一种动态调整惯性权重的粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖于参数的选取等缺点,提出了一种非线性指数惯性权重粒子群优化算法(Exponential Inertia Weight in Particle Swarm Optimization,EIW-PSO)。在每次迭代的过程中, 采用粒子最大适应值和最小适应值的指数函数来动态调整 算法中的惯性权重,更有利于算法在寻优过程中跳出局部最优;同时,引入随机因子以确保种群的多样性,使粒子更快地收敛到全局最优位置。为了验证该算法的寻优性能,通过8个基准测试函数将标准PSO、线性递减惯性权重LDIW-PSO、均值自适应惯性权重MAW-PSO在不同维度和种群规模下进行测试比较。实验结果表明,提出的EIW-PSO算法具有更快的收敛速度和更高的求解精度。     

基于扰动的精英反向学习粒子群优化算法*

针对粒子群算法容易陷入局部极值、进化后期收敛精度低的缺点,提出了一种基于扰动的精英反向学习粒子群算法。算法采用在粒子迭代的过程中,以一定的概率对当前的最优个体进行动态一般反向学习生成其反向解,引导粒子向最优解空间靠近;用一种非线性递减的方式改变惯性权重,以提高算法的收敛速度和收敛精度;采用扰动的方式增强算法的局部探索能力,帮助粒子跳出局部最优解。在14个标准函数上进行仿真测试,结果表明改进算法具有更高的收敛速度和收敛精度,能有效的避免陷入局部最优,适合求解函数优化的问题。     

一种改进的自适应惯性权重粒子群优化算法

研究粒子群算法优化问题,针对基本粒子群算法早熟收敛,易收敛于局部极值的缺点,提出了一种改进的粒子群算法,采用对全局最优微扰和调整惯性权重的方法,改善算法的优化速度和收敛精度.利用个体寻优能力来定义惯性权重,并且将其控制在0.9-0.4范围内,从而合理地调整全局探索能力和局部开发能力.在每次迭代时对当前全局最优粒子进行微扰,改变它的位置,避免它陷入局部最优.经过对一系列测试函数的计算和比较,证明改进方法无论收敛速度、搜索精度及稳定性均有显著改善.     

基于自适应惯性权重的均值粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖参数选取等缺点,提出了一种基于自适应惯性权重的均值粒子群优化算法。对算法中的惯性权重参数采用动态自适应变化方式,在迭代过程中根据粒子适应度差值将种群划分为三个等级,对不同等级的粒子采用不同的惯性权重策略,使粒子能根据自己所处的位置选择合适的惯性权重值,更快地收敛到全局最优位置;同时分别用个体极值和全局极值的线性组合取代PSO算法中的全局最优位置与个体最优位置。通过实验仿真与对比,验证了新算法性能优于标准PSO及其它一些改进的PSO算法,能够用较少的迭代次数找到最优解,具有更快的收敛速度和更高的收敛精度。     

基于自适应惯性权重的樽海鞘群算法

针对标准樽海鞘群算法收敛精度低、收敛速度慢的问题,提出一种基于自适应惯性权重的樽海鞘群算法(AIWSSA).首先,在追随者位置更新公式中引入惯性权重因子评价个体之间的影响程度;然后,结合种群成功率与非线性递减函数对惯性权重因子进行自适应调整,使算法的全局和局部搜索能力得到更好地平衡;最后,为防止算法陷入局部最优,引入差分变异思想对非最优个体进行变异.对12个基准测试函数进行求解,实验结果表明:AIWSSA具有较高的收敛精度、收敛速度和鲁棒性; Wilcoxon统计检验结果表明:与标准樽海鞘群算法、改进的樽海鞘群算法、其他群体智能算法相比, AIWSSA表现出较好的性能.通过将其应用于两种带约束的工程设计问题,验证了AIWSSA的有效性.     

改进的自适应粒子群优化算法

提出了一种融合梯度搜索法、繁殖法并结合前[N]个粒子历史最优位置的改进自适应粒子群优化算法。算法选用混沌惯性权重,每个粒子速度和位置的更新不仅考虑自身历史最优和全局最优位置,还受其他粒子历史最优位置的影响,且其影响程度的权重随迭代次数自适应变化;同时粒子位置随迭代次数以线性递增的概率进行负梯度方向更新;当粒子更新停滞时,对可能处于局部最优位置的部分粒子进行杂交。仿真实验结果表明,该算法比其他相关算法具有更好的收敛速度和收敛精度。     

改进的樽海鞘群算法

针对樽海鞘群算法在对函数优化问题求解上出现的求解精度不高、收敛速度慢的缺点,提出了一种改进的群海鞘群算法.对于领导者引入加权重心取代最优个体位置,防止过早聚集在最优个体附近;对于追随者引入自适应惯性权重平衡算法的全局搜索和局部寻优能力;最后对于个体进行逐维随机差分变异,减少维间干扰,提高了种群的多样性.仿真实验结果表明改进的樽海鞘群算法在均值、标准差和收敛曲线优于标准樽海鞘群算法和其他改进算法,说明改进后的算法提高了寻优性能,有较高的求解精度和较快的收敛速度.     

带变异算子的自适应粒子群优化算法

针对粒子群优化算法在进化过程的后期收敛速度较慢,易陷入局部最优的缺点,对基本粒子群优化算法作了如下改进：在速度更新公式中引入非线性递减的惯性权重;改进位置更新公式;对全局极值进行自适应的变异操作。提出一种新的混合变异算子的自适应粒子群优化算法。通过与其他算法的数值实验对比,表明了该算法具有较快的收敛速度和较好的收敛精度。     

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。     

带变异算子的非线性惯性权重 PSO 算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法.该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力.当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力.用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度     

自适应惯性权重的分组并行粒子群优化算法

针对岛屿模型的并行粒子群算法没有根本改变粒子速度更新的问题,提出一种自适应惯性权重的分组并行粒子群优化算法。该算法在迭代过程中能自适应地选择加入分组的数量,同时对各组粒子的惯性权重按照组内最优位置的变化进行自适应调整。各组运用多线程技术并行处理,粒子间采用新的信息共享的方式。仿真结果证实,该算法具有较高的收敛速度和收敛精度。     

一种基于引导策略的自适应粒子群算法

为解决粒子群算法前期搜索“盲目”,后期搜索速度慢且易陷入局部极值的问题,对算法中粒子更新方式和惯性权重进行了改进,提出了一种基于引导策略的自适应粒子群算法。该算法在种群中引入4种粒子,即主体粒子、双中心粒子、协同粒子和混沌粒子对粒子位置更新进行引导,克服算法的随机性,从而提高搜索效率;为进一步克服粒子群优化算法进化后期易陷入早熟收敛的缺点,引入聚焦距离变化率的概念,通过聚焦距离变化率的大小动态调整惯性权重,以提高算法的收敛速度和精度,两者结合极大地提高了搜索到全局最优解的有效性。对4个标准测试函数进行仿真,实验结果表明IPSO算法在收敛速度、收敛精度以及成功率上都明显优于LDWPSO和WPSO算法。     

基于惯性权重对数递减的粒子群优化算法

针对粒子群算法收敛速度慢和易陷入局部最优的问题,提出了基于惯性权重对数递减的粒子群算法,并引入对数调整因子,对数调整因子的不同取值保证了算法搜索成功率。选取八种典型函数分别进行给定迭代次数和给定精度的仿真实验,并与标准PSO算法、惯性权重线性递减PSO算法、惯性权重高斯函数递减PSO算法进行比较。测试结果表明,该策略可以简便高效地提高算法的全局收敛性和收敛速度,并且具有较好的稳定性。求解大多数优化问题时,即使不引入对数调整因子新算法就可以获得较好的效果。     

简化粒子群优化方法的改进研究

为了有效提高粒子群优化算法的收敛速度和搜索精度,增强算法跳出局部最优,寻得全局最优的能力,提出了一种改进的简化粒子群优化算法。该算法考虑了粒子惯性、个体经验和全局经验对于位置更新影响力的不同,改进了位置更新公式,克服了粒子群优化算法收敛速度慢和易陷入局部最优的缺点。标准函数测试结果表明该改进算法的收敛速度和搜索精度有了很大的提高。     

一种改进量子行为粒子群优化算法的移动机器人路径规划

为实现移动机器人最优路径规划,提出了一种改进量子行为粒子群的优化算法(LTQPSO)。针对粒子群算法存在过早收敛的问题,利用个体粒子进化速度与群体离散度来动态调整惯性权重,使惯性权重具有自适应性与控制性,从而避免过早收敛;同时将自然选择方法引入传统位置更新公式中,以保持种群的多样性,加强LTQPSO算法的全局搜索能力,加快算法的收敛速度;将改进后的LTQPSO算法应用于移动机器人路径规划中;最后通过理论仿真与移动机器人平台实验验证了该方法的有效性与可行性。     

改进粒子群优化算法在[GM(1,1,λ)]模型上的应用

提出了一种带有动态自适应惯性权重和随机变异策略的粒子群优化算法．在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性。当用早熟判断机制判断算法陷入早熟收敛时,采用随机变异策略使其跳出局部最优。将改进的算法应用于GM(1,1,λ)模型的求解,具体实例表明改进的粒子群优化算法能够显著提高GM(1,1,λ)模型的精度。     

多策略融合的改进粒子群优化算法

为解决传统粒子群算法收敛精度低、收敛速度慢和易陷入局部最优的问题,提出了一种多策略融合的改进粒子群算法。首先,设计了一种基于中垂线算法的游离粒子位置更新方法,加快了游离粒子的收敛速度;其次,设计了一种在最优粒子附近生成爆炸粒子的策略,以增强算法的寻优精度和寻优速度,为适应前两个策略,还设计了一种仅依靠全局最优粒子位置的粒子速度更新策略;最后,将基于概率分层的简化粒子群优化算法的惯性权重和粒子位置更新方法用于本算法。与其他五种改进粒子群算法进行了对比实验,结果表明提出的改进算法无论是处理低维问题还是高维问题表现均具有较大优势,性能更优越。     

基于遗传交叉改进粒子群算法的充电站布局

为了合理地规划城市电动汽车充电站布局,采用一种基于遗传交叉改进粒子群算法的寻优处理方案。在传统粒子群算法的基础上,引入局部极值对速度更新公式进行优化,采用自适应惯性权重,并且对当前种群的最优解和每个粒子最优解进行交叉操作产生新解。最后通过改进后算法对城市算例进行求解。结果验证了模型的有效性和准确性,表明改进算法在保持全局最优解的同时能提高70%收敛速度,有效降低总成本、提高便利性。     

用正弦函数描述非线性惯性权重的微粒群算法

为改进标准微粒子群算法,提出了一种用Sin函数非线性描述惯性权重动态调整微粒群的方法。由于原算法存在早熟收敛和搜索效率低,提出改进基本微粒群算法的惯性权重参数,将微粒群算法中的惯性权重用正弦函数来描述,通过对粒子位置和速度进行自适应非线性调整,使算法在前期阶段具有较快的收敛速度,在算法后期局部搜索能力也不错,减少了微粒陷入局部极值的机会,使结果收敛于全局最优解,为了验证算法的有效性,采用Shaffer’s F6和Levy No.5函数进行测试,实验结果表明,新方法具有比较好的效果。     

基于杂交变异的动态粒子群优化算法

粒子群优化算法(PSO)的结构相对简单、运行速度很快,但是算法极易陷入局部最优,出现早熟收敛现象。针对标准粒子群算法存在的问题,引入了一种随迭代次数和粒子间距离大小动态改变的惯性权重,通过设置比例系数控制二者对惯性权重的影响力度。在此基础上为了增加种群多样性,又引入“杂交变异”算子,设计了一种基于杂交变异的动态粒子群优化算法(HV-DPSO)。通过对基准函数的数值试验表明,新算法相对于标准粒子群算法不仅能有效地避免早熟收敛,而且具有更好的收敛效果。