求解高维函数优化的动态粒子群算法

针对基本粒子群优化算法对高维函数优化时搜索精度不高的缺陷,提出了一种动态粒子群优化算法。该算法采用了通过调节阈值对粒子运动轨迹进行动态改变的策略,使得粒子对周围环境的适应能力不受进化代数的影响,从而保证了算法在迭代后期仍具有较强的搜索能力。实验结果表明,与文献算法相比,该算法在处理高维函数优化时具有更强的寻优能力和更高的搜索精度。     

动态环境下的种群扩散粒子群优化算法

传统的粒子群优化算法在优化过程中难以有效地监测环境的动态变化和响应。针对上述问题,通过增加外围监测粒子加强监测有效性,提出一种可以动态响应环境变化的种群多样性扩散函数,在此基础上设计一种扩散粒子群优化算法(DPSO),在动态环境中与APSO、CPSO进行比较,实验结果表明,DPSO可以更有效地跟踪动态环境下极值的变化并快速收敛。     

求解约束优化问题的动态邻域粒子群算法*

粒子群算法(PSO)求解约束优化问题存在较严重的早熟收敛现象,为了有效抑制早熟收敛,提出了基于改进的约束自适应方法的动态邻域粒子群算法(IPSO)。算法采用动态邻域策略提高算法的全局搜索能力,设计了一种改进的自适应约束处理方法,根据迭代代数线性增加搜索偏向系数,在早期偏向于搜索可行解,在后期偏向于搜索最优解,并引入序列二次规划增强算法的局部搜索能力。通过基准测试函数实验对比分析,表明该算法对于约束优化问题具有较好的全局收敛性。     

求解大规模函数优化的粒子群优化算法

针对大规模全局函数优化的维数制约求解性能的问题,提出一种多策略混合进化的粒子群算法.为平衡算法的勘测与开采能力,利用种群分割思想将进化种群分为精英、优质、中等和劣质种群;为增强算法的全局搜索能力,劣质种群向精英种群进行对称学习;为增强算法的局部搜索能力,采用局部高斯扰动增强中等种群中粒子的局部勘测能力;为提升算法的搜索...     

动态环境下的双子群PSO算法

通过两组搜索方向相反、相互协同的主、辅子群,构造一种新的双子群粒子群优化算法.该算法扩展了种群的搜索范围,充分利用搜索域内的有用信息,在感知到环境变化时能迅速、准确地跟踪动态变化的极值.使用DF1(Dynamic Function 1)生成的复杂动态环境对该算法进行了验证,并与Eberhart提出的动态环境下的粒子群优化算法进行了比较分析.仿真结果表明了该算法的有效性.     

动态环境下基于粒子群算法的多用户检测器

在动态环境下,在线用户数和用户的参数都是随时间变化的。研究表明,在动态环境下首先识别在线用户,然后进行多用户检测,会极大地提高多用户检测器的性能和节省资源。基于随机集理论（Random Set Theory,RST）理论,应用一种群智能算法——粒子群算法（Particle Swarm Optimization,PSO）提出了动态环境下的多用户检测器。仿真结果表明该检测器收敛速度快、适应性较强,有效地解决了动态环境下多用户检测。     

求解大规模问题协同进化动态粒子群优化算法

随着工程技术的发展与优化问题数学模型的完善,许多优化问题从低维优化发展成高维的大规模复杂优化,成为实值优化领域的一个热点问题.通过对大规模问题的特点分析,提出了随机动态的协同进化策略,将其加入动态多种群粒子群优化算法中,实现了对种群粒子和决策变量的双重分组.最后使用CEC2013的大规模全局优化算法的测试集对新算法进行测试,通过和其它算法的对比,验证算法的有效性.     

动态离散粒子群优化算法

为解决现实世界中动态环境下的离散事件优化问题,研究了当前已被广泛应用于动态环境或离散运算优化问题的粒子群优化算法(PSO),据此提出了一种动态离散PSO算法.该算法设计了一种环境绝对值和环境敏感性判定策略来实现动态环境的监测与响应,并通过带变异算子的离散PSO算法公式的重新定义来满足大规模离散运算需求.最后,利用离散时间系统的零状态响应求解评价了该算法的性能,结果表明,该算法在定义域内具有较好的收敛性.     

动态学习混沌映射的粒子群算法

传统粒子群优化算法（PSO）对社会认知部分与自我认知部分都采用恒定学习常数,一定程度上限制种群全局协调能力。在算法收敛后期种群多样性丧失而导致全部个体收敛于搜索空间中的某一点,这易诱发早熟现象。针对这种缺陷提出一种动态学习混沌映射的粒子群优化算法（VLCMPSO）。在算法初期迭代中应多考虑自身记录的最佳点,在算法后期应快速向种群最佳点收敛,因而设计一种进行协调的动态学习因子。为克服早熟现象,判断种群多样性方差低于设定阈值时,以混沌映射的方式将该代最优个体位置更新且以新的方式进行优化操作。经实验证明新算法在收敛速度与精度上都具有更好的性能。     

基于动态参数的杂交粒子群优化算法

粒子群优化算法的局部搜索能力较差,搜索精度不够高,容易陷入局部极小解,且搜索性能对参数具有一定的依赖性。本文针对这些缺点,在借鉴遗传算法中杂交概念的基础上,进一步通过在速度进化方程中引进动态参数来提高算法的收敛速度和收敛率。经LevyNo. 5函数对改进算法的测试表明,相对杂交粒子群优化算法,该方法的收敛速度和平均收敛率均得到了不同程度的提高。     

动态环境下运用对称位移映射的PSO算法

粒子群优化算法在求解动态优化问题时存在多样性缺失和寻优效率低的问题,为此,提出一种运用对称位移映射的双子群算法。该算法通过2组相互协同的主、辅子群并行地搜索变化的最优值。辅子群采取差异进化机制不断探索新环境,在感知环境变化时引入一种对称位移映射策略,使粒子对称分布在最优解的周围,以提高算法收敛到最优解的概率。使用MPB和DF1两种经典的Benchmark测试函数生成复杂的动态环境,对该算法进行实验仿真,结果表明,该算法能提高跟踪动态变化极值的准确性。     

基于动态P混沌与动态非线性的PSO算法

为解决粒子群优化算法易于陷入局部最优问题,提出2种方法并行改进惯性权重。对比平均值差的粒子,用所设计的动态P混沌映射公式调整惯性权重,在复杂多变的环境中逐步摆脱局部最优,动态寻找全局最优值。对好于或等于整体适应度平均值的粒子,用所提出的动态非线性方程调整惯性权重,在保存有利条件的基础上逐步向全局最优处收敛。2种方法前后相辅相成、动态协作。实验结果证实,该算法在不同情况下都超越了同类改进算法。     

基于改进微粒群优化的学习路径优化控制方法

对学生学习的路径控制在智能化教学系统中是一个重要的问题。该文以知识空间理论为基础建立了学习状态空间,通过改进的微粒群算法对该学习状态空间的学习路径进行最优化控制,并利用死亡惩罚函数法把约束最优化学习路径问题转化成了无约束的最优化学习路径控制问题,引入交换子和交换序的概念对微粒群算法进行改进。在结果分析中,通过动态参数法,即动态变化交换子保留概率的方法提高微粒群的收敛效果,达到了最优化学习路径控制的目的。     

基于免疫进化粒子群优化的动态聚类算法

针对粒子群优化算法和传统聚类算法易产生“早熟”现象的不足,把人工免疫系统的免疫信息进化处理机制引入到粒子群优化算法,提出一种基于免疫进化粒子群的动态聚类算法。算法采用线性递减权策略为各个粒子选取适当惯性权值,利用免疫进化思想改进粒子群优化过程,同时利用聚类经验规则k≤√n确定聚类数k的初始搜索范围,以性能代价函数为依据在聚类数目未知的情况下实现动态聚类。仿真实验表明,新算法有效提高聚类正确率,具有收敛精度高和聚类能力强等特点。     

基于混合粒子群优化算法的旅行商问题求解

针对旅行商问题提出一种混合粒子群优化算法。为了增强算法的局部搜索能力,在粒子群优化算法中加入倒置、对换等局部搜索算法。利用遗传算法全局搜索能力强的特点对用粒子群优化算法求到的解进行优化,对全局最优路径通过消除交叉路径进行优化,以进一步提高混合算法的性能。仿真结果表明,中小规模旅行商问题能够在较少的代数内收敛到较满意解。     

基于天牛须搜索的粒子群优化算法求解投资组合问题

粒子群算法（PSO）作为一种群智能算法,有效提高了投资组合模型的实用性,但存在搜索精度较低和易陷入局部最优的缺陷.为克服其缺点,本文提出基于天牛须搜索（BAS）的粒子群优化算法（简称BSO）,并将其应用到包含完整费用的投资组合模型中.在基于天牛须搜索的优化算法中（BSO）,每个粒子的更新规则源自BAS,在每次迭代中都有自己对环境空间的判断,而不仅依赖于PSO中历史最佳解决方案和粒子个体的当前全局最优解,从而减少迭代次数、提高搜索速度和精度.实证结果表明算法更具稳定性和有效性.     

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。     

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。     

基于多样性反馈的粒子群优化算法

利用粒子群多样性的反馈信息,给出带有粒子群多样性测度反馈控制的新惯性权值动态自适应调节方法,有效地维持进化初期的种群多样性,降低粒子群优化算法在进化初期发生早熟的风险,提高最优化解的精度,减小种群规模对优化精度的影响。几个典型函数的仿真结果以及与2种典型的惯性权值调节粒子群算法的比较结果表明了算法的有效性。     

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。