基于多模态优化问题的粒子群算法研究

多模态优化问题包含多个全局最优解或局部最优解,求解多模态优化问题难度较高。为了更有效地求解多模态优化问题,提出用粒子群算法求解多模态问题。研究了星型拓扑结构及环型拓扑结构的算法模型,并引入线性递减惯性权重对两种粒子群算法进行改进,让粒子群算法的惯性权重从一个较大的数值线性递减到一个较小的数值,从而提高种群搜索的多样性和精度。用15个复杂的多模态测试函数对两种粒子群算法进行仿真实验,实验结果表明,引入线性递减惯性权重的环型拓扑结构粒子群算法的搜索能力明显更强,更适用于多模态优化问题的求解。     

种群分类粒子群改进算法研究

针对粒子群算法在陷入局部最优时难于跳出的缺陷,提出一种改进的粒子群算法.该算法首先利用粒子适应值的统计规律对粒子进行分类,对属于不同类别的粒子采用不同的进化模型,对于利用完全模型进化的粒子,采用动态调整学习因子的方法,从而大大提高了算法的优化效率和优化精度.通过反复实验分析,得出学习因子随着进化推进的最优变化规律,并给出了学习因子的最佳函数表达式.仿真结果表明,利用改进的PSO算法优化4种具有代表性的基准函数,无论是在优化精度方面还是在优化效率方面,均较以往提出的PSO算法在性能上有本质的提高.     

求解高维复杂连续优化问题的粒子群算法研究

传统粒子群优化算法(PSO)求解较为复杂的高维度优化问题时,易出现早熟收敛现象,引发收敛效果变差,导致解的精度较低等问题.为求解现代社会出现的更多复杂优化问题,提高粒子群算法求解精度,引入分组变异的思想,在粒子迭代进化过程中以递减的方式控制变异概率.种群进化过程中是利用贪心搜索的方式,在后期会出现种群聚拢,因此引入反向学习策略,使得种群在聚拢环境下可以扩展搜索空间,离开局部最优位置.经过实验仿真证明,提出的新型粒子群算法(NEWPSO)在优化高维函数上具有更好的性能.     

一种新改进的粒子群优化算法

由于粒子群优化算法对多极值复杂问题求解时容易陷入局部极值,提出一种新改进的粒子群优化算法。该改进算法是将粒子群进化过程分为两个不同的阶段,每个阶段应用不同的进化模型,通过结合这两种进化模型的各自优点有效地降低群体陷入局部最优。由仿真实验结果可知,对于复杂多极值函数优化问题,本文算法比标准粒子群优化算法的全局寻优能力更强。     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

基于Lagrange乘子法的一种新型改进粒子群优化算法

社会和生产实践中抽象出来的模型一般为非线性约束优化,而约束优化一般很难直接求解.首先,我们通过引进增广lagrange乘子法,将约束优化转化为有界约束优化,然后引入粒子群优化算法来进行求解,并且我们提出来一种嵌入了最速下降法的改进粒子群优化算法,以此来解决标准粒子群算法中收敛速度慢和精度低的问题,提高了搜索的效率,特别是局部搜索的效率.改进算法有效地结合了粒子群优化算法比较强的全局搜索能力和最速下降法的精细快速的局部搜索能力,相比于标准粒子群优化算法,克服了收敛速度慢的特点.数值实验表明,通过改进的粒子群优化算法可以找到所求优化问题的全局最优解.     

引入变异算子的粒子群优化算法

粒子群优化算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优。为了克服这个缺点,文中提出了一种引入变异算子的粒子群优化算法,即每次粒子更新后对种群最优位置随机选取其中一维进行变异操作,以增强算法跳出局部最优的能力。通过对5个基准函数的仿真实验,结果表明了新算法的有效性。     

基于改进粒子群算法的车间作业调度问题研究

针对现行的遗传算法存在过早收敛和进化速度过慢的局限,以及标准粒子群算法收敛精确度不高、易陷入局部极值点的缺点,通过分析原有算法的优化机理,提出一种惯性权重随粒子的进化代数增加而非线性减小的改进型粒子群算法,并将此算法应用于车间作业调度问题中.大量仿真实验结果表明,该算法在求解车间作业调度问题上具有可行性和有效性.     

一种加权变异的粒子群算法

针对粒子群算法易于陷入早熟、收敛速度慢及收敛精度低的问题,提出了加权变异的WVPSO(Weighted Variation Particle Swarm Optimization)粒子群算法。根据自适应惯性权重和自适应学习因子,平衡了全局搜索和局部搜索能力;基于算术交叉的变异和自然选择机制的替换策略,增加了粒子的多样性,提高了算法的收敛精度;最后加入高斯扰动,使粒子产生震荡,更容易跳出局部最优。仿真实验表明,相比多个具有代表性的群智能进化算法,WVPSO算法在求解精度和收敛速度上效果更佳,并且在高维函数优化问题上具有更好的精度和稳定性。     

基于多精度模型和粒子群算法的（ｓ，Ｓ）库存优化

目前,针对一般化的（ｓ,Ｓ）库存策略优化,往往采用仿真与启发式算法相结合的方法,计算效率较低。基于次序变换和优化抽样的多精度优化方法,通过引入多精度模型,研究了一类需求时序 相关的（ｓ,Ｓ）库存系统的策略优化问题,提出了两种改进型粒子群优化算法求解该类问题。数值算例结果表明：相较于一般的粒子群优化算法,提出的改进型粒子群优化算法具有明显更高的计算效率。     

改进型混沌粒子群算法求解函数均值问题

针对基本粒子群优化算法易陷入局部最优的缺陷,提出一种基于有限作用域的混沌粒子群优化算法。利用特定的初始分布涵盖全局最优值,利用混沌序列良好的非线性性质来影响粒子速度的更新过程;以有限作用域外的粒子遍历优化问题的可行域,从而增加粒子对可行域的广度搜索,以有限作用域内的粒子搜索最优值,从而提高全局最优值的精度搜索效率。把本文算法应用到函数均值求解的实验中,结果表明,本文算法具有较好的求解精度和求解效率值。     

一种改进的粒子群优化算法及其应用

介绍了粒子群优化算法及其原理,针对其后期容易陷入局部极值的缺陷,提出了一种改进粒子群算法.改进算法采用全局最优粒子变异策略和部分粒子群部分维初始化策略.通过将其应用于(N M)容错系统模型的实例,对改进算法的性能进行了分析,结果表明,改进算法的搜索效率和精度均优于一般的粒子群算法,同时具有较好的收敛稳定性.     

基于粒子群和免疫克隆的模糊C-均值聚类

目的基于梯度下降的模糊聚类算法（FCM）选择最优解做改进,降低原FCM对初始值的敏感度,改进模糊C-均值算法,加快收敛速度,改善聚类的效果.方法该算法通过克隆选择改变粒子群优化算法（PSO）中群体的多样性,用PSO代替了FCM算法的基于梯度下降的迭代过程.结果算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极值的缺陷,同时也降低了FCM算法对初始值的敏感度.通过机器学习中的W ine和Iris数据对所提出的算法进行验证,取W ine样本数据为178个,条件属性为13,聚类类别数为3;Iris数据150个,条件属性个数为4,对这两类数据分别进行聚类分析,将试验结果与单纯的FCM和基于PSO的FCM比较,聚类的正确性有所提高.结论基于粒子群和免疫克隆的模糊C-均值聚类算法具有很强的全局搜索能力,提高了聚类的效果和效率.     

基于混沌和多群体的粒子群优化算法

由于基本粒子群优化算法存在初始化随机性和遍历性不强,全局搜索容易陷入局部最优的问题,提出了基于混沌和多群体的粒子群优化算法,利用混沌特性初始化粒子,增强其随机性和遍历性,并根据适应度值将粒子群划分为多个群体,对不同群体中粒子的速度和位置采取不同的计算方法,进一步提高算法的收敛速度和精度。     

多角色多策略多目标粒子群优化算法

针对粒子群算法在解决复杂多目标问题时存在过早收敛和多样性不足的问题,提出多角色多策略多目标粒子群优化算法(MOPSO_RS). 该算法根据粒子的角色划分指标,给不同性能的粒子赋予不同角色;提出多策略的学习参数调整方法和多策略的全局最优粒子选取方法,帮助种群执行各种搜索策略. 不同的学习参数使各角色粒子获得不同的搜索策略,以调整粒子的探索和开发能力. 不同的全局最优粒子使各角色粒子搜索不同区域,提高种群的搜索效率. 为了避免算法陷入局部最优,引入带有高斯函数的变异算子,使粒子根据其角色朝向不同的全局最优粒子变异,提高算法的求解精度. 实验结果表明,对比其他改进多目标算法,MOPSO_RS具有良好的收敛性和多样性,并验证了所提策略的有效性.     

新型混合粒子群算法在核动力设备优化设计中的应用

针对标准粒子群算法在处理非线性约束优化问题时存在收敛速度慢、精度低和易陷入局部最优的缺点,设计了一种新型混合粒子群算法,该算法采用可行性原则处理约束条件,避免惩罚函数法中惩罚因子选取的困难;引入基本复合形法产生初始可行群体,加快粒子群收敛速度;引入遗传算法的交叉和变异策略,避免粒子群陷入局部最优;在迭代末期的优解附近,进行改进复合形算法的寻优,提高最优解的精度.通过算法测试基准函数的优化计算,结果显示,新型混合粒子群算法有较好的优化性能,并在核动力设备优化设计中有很好的应用.     

改进粒子群算法的工业机器人几何参数标定

针对传统粒子群(PSO)算法在解决工业机器人几何误差标定问题中存在的收敛速度慢的缺点,提出了一种基于两段式的动态粒子群算法(LDPSO-BT)。用Denavit-Hartenberg方法建立工业机器人的误差模型,将几何误差标定问题转换成对高维非线性方程的求解;对粒子群数目进行线性递减,同时针对算法求解过程中粒子数目线性递减的特点,在改进粒子群算法迭代后期采用改进的搜索模式,对传统粒子群的速度迭代公式进行改进;仿真实验对比了工业机器人几何误差标定前与标定后两种算法的末端定位精度。实验结果表明:在采用粒子群算法辨识工业机器人实际几何参数的过程中,粒子群数目对算法的迭代时间有重要影响,通过线性递减的方式减少粒子群的粒子数目可以有效地减少工业机器人几何误差标定时间,同时在粒子群算法迭代后期采用改进的速度迭代公式可以确保收敛精度。与传统粒子群算法相比,使用改进后的粒子群算法,不仅可以有效减少工业机器人的定位误差,而且还拥有更高效的迭代效率。     

基于改进粒子群优化的神经网络及应用

为了克服粒子群算法的早熟收敛,提出了一种改进的粒子群算法用于神经网络训练。该算法对种群进行均匀初始化,用多个粒子的信息引导个体的更新,以保证全局搜索的有效性,同时引入随机算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。将改进粒子群算法训练的神经网络应用于IRIS模式分类问题和短期电力负荷预测,与BP算法、遗传算法及粒子群算法比较,该算法在提高误差精度的同时可加快训练收敛的速度。     

流水工序调度与生产效率的关系模型分析

提出一种基于粒子群算法的流水工序调度任务优化模型.利用流水工序调度任务的特点得到流水工序时间约束条件,利用粒子群算法的原理建立流水工序调度任务优化模型,利用粒子群算法对模型进行求解.仿真实验表明,利用该算法能够得到流水工序调度问题的最优解,提高生产效率.     

基于PSO-PF算法的SVM识别方法 及其在异常声音中的应用

针对异常声音识别率低和算法复杂度高等技术难题,提出了一种基于粒子群优化粒子滤波（PSO-PF）算法优化支持向量机（SVM）的识别方法.将PSO算法引入粒子滤波中,通过不断更新粒子速度和位置,使粒子群向高似然后验概率区域移动,提高粒子滤波的参数估计精度.将PSO-PF算法应用于SVM参数优化中,可解决现有SVM参数优化算法易陷入局部最优值等问题.实验结果表明,将所提方法应用于多类异常声音识别,能够有效提高识别率,降低算法复杂度.