基于Hénon混沌与动态非线性方程的改进粒子群优化算法*

为解决粒子群优化算法易于陷入局部最优问题,提出了两种新方法并行改进粒子群优化算法惯性权重：对适应度值比平均值差的粒子,用所设计的动态Hénon混沌映射公式调整惯性权重,在复杂多变的环境中逐步摆脱局部最优值,动态寻找全局最优值;对适应度值好于或等于平均值的粒子,用提出的动态非线性方程调整惯性权重,在保存相对有利环境的基础上逐步向全局最优处收敛。两种方法前后相辅相成、动态协调,使两个动态种群相互协作、协同进化。采用不同复杂程度的标准测试函数进行实验,结果发现,该算法在不同情况下都超越了同类著名改进粒子群优化算     

协同粒子群优化算法

为解决粒子群优化算法易陷入局部最优的问题,提出了两种新方法协同处理粒子群优化算法：对比平均适应度值差的粒子,用动态Zaslavskii混沌映射公式改进粒子惯性权重与速度矢量,在复杂多变的环境中逐步摆脱局部最优值,动态寻找全局最优值;对好于或等于适应度平均值的粒子,用动态非线性函数调整粒子惯性权重与速度矢量,在保存相对有利环境的基础上逐步向全局最优处收敛。两种方法相辅相成、动态协调,使两个动态种群相互协作、协同进化。实验表明该算法在多个标准测试函数下都超越了同类著名改进算法。     

基于动态P混沌与动态非线性的PSO算法

为解决粒子群优化算法易于陷入局部最优问题,提出2种方法并行改进惯性权重。对比平均值差的粒子,用所设计的动态P混沌映射公式调整惯性权重,在复杂多变的环境中逐步摆脱局部最优,动态寻找全局最优值。对好于或等于整体适应度平均值的粒子,用所提出的动态非线性方程调整惯性权重,在保存有利条件的基础上逐步向全局最优处收敛。2种方法前后相辅相成、动态协作。实验结果证实,该算法在不同情况下都超越了同类改进算法。     

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     

动态改变惯性权重的自适应粒子群算法

惯性权重是平衡粒子群算法中平衡全局搜索能力与局部搜索能力的重要参数.为实现快速收敛与并避免陷入局部最优,分析了PSO算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度这三者的关系,并把粒子惯性权重定义为这三者的函数以改进PSO算法.该算法在每次迭代后根据此函数更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率.     

基于动态双组粒子群的短期负荷预测

为提高电网短期负荷预测的精度,提出一种有效的优化支持向量机参数的算法。该算法首先将初始粒子群适应度排序,然后根据适应度的大小将初始粒子群划分为两组,并同时运用不同的权重进行全局搜索和局部搜索。前期,全局搜索的粒子群数量远多于局部搜索,且使用全局搜索能力强的较大的惯性权重;局部搜索的粒子群使用较小的惯性权重。随着迭代次数的增加,全局搜索的粒子群数量不断减少,局部搜索不断增多,两组粒子数量动态变化。并且引入平均粒距和适应度方差解决粒子群容易陷入局部最优这一问题,最后用改进的动态双组粒子群算法优化最小二乘支持向量机的参数用于短期负荷预测,实验结果表明该方法预测精度更高,可行且有效。     

改进PSO-BP神经网络在变压器故障检测中的应用

粒子群优化（PSO）算法中的粒子根据全局最优粒子来移动自身位置进行搜索,但当某一粒子连续多次被选为全局最优粒子的时候,整个群体的粒子就会快速收敛于该最优粒子,陷入局部最优。为此,提出了变异动态粒子群优化（MDPSO）算法。采用惯性权重变异的思想,当某粒子连续被选为全局最优粒子时,就使一部分粒子的惯性权重以指数速度增长,使粒子跳出局部最小,继续全局寻优。并把改进的粒子群优化算法和BP神经网络相结合,应用于变压器故障检测中。实验表明,与常用的粒子群优化算法相比,用改进的粒子群优化算法优化BP神经网络具有更好的性能,在变压器故障检测中能够获得更高的检测精度。     

一种非线性动态自适应惯性权重PSO算法

传统的时变惯性权重粒子群优化算法对于求解一般的全局最优问题具有良好的效果,而对于复杂高维的优化问题易陷入局部收敛、存在早熟等缺点.针对以上存在的缺点,提出了种群进化离散度的概念,并考虑Sigmoid函数在线性与非线性之间较好的平衡性能,给出一种非线性动态自适应惯性权重的粒子群优化算法.该算法充分考虑进化过程中种群粒子之间进化差异,自适应地赋予不同的惯性权重因子,满足粒子群优化算法在不同进化时期对全局探索和局部开发能力的需求,仿真实例测试结果验证了该算法的有效性.     

基于改进自适应PSO算法的WSN覆盖优化方法

在标准粒子群优化（particle swarm optimization, PSO）算法的基础上提出了一种带有动态惯性权重的自适应粒子群算法, 以实现移动WSN对被监测区域的覆盖。新算法引入了粒子群进化度因子和粒子群聚合度因子, 这两个因子的数值主要受粒子群的平均适应值、局部最优值和全局最优值影响。使用这两个因子调整惯性权重会使算法带有一定的自适应性, 这种自适应性使得算法在迭代过程中既不会因步长过小而局部收敛, 也不会因步长过大而跳过待求解问题的最优值。仿真结果表明, 相比标准PSO算法, 改进后的自适应PSO算法使移动WSN的覆盖率提升了5%~8%。     

多阶段动态扰动和动态惯性权重的布谷鸟算法

针对布谷鸟仿生智能优化算法存在着的易陷入局部最优、求解精度低以及收敛速度慢等问题,提出了基于多阶段动态扰动和动态惯性权重的布谷鸟搜索算法（MACS）。利用多阶段动态扰动策略对布谷鸟算法的全局位置的最优鸟巢位置根据方差可调的正态随机分布进行扰动,有利于增加种群的多样性和鸟窝位置的灵活性,提高算法全局搜索能力。在局部位置处引入动态惯性权重,使得算法有效克服易陷入局部最优的缺陷,提高局部寻优搜索能力。引入了动态切换概率[p]代替固定概率,可以动态平衡全局搜索和局部搜索。通过与4种算法相比和11个测试函数的仿真结果表明：改进布谷鸟算法（MACS）的寻优性能明显提高,收敛速度更快,求解精度更高,具有更强的全局搜索能力和跳出局部最优能力。     

基于粒子群算法的流程工业生产调度研究

以优化流程工业生产为目标,研究了将基于惯性权重的粒子群算法应用到流程工业的生产调度问题。在对流程工业生产调度问题进行分析的基础上,建立了以总加工完成时间最短为优化目标的生产调度模型。调度算法采用动态惯性权重,使惯性权值在粒子群算法搜索过程中线性变化,以提高粒子群算法的优化性能。给出了粒子编码与解码实现方法,以及具体的算法实现过程。以某流程工业企业生产调度实例为例,利用建立的优化调度模型和设计的粒子群算法进行了实验仿真,结果表明,建立的调度模型和设计的算法是可行的,与蚁群系统方法相比较,有较好的调度性能,适用于解决流程工业实际生产调度问题。     

一种动态扩散粒子群算法

针对粒子群算法搜索精度不高特别是对高维函数优化性能不佳问题,提出了一种动态扩散粒子群算法（DDPSO)。该算法通过非线性函数调节惯性权重,在粒子速度更新方式上增加一个动态随机数加强粒子的搜索能力,提高算法的性能,同时在一定条件下对粒子进行重新扩散,保证种群的多样性。实验结果表明,DDPSO算法的寻优能力明显高于基本PSO及其他一些改进的PSO算法,并且该算法性能稳定,更加适合高维复杂函数优化问题。     

新型飞蛾火焰优化算法的研究

飞蛾火焰优化算法（Moth-Flame Optimization，MFO）是一种自然激励且易于实现的全局优化算法，在许多实际优化任务中表现出良好的性能。然而，MFO算法存在早熟收敛和容易陷入局部最优解的问题，针对这些不足，提出了一种Kent混沌动态惯性权值的改善飞蛾火焰优化算法（Ameliorative MFO，AMFO）。在AMFO算法中，引入Kent混沌映射搜索策略帮助当前最优解跳出局部最优；采用基于适应度值和迭代次数的动态惯性权值策略来平衡算法的开发和探索能力，以进一步提升MFO算法性能。在8个经典benchmark函数上验证AMFO算法的搜索精度和性能，并将其结果与标准飞蛾火焰优化算法、粒子群算法和差分进化算法进行比较，仿真结果表明AMFO算法具有较好的搜索性能。     

基于粒距和动态区间的粒子群权值调整策略

由于标准粒子群优化(PSO)算法把惯性权值作为全局参数,因此很难适应复杂的非线性优化过程。针对这一问题,提出了一种基于粒距和动态区间的权值调整策略（PSSIW）,根据粒子的粒距大小在动态区间内选取不同的权值,并通过区间的动态变化来控制算法的收敛速度。设计了四种不同的动态区间,并采用三个常用的标准测试函数测试不同区间对算法性能的影响。通过与标准粒子群算法比较发现,该策略提高了算法摆脱局部极值的能力,是一种新型全局收敛粒子群算法。     

含有动态自适应惯性权重的蜘蛛猴优化算法

蜘蛛猴算法（Spider Monkey Optimization，SMO）是受蜘蛛猴觅食行为启发提出的一种群集智能优化算法，为增强蜘蛛猴算法的局部搜索性能，提出一种基于动态自适应惯性权重的SMO算法（DWSMO）。通过在惯性权重中引入目标函数值，使得惯性权重随着目标函数值的变化而动态改变，从而减少惯性权重变化的盲目性，有效平衡算法的全局探索能力以及局部开发能力。将改进的蜘蛛猴算法在函数优化问题上进行测试，仿真实验结果表明，改进的蜘蛛猴算法可有效提高函数寻优精度，加快收敛速度，且具有较强的稳定性。