梯度微粒群优化算法及其收敛性分析

针对标准微粒群优化算法微粒运动轨迹的收敛性进行了分析.给出并证明了微粒运动轨迹收敛的充分条件.提出一种简便的等高线图判别法,该方法能够通过参数的位置判断微粒轨迹是否收敛并衡量收敛速度.为提高算法的收敛速度.构造出一种梯度微粒群优化算法,给出并证明了该方法收敛的充分条件.仿真结果表明,梯度微粒群优化算法具有优良的搜索性能.     

一种全局收敛的PSO算法及其收敛分析

在分析了速度因子对微粒群算法影响的基础上,针对以往算法的弱点,提出了一种基于Gaussian变异全局收敛的粒子群算法.该算法使用全局变异因子使粒子具有了良好的全局搜索能力,并证明了它能以概率1收敛到全局最优解.同时使用了局部变异因子,使算法在局部搜索过程中具有较高的搜索精度.典型函数优化的仿真结果表明,该算法具有寻优能力强,搜索精度高,稳定性好等优点,适合于工程应用中的函数优化问题.

     

基于概率突跳和模拟退火的改进自适应微粒群算法

在两种微粒群算法分析的基础上,针对算法存在局部最优和后期振荡的现象,提出一种改进自适应微粒群算法.新算法引入概率突跳因子改变了原算法中微粒的速度更新公式,引入模拟退火接受准则抑制了概率突跳的不可控制性.典型函数寻优结果表明,新算法能很快地收敛到全局最优解,大幅度降低了达到最优值所需要的迭代数,同时提高了算法的收敛率和收敛精度,在跳出局部搜索的能力上远优于标准微粒群算法和自适应微粒群算法,稳定性好.

     

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.

     

基于粗细粒交叉的搜索算法

针对一种新的群集智能---自由搜索优化的不足,提出了基于粗细粒交叉的搜索算法.该算法定义了粗粒交叉和细粒交叉两种算子.通过粗粒交叉,有利于产生新的优秀个体,提高算法的全局搜索能力;采用细粒交叉,在搜索半径内产生更多的优良基因,提高局部搜索能力.典型函数的实验结果表明:新算法的收敛速度,收敛精度,鲁棒性和稳定性大大优于基本自由搜索优化和标准微粒群算法.

     

基于多种群协同微粒群优化的流数据聚类算法

针对流数据的实时、有序和维数高等特点, 提出一种基于多种群协同微粒群优化的流数据聚类算法. 该算法利用变量分而治之的思想, 多个种群协同优化多个类中心, 进而求出问题完整的类中心集合. 给出一种类中心变化趋势的预估策略, 以快速追踪环境变化. 为防止多个子微粒群同时优化一个类中心, 提出一种相似子微粒群的合并策略. 最后将所提出的算法用于多个数据集, 实验结果验证了算法的有效性.

     

基于随机黑洞和逐步淘汰策略的多目标粒子群优化算法

提出一种基于随机黑洞粒子群算法(RBH-PSO) 和逐步淘汰策略的多目标粒子群优化(MRBHPSO-SE) 算法. 利用RBH-PSO 全局优化能力强和收敛速度快的优点逼近Pareto 最优解; 为了避免拥挤距离排序策略的缺陷, 提出逐步淘汰策略, 并将其应用到下一代粒子的选择策略中. 同时, 动态选择领导粒子, 运用动态惯性权重系数和变异操作 来增强种群全局寻优能力, 以及避免早熟收敛. 利用具有不同特点的测试函数进行验证, 结果表明, 与同类算法相比, 该算法具有较高的精度并兼顾优化解的多样性.

     

改进的多种群协同进化微粒群优化算法

提出一种改进的基于多种群协同进化的微粒群优化算法（ＰＳＯ）．该算法首先利用免疫算法实现解空间的均匀划分,增加了算法稳定性和全局搜索能力．在运行过程中,通过种群进化信息生成解优胜区域,指导变异生成的微粒群向最优解子空间逼近,提高算法逃出局部最优的能力．将此算法与ＰＳＯ 算法和多种群协同进化微粒群算法进行比较,数据实验证明,该算法不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和稳定性均有显著提高．

     

一种采用抽样策略的PSO 算法

原始粒子群优化算法(PSO) 和各种改进方法存在着参数取值固定、收敛精度低等问题. 为此, 提出一种采用抽样策略的粒子群优化算法(SS-PSO). 通过拉丁超立方抽样(LHS) 策略更新粒子速度和位置, 以加快收敛速度; 提出一种基于随机采样的最优位置修正方法, 以微调全局最优; 提出“双抽样”LHS 局部搜索方法, 以提高收敛精度. 与其他新近提出的两个算法进行对比, 结果显示SS-PSO 在一定程度上提高了算法的性能.

     

一种精英退火微粒群算法

提出一种针对部分较优微粒进行退火操作的精英退火微粒群算法.在退火操作中,结合Logistic方程的特点设计了一种新的错位调整方式,对当前已知最优区域重点搜索.该算法能增强算法的探索和开发能力,避免计算量过度增加.典型测试函数结果显示,该方法可同时提高算法的搜索速度和搜索精度.将基于该方法的PID控制器应用于发电机电压调节系统(AVR)计算结果表明,该PID控制器可以获得更为满意的控制性能指标.

     

一种改进的全局粒子群优化算法

为了改善粒子群优化算法的优化性能, 提出一种改进的全局粒子群优化(IGPSO) 算法. 该算法基于开采能力和搜索能力相均衡的思想提出全局邻域搜索策略和扰动策略, 使算法减少陷入局部极值的可能性, 同时以一定概率对全局最优粒子进行摄动操作, 加快算法收敛. 与其他智能算法相比较, 测试结果从寻优精度、收敛速度和非参数统计显著性方面验证了IGPSO 算法的有效性.

     

耦合多新息随机梯度辨识方法性能分析

针对一类耦合参数多变量系统, 提出一种耦合多新息随机梯度方法. 通过该方法进行参数辨识并对该方法进行性能分析. 该方法的基本思路在于利用历史新息中包含的信息, 将耦合随机梯度算法中的新息项扩展为多新息向量, 从而提升耦合随机梯度算法中单个子系统的辨识效果. 仿真结果表明, 通过增加新息长度可以提升辨识结果的收敛速度和精度.

     

基于微粒群算法的非线性系统建模方法研究

针对非线性系统多模型自适应控制中的模型覆盖问题,提出一种基于微粒群算法的多模型建模方法.首先,对非线性系统定义了基于混合逻辑模型的多模型描述,建立了非线性系统的混合线性多模型;然后,基于微粒群优化算法对非线性系统进行优化建模,在保证建模准确性的同时采用最少的子模型逼近非线性系统;最后,通过一个仿真算例表明了该建模方法的有效性.

     

基于动态学习策略的群集蜘蛛优化算法

为了提高群集蜘蛛优化(SSO) 算法的性能, 提出一种基于动态学习策略的群集蜘蛛优化(DSSO) 算法. 该算法通过群体协作过程中学习因子的动态选择, 平衡算法的搜索能力和勘探能力; 采用随机交叉策略和云模型改进协作过程个体更新方式, 在维持种群多样性的同时尽量提高收敛速度. 基于标准测试函数的仿真实验表明, DSSO 算法可有效避免早熟收敛, 在收敛速度和收敛精度上较标准SSO 算法和其余4 种较具代表性的优化算法均有显著提高.

     

基于观测器的飞行器时变控制效益估计算法

研究飞行器时变控制效益的在线估计方法,证明了系统控制效益可估计的充分条件. 针对效益矩阵分段连续时变的情形,给出了基于观测器,方程求解和最小二乘法的在线估计方法,分析和证明了算法的收敛性。 数值仿真结果表明,该算法能快速估计时变控制效益,具有良好的稳定性和鲁棒性。

     

基于混沌的弹性粒子群全局优化算法

为了克服粒子群优化容易陷入局部极小的缺陷,利用粒子速度不依赖于其与最优粒子之间距离的大小,而仅依赖其方向信息的特点,采用自适应策略弹性地修正粒子速度的幅值．同时,充分利用混沌运动的遍历性、随机性及对初值的敏感性等特性,提出一种基于混沌的弹性粒子群优化（ＣＲＰＳＯ）算法,并将其成功用于典型多极点函数优化．仿真结果表明,该算法增强了摆脱局部极值点的能力,提高了收敛速度和精度．

     

基于EPSO-BP 的Elman 网络及其在飞行轨迹预测中的应用

针对BP 训练方式采用梯度法易导致局部收敛的不足, 提出一种融合进食粒子群算法(EPSO) 和梯度法的Elman 网络优化方法. 首先, 通过模拟鸟群进食行为得到一种EPSO 算法, 以改善标准PSO 的全局性能; 然后, 将EPSO 用于Elman 网络权值的全局优化, 同时将梯度法用于EPSO 的进食过程局部搜索, 以提高解的局部收敛性能; 最后, 将该网络优化方法用于飞行轨迹预测实验, 仿真结果表明了其有效性.

     

一种新的模糊自适应模拟退火遗传算法

针对遗传算法收敛速度慢,容易"早熟"等缺点,结合模糊推理,模拟退火算法和自适应机制,提出一种改进的遗传算法---模糊自适应模拟退火遗传算(FASAGA),并分析了该算法的性能和特点.实验研究表明,该算法比标准的遗传算(SGA)具有更快的收敛速度和寻优效果.

     

基于拥挤度与变异的动态微粒群多目标优化算法

提出一种动态微粒群多目标优化算法(DCMOPSO),算法中的惯性权重和加速因子动态变化以增强算法的全局搜索能力,并采用拥挤度的方法对外部档案进行维护以增加非劣解的多样性. 在维护过程中,从外部档案中按拥挤度为每个微粒选择全局最好位置,同时使用变异操作避免算法早熟 .通过几个典型的多目标测试函数对DCMOPSO算法的性能进行了测试,并与多目标优化算法MOPSO 和NSGA-Ⅱ 进行对比 .结果表明, 算法具有良好的搜索性能.

     

不确定可靠性优化问题的多目标粒子群优化算法

针对元件可靠性为区间值的系统可靠性优化问题, 提出一种区间多目标粒子群优化方法. 首先, 建立问题的区间多目标优化模型; 然后, 利用粒子群算法优化该模型, 定义一种不精确Pareto 支配关系, 并给出编码、约束处理、外部存储器更新、领导粒子选择等关键问题的解决方法; 最后, 将该方法应用于可靠性优化问题实例, 验证了方法的有效性.