一种基于竞争策略的粒子群优化算法

为提高粒子群优化(Particle Swarm optimization,PSO)算法的收敛精精度与速度,提出了一种基于竞争策略的粒子群优化算法.算法通过对两粒子相似度的判定,来决定是否对粒子进行变换操作,能够提高粒子的多样性,避免局部最优,提高了收敛精度,片且当两个粒子被判定为同一个粒子时,根据适者生存的思想,适应度较优的粒子保留下来,适应度较差的粒子则需进行高斯变异变换,在保证粒子多样性的基础上减少了运算量,提高了收敛速度.并且通过多峰函数(Achley函数、Schaffer函数、Grienwank函数)验证,结果表明,改进后的粒子群优化算法在收敛精度与收敛速度方面都优于基本的粒子群优化算法.     

基于维正弦惯性权重和t变异的PSO算法

针对高维优化问题,随机初始化的粒子群算法中不同维的收敛情况不同,常用惯性权重不能很好地平衡全局搜索和局部搜索,且算法也易陷入局部最优。本文提出一种基于惯性权重维正弦调整和t分布维变异的粒子群优化算法,兼顾各维的收敛情况,较好地保持了种群的多样性。通过4个典型函数的测试,结果表明改进算法提高了收敛速度和精度。     

一种基于子群变异的粒子群优化算法

为克服粒子群优化算法早熟收敛,提出一种基于子群变异的改进粒子群优化算法。该算法提出一种具有随机定向振荡式搜索的子群对主群的全局最优位置进行变异,改变了完全随机的变异方式,为算法提供局部深度的搜索以及跳出局部最优。为增强算法的全局探索能力,对适应度值差的粒子进行动态的变异,以此达到增大种群的潜在搜索空间的目的。最后通过高维的benchmark函数测试改进算法性能。通过仿真结果对比,表明改进算法能有效防止早熟问题,对于多模态函数的优化能够很好地跳出局部极值点,收敛性和收敛精度等方面得到大幅度提升。     

混合粒子群优化算法及其收敛性分析

为解决标准粒子群优化算法不能保证全局收敛,寻优精度低,尤其在高维函数优化方面易陷入局部极小值等问题,提出一种融合Kent混沌映射、云模型理论和布谷鸟搜索的混合粒子群优化算法(CPSO);CPSO算法采用混沌初始化种群位置、全局开发及局部开采的均衡搜索、多子种群协同进化等改进策略,同时从随机优化算法的全局收敛准则角度对CPSO算法的全局收敛性进行证明,并给出了CPSO算法的时间复杂度分析;经典的benchmark测试函数的实验统计结果表明,CPSO算法在收敛性、寻优精度、稳定性等方面均优于经典算法。     

基于逻辑自映射的变尺度混沌粒子群优化算法*

针对基本粒子群优化算法的早熟收敛问题,提出了一种基于逻辑自映射的变尺度混沌粒子群优化算法。该算法在粒子群优化算法每次寻优结束时,采用逻辑自映射函数产生混沌序列,在已搜索到的精英粒子附近尝试搜索更优解并动态收缩搜索范围,在防止算法过早陷入局部最优的同时提高了算法搜索的精度。仿真结果表明,新算法在寻优成功率和平均最优值方面有很大提高,在求解包括欺骗性函数和高维函数在内的多种函数优化问题方面具有良好的效果。     

一种基于全局劣汰策略的混合粒子群优化算法*

提出一种改进的粒子群优化算法--基于全局劣汰策略的混合粒子群优化算法(GTPSO).GTPSO在保持PSO算法快速收敛的基础上,以郭涛算法(GuoA)的寻优机制确保种群的多样性和算法的坚韧性.数值计算结果表明,对于高维(维数≥10)复杂非凸多峰函数的数值优化问题,GTPSO算法的计算结果均优于GuoA算法和粒子群优化算法.     

一类新的粒子群算法

提出一种新的模糊粒子群优化算法--收敛模糊粒子群优化算法.重点研究了收敛因子的确定和模糊隶属度函数的选择对算法性能的影响,在考虑计算效率的同时,提高了算法的精度.利用4个基准函数测试了收敛模糊粒子群优化算法的性能,并与模糊粒子群优化算法、收敛粒子群优化算法以及基本粒子群优化算法进行了对比.实验结果表明,新算法具有很好的性能.     

粒子群优化算法的改进

针对粒子群优化算法搜索精度不高、对高维函数优化性能不佳的问题,提出一种改进的粒子群优化算法。以递增方式对粒子进行释放增强可利用的种群信息,通过释放粒子引导极值变化加强算法的运算效率。实验结果表明,与其他算法相比,改进算法具有更强的寻优能力和搜索精度,且适于高维复杂函数的优化。     

基于扩张变异方法的云自适应粒子群算法

提出了一种基于扩张变异方法的云自适应粒子群算法,该算法利用云模型X务件云发生器自适应调整每一个粒子个体惯性权值.采用扩张变异方法进行变异,可避免因多维而多变量引起多因素的干扰,加快搜索速度,其目的进一步改进粒子群算法的性能,为解决高维空间优化问题提供一种有效方法.最后,以高维函数优化为实例,计算机仿真结果表明,给出的算法具有鲁棒性强、收敛速度快、精度高等特点.     

一种改进的粒子群优化算法

针对粒子群优化算法容易早熟、收敛精度不高的缺点,提出一种改进的粒子群优化算法,该算法在粒子陷入局部最优时,对聚集在种群全局最优位置附近的粒子进行变异。通过测试6个复杂函数的结果以及计算机配色模型求解实验,表明改进的粒子群优化算法优化效果远远优于2种典型的粒子群算法,新算法收敛精度高,收敛速度快,且有效预防了早熟现象。     

基于惩罚机制的自适应交叉粒子群算法

粒子群算法存在容易陷入局部收敛的问题,尤其在求解约束条件优化问题时。提出一种基于惩罚机制的自适应交叉粒子群算法,其分3个层次克服局部收敛,获得最优解。首先引入交叉操作,根据粒子群进化过程中的种群多样性模型得到全局最优解。其次为求解约束优化问题,提出了基于惩罚机制的交叉粒子群算法,改进了H策略和简化了P策略惩罚机制。验证了所提算法在算法复杂度没有明显增加的情况下,性能得到了提高。最后分析得出在解决约束条件优化问题时,根据问题本身单峰和多峰的不同特性,粒子群算法的参数对收敛速度和最优解有关键影响。提出用通用公式计算参数,使算法得到最优解,从而推广粒子群算法的应用。     

基于离散粒子群算法的矩形件优化排样

目前,粒子群算法在连续问题优化上的应用已经很广泛,然而在离散问题优化方面仍处在尝试阶段.提出了一种改进粒子群算法来解决矩形件排样优化问题(离散优化问题).该算法融合了遗传算法中的交叉和变异思想,采用了信息交流策略,使其达到快速优化目的.算法也对"最低水平线法"解码方式进行了改进.实验结果表明,该算法具有快速,高效特点,与现有同类算法比较,在解决矩形件排样问题方面的优势明显.     

求解CVRP问题的混合遗传微粒群算法

采用借鉴遗传算法的编码、交叉和变异操作的遗传微粒群算法对带车辆能力约束的车辆路径优化问题进行求解。设计了符合微粒群算法进化机制的变异算子和改进顺序交叉算子以满足遗传微粒群算法中三条染色体交叉与变异的需要。对多个基准测试实例仿真计算表明算法有效且具有收敛速度快和精度高的优点。     

一种催化粒子群算法及其性能分析

针对粒子群算法（PSO）在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种新颖的混合算法—催化粒子群算法（CPSO）。在CPSO优化过程中,种群中的粒子始终保持其个体历史最优值pbests。CPSO种群更新由改造PSO、横向交叉以及垂直交叉三个搜索算子交替进行,其中,每个算子产生的中庸解均通过贪婪思想产生占优解pbests,并作为下一个算子的父代种群。在CPSO中,纵横交叉算法（CSO）作为PSO的加速催化剂,一方面通过横向交叉改善PSO的全局收敛性能,另一方面通过纵向交叉维持种群的多样性。对6个典型benchmark函数的仿真结果表明,相比其它主流PSO变体,CPSO在全局收敛能力和收敛速率方面具有明显优势。     

高维进化策略调整神经网络结构和参数

提出一种基于佳点集原理的进化策略用于神经网络结构和参数的调整.为了克服正交设计法的一些不足来处理高维最优化问题,本文采用分步交叉框架,将佳点集技术引入实数域交叉算子增强高维空间的搜索能力.前馈神经网络的隐含节点与连接边数从小逐步递增直至学习效果足够好.通过调整能得到一个部分连接的前馈网络,减少了网络实现的耗费.最后,佳点集进化策略有效应用于生成预测太阳黑子的演化神经网络.实验结果证明了新方法的有效性.     

自调整的捕鱼策略优化算法

针对基本捕鱼策略优化算法（FSOA）在优化过程中存在易陷入局部最优、求解高维的复杂优化问题时优化性能不好的不足,对基本捕鱼策略优化算法（FSOA）进行了改进,提出了自调整的捕鱼策略优化算法(ADFSOA)：算法采用时变的搜索半径,每个渔夫可根据自己所处的状态自我调整搜索策略。通过与基本FSOA、RFSOA和标准PSO算法的数值实验对比, 表明了所提算法的优化性能具有显著的优势,可用于求解高维的复杂优化问题。     

求解TSP问题的混合遗传微粒群算法

采用借鉴遗传算法的编码、交叉和变异操作的遗传微粒群算法对旅行商问题进行求解。针对微粒群算法的进化机制,设计了满足三条染色体交叉需要的分步式交叉算子。对多个基准测试实例的仿真计算表明,算法能有效的求解旅行商问题,在求解不同规模旅行商问题上性能均优于标准微粒群算法和离散二进制版本的微粒群算法。     

混合粒子群算法在模糊柔性车间作业计划中的应用*

针对现实生产系统中存在的时间参数模糊化问题,给出了一种基于区间值梯形模糊数的模糊柔性车间作业计划问题模型。在对模糊柔性车间作业计划问题进行有效求解方面,针对基本粒子群算法容易陷入局部最优的问题,随后给出了一种基于遗传操作的混合粒子群算法,利用遗传算法思想对粒子进行交叉、变异操作,增强了算法跳出局部最优的能力。仿真实验表明,该算法具有可行性和有效性。     

高维化工数据共轭粒子群算法处理

针对化工数据多为高维数据,而粒子群算法对求解高维优化问题易陷局部极值,提出将共轭方向法与粒子群算法相结合处理高维数据.当粒子群算法迭代了一定步数而陷入局部极值并得局部最优解χ*时,以χ*为初值,用共轭方向法对其求解,利用粒子群算法对低维优化问题的有效性,将得新的更优的当前最优解χ**,从而使算法跳出局部极值;在新极值的条件下,又用粒子群算法对原问题求解,如此反复直至结束.通过经典的测试函数对其测试,结果表明这一尝试是有效的.最后将算法用于SO2催化氧化反应动力学模型的非线性参数估计,获得满意效果.     

Modified particle swarm optimization for a multimodal mixed-variable laser peening process

Optimization problems that result in shock, impact, and explosion type disciplines typically have mixed design variables, multiple optimal solutions, and high computational cost of an analysis. In the optimization literature, many researchers have solved problems involving mixed variables or multiple optima, but it is difficult to find multiple optima of a mixed-variable and high computation cost problem using an particle swarm optimization (PSO). To solve such problems, a mixed-variable niching PSO (MNPSO) is developed. The four modifications introduced to the PSO are: Latin Hypercube sampling-based particle generation, a mixed-variable handling technique, a niching technique, and surrogate model-based design space localization. The proposed method is demonstrated on the laser peening (LP) problem. The LP process induces favorable residual stress on the peened surface to improve the fatigue and fretting properties of the material. In many applications of LP, geometric configurations and dimensional integrity requirements of the component can constrain implementation of an optimal solution. In such cases, it is necessary to provide multiple alternatives to the designer so that a suitable one can be selected according to the requirements. It takes 24–72 CPU hours to perform an LP finite element analysis.