引入佳点集和猴群翻过程的人工蜂群算法

针对人工蜂群算法存在早熟现象和搜索过程容易陷入局部最优的缺陷,提出一种引入佳点集和猴群翻过程的改进人工蜂群算法。首先利用佳点集方法构造均匀的初始种群,通过保持种群的多样性,在一定程度上避免早熟现象,加快算法的收敛速度。然后学习猴群算法的翻过程,在寻优过程中使种群的搜索区域进行转移,从而跳出局部最优,得到全局最优解。在经典测试函数和CEC05测试函数集上的实验结果表明,与标准人工蜂群算法以及其它改进算法相比,算法性能优越,具有很强的鲁棒性和快速收敛的能力,且有效避免陷入局部最优。     

一种改进的混沌量子粒子群优化算法

通过将量子粒子群优化算法和佳点集法相结合,提出一种改进的混沌量子粒子群优化算法,用于解决复杂函数问题。将佳点集融合到量子粒子群算法中,以提高解空间的遍历性,对函数实现全局寻优。用混沌序列改变惯性权重 w,调节粒子群优化算法的全局和局部寻优能力。采用线性递减速度比例收缩因子η提高搜索速度,避免早熟收敛。用量子Hadamard门对量子编码进行变异,增强种群的多样性,促使粒子跳出局部极值点。对典型复杂函数的仿真结果表明,该混合算法寻优效率高、收敛速度快,能有效避免早熟收敛。     

基于指数衰减惯性权重的分裂粒子群优化算法

针对粒子群优化算法因种群多样性丧失而陷入局部最优、早熟收敛的问题,提出一种基于指数衰减惯性权重的分裂粒子群优化算法（EDW-DPSO）。首先,采用半均匀初始化种群,使种群以整体均匀、局部随机的方式分布;其次,引入动态分裂算子,对满足分裂条件的粒子执行分裂操作,增加种群多样性,避免粒子陷入局部最优;最后,采用指数衰减的惯性权重,平衡粒子全局搜索和局部开发能力。实验结果表明,该算法在前期有较大的搜索空间,种群多样性增加,后期则强调局部开发,提高收敛精度和优化能力,加快粒子跳脱局部极值逼近全局最优。     

基于精英的量子粒子群优化的Ad hoc能耗研究

在Ad hoc网络中,随着多播应用领域的日益扩大,如何构造最小能耗多播树是一个重要问题。针对选择不同的中继节点对构造最小能耗多播树产生的影响,提出了一种优化最小能耗多播树构造的基于精英学习的量子粒子群算法(QPELSO)。为了避免粒子群算法早熟收敛,采用动态逼近学习策略对精英个体进行局部更新,使其跳出局部极值点,引导种群进行有效搜索;借鉴群体早熟判断机制对停滞状态下的精英个体空间进行变尺度混沌扰动,增大种群全局搜索空间,有效平衡了算法的局部和全局搜索能力。模拟实验结果表明,改进后的粒子群算法具有较强的优化能力,并且有效地优化了最小能耗多播树的构造。     

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。     

结合禁忌搜索的改进粒子群优化算法

为提高粒子群优化算法的全局搜索和局部开采能力,提出一种结合禁忌搜索(TS)的改进粒子群优化算法。在搜索过程中,以线性递增的概率对最优粒子实施随机扰动,在全局搜索收敛到一定程度后,引入TS算法进行局部搜索,使算法快速收敛到全局最优解。分析结果表明,该算法收敛精度较高,能有效克服早熟收敛问题。     

基于自适应粒子群的SVM参数优化研究

针对粒子群算法在优化SVM参数时,存在着易陷入局部最优,早熟收敛的问题,首先提出了一种用自适应权重来代替惯性权重的粒子群算法,再引入自适应变异对粒子群算法进行优化,增强粒子的种群多样性,使其能够跳出局部最优解,从而达到全局最优.最后,将改进后的算法(GPSO-SVM)应用到UCI标准数据集上进行验证,实验结果表明,改进后的算法提高了粒子的搜索性能,是一种有效的SVM参数优化算法.     

一种基于和声搜索的动态交叉粒子群算法

针对粒子群优化算法(PSO)在优化多维问题时容易陷入局部最优的问题,提高其全局搜索能力和拓展能力,提出了一种基于和声搜索的动态交叉粒子群算法.引入动态交叉操作,使得粒子在更新速度时实现共享有效信息,保证粒子进化过程中的种群多样性,提高全局搜索能力.结合和声搜索(HS)的随机搜索能力提出了HS-DCPSO,利用和声搜索的自适应调整参数音符调节概率PAR和间隔调整带宽bw来提高粒子群的拓展能力.通过多个基准函数对所提出的HS-DCPSO算法进行仿真测试,并与HS、PSO及多种改进的粒子群算法对比,验证所提出的HS-DCPSO算法具有较强的全局搜索能力和局部拓展能力,并且算法时间复杂度相比传统PSO增加不明显.     

一种引入复合形算子的变异粒子群算法

针对粒子群算法存在的收敛速度较慢和早熟收敛两大难题提出了一种新的改进型粒子群算法：搜索初期由粒子群算法进行全局寻优,当判断粒子群体已经进入局部最优区域时,引入复合形算法迅速达到局部收敛,从而有效地提高粒子群算法的局部搜索能力。同时引入自适应变异惯性权重提高摆脱局部最优的能力,增加种群的多样性。通过典型优化函数的实验验证,该算法是一种兼顾局部性能和全局搜索能力的高效算法。     

基于SQP局部搜索的蝙蝠优化算法

针对基本蝙蝠算法存在寻优精度不高,后期收敛速度较慢和易陷入局部最优等问题,提出一种基于序贯二次规划（Sequential Quadratic Programming,SQP）的蝙蝠优化算法。该算法应用佳点集理论构造初始种群,增强了初始种群的遍历性;为避免算法陷入早熟收敛,引入柯西变异算子对种群中精英个体进行变异操作,增加种群多样性;在迭代后期,对最优个体进行SQP局部搜索,提高蝙蝠算法的局部深度搜索能力,保证个体在靠近全局最优值时能够寻优到全局最优解,加快种群进化速度。通过仿真实验结果证明,改进后的蝙蝠算法性能优越,具有良好的寻优精度和收敛速度。     

基于进食粒子群和共轭梯度的混合优化策略

传统粒子群算法初期搜索过程中,种群过快地向当前最优粒子飞行,易导致早熟收敛;而算法后期,粒子大量聚集,算法收敛速度慢。通过引入种群进食和二次飞行,提出一种全局性的进食粒子群算法(EPSO),使局部最优附近的粒子进食后快速飞离,以改善种群多样性。并将共轭梯度法(CG)与EPSO相结合形成一种混合优化策略,其中CG用于EPSO的局部搜索过程,以提高收敛速度和精度。利用高维标准测试函数进行寻优实验,并与近年文献方法进行对比,实验结果表明该算法能够克服局部最优的不足,同时继承了CG局部寻优精度高和收敛速度快的特点。     

随机装卸工问题的新型混合粒子群算法

提出随机装卸工问题并将其转化为确定性问题,给出了其求解策略。针对粒子群算法简便实用但易过早收敛的问题,提出了一种结合人工免疫算法的新型混合粒子群算法,将该算法运用于求解随机装卸工问题。数值算例的计算结果表明：与基本粒子群算法相比,改进的粒子群算法在求解随机装卸工问题上表现出的求解精度和速度都十分理想。     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

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。     

全变异粒子群优化算法

针对粒子群优化算法容易早熟、收敛精度低等缺点,通过采用全变异策略、最大搜索速度自适应调整等策略得到了一种全变异粒子群优化算法,其中的全变异策略是在陷入早熟的条件下全体粒子参加变异,并且当把粒子看成染色体时,每一个基因等概率地参加变异,可以克服算法的早熟而继续优化,提高了算法的收敛精度。对Shubert函数进行实验的结果表明了算法的有效性。     

内嵌区域震荡搜索的粒子群优化算法

针对粒子群优化算法早熟收敛现象,提出了一种改进的粒子群优化算法。新算法在粒子群中的每个粒子吸引子的基础上引入了区域震荡搜索因子。每个粒子在协同收敛的同时,震荡搜索粒子极值位置周围区域,增加种群的多样性,提升算法的全局寻优能力,有效避免算法陷入局部收敛。仿真结果表明,改进后的算法在收敛精度上得到显著的改善。     

基于群落动态分配的粒子群优化算法

通过定义三类群落规划算子:合并算子、融合算子和裂分算子,实现了粒子群优化算法进程中的群落动态分配思想,从而构造了一种新的随机优化技术:基于群落动态分配的粒子群优化算法(Community Dynamic Assignation-based Particle Swarm Optimization,CDAPSO)。新算法通过动态改变粒子群体的组织结构和分配特征来维持寻优过程中启发信息的多样性,从而使其全局收搜索能力得到了显著提高,并且能够有效避免早熟收敛问题。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

基于多样性指标的两群替代微粒群优化算法

粒子群优化算法是进化计算领域中的一个新的分支。该算法简单且功能强大,但是粒子群优化也容易发生过早收敛的问题。该文提出一种两群替代微粒群优化算法,该方法将微粒分成不同的两分群进行搜索寻优。搜索一定次数后,每一次迭代首先判断微粒群的多样性是否低于一个阈值,若低于则按照黄金分割率用一分群中若干优势微粒取代另一分群中的劣势微粒。对3种常用函数的优化问题进行测试和比较,结果表明,该两群替代微粒群优化算法比基本微粒群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。     

含交叉项的混合二范数粒子群优化算法

针对原始粒子群优化算法（PSO）在搜索过程中容易陷入局部最优点的问题,并尽量避免破坏种群多样性,提出一种含交叉项的混合二范数粒子群优化算法HTPSO。首先,利用二范数原理计算当前粒子与个体历史最优粒子间的欧氏距离;其次,将欧氏距离引入速度迭代公式以影响社交项对粒子速度的作用,并按照一定规律随机分布惯性权重;最后,在此基础上简化粒子群算法,并将差分进化（DE）算法中的交叉算子融入该算法中,使粒子能在一定概率下与个体历史最优粒子交叉。为了验证HTPSO的性能,与利用正弦函数改进惯性权重的粒子群优化算法（SinPSO）、自适应粒子群优化算法（SelPSO）、基于自适应惯性权重的均值粒子群优化算法（MAWPSO）和简化粒子群优化算法（SPSO）在不同维度下解决8个常用基准函数,并根据T-test、成功率和平均迭代次数分析了各算法的优化结果。实验结果表明,HTPSO具有较优秀的收敛能力,且粒子运动非常灵活。