法的寻优结果的准确度和精度均得以提高,收到了良好的效果,尤其在高维情况下,显示出算法性能得到了明显改善。     

基于改进粒子群算法的无线传感器网络节点定位

针对传统距离矢量-跳数(DV-Hop)算法中最小二乘法的估计误差过大、粒子群(PSO)算法易陷入局部最优的问题,提出了一种改进粒子群算法与DV-Hop的融合算法。首先从粒子速度、惯性权重、学习策略、变异方面对粒子群算法进行改进,增强算法跳出局部最优的能力,提高迭代后期算法的搜索速度;然后在DV-Hop算法第三阶段采用改进粒子群算法优化节点的定位结果。仿真结果表明:相比传统DV-Hop算法、基于混沌粒子群算法的DV-Hop改进算法(MPSO1-DV-Hop)和基于改进型粒子群优化的DV-Hop算法(MPSO2-DV-Hop),该算法的定位精度高,稳定性好,适用于定位精度和稳定性要求较高的场景。     

改进粒子群优化T-S ANFIS算法诊断油浸式变压器故障研究

为了有效提升油浸式变压器故障诊断的精度与速度,提出一种基于改进粒子群算法(IPSO)优化T-S型自适应模糊神经网络(T-S ANFIS)的油浸式变压器故障诊断模型；引入动态惯性权重和学习因子线性调整策略,并利用收敛域和欧式距离判别雷同粒子,以克服粒子群算法易早熟、后期易陷入局部最优的问题；接着通过IPSO对T-S ANFIS的前提参数进行优化,提高网络的收敛速度；最后通过仿真实验验证基于IPSO优化T-S ANFIS的变压器故障诊断模型效果,结果表明所构建模型的故障诊断最优准确率约为98％,与ANFIS及PSO-ANFIS模型相比具有较高的故障诊断精度及效率。     

Interactive Self Improvement Based Adaptive Particle Swarm Optimization

One of the most familiar stochastic heuristic search algorithm is Particle swarm optimization (PSO), which is motivated by social behavior of animals like birds, fishes, and so forth. The significant advantages of PSO algorithm are simple structure and limited parameters to be used. Among the parameters, inertia weight is considered as the most crucial one in PSO which brings trade-off between the characteristics of exploitation and exploration. A novel Interactive Self-Improvement based Adaptive PSO (ISI-APSO) method that traits better searching efficiency and accuracy than the traditional particle swarm optimization is proposed. More precisely, it can achieve faster convergence speed while on global search over the entire search space. The simulation results show that the performance of our proposed ISI-APSO is substantially improved than other heuristic algorithms in terms of the search efficiency and convergence speed.     

多策略融合粒子群算法及其收敛性分析

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在实际运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种改进的粒子群算法。该算法采用多次随机初始化的策略初始种群位置,再对惯性权重引入随机因子,使其基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,提高算法的收敛精度,并证明其能以概率1全局收敛。为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及提出的改进算法在不同维度下进行测试比较。结果表明,该算法的寻优精度更高。