基于高斯变异的量子粒子群算法

粒子群算法相对于其他优化算法来说有着较强的寻优能力以及收敛速度快等特点,但是在多峰值函数优化中,基本粒子群算法存在着早熟收敛现象。针对粒子群算法易于陷入局部最小的弱点,提出了一种基于高斯变异的量子粒子群算法。该算法使粒子同时具有良好的全局搜索能力以及快速收敛能力。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。     

一种求解多峰函数优化问题的量子行为粒子群算法

介绍了一种利用量子行为粒子群算法（QPSO）求解多峰函数优化问题的方法。为此,在QPSO中引进一种物种形成策略,该方法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索,从而保证每个峰值都有同等机会被找到,因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明,基于物种形成的QPSO算法可以尽可能多地找到峰值点,峰值收敛性能优于PSO。     

基于云变异的云自适应粒子群算法

研究云粒子群优化算法问题,为了克服云粒子群优化算法易过早收敛的缺点和提高优化多峰函数的性能。提出了一种云变异的云自适应粒子群优化新算法,结合全局最优值和粒子适应度的比值体现出粒子优差的特点,利用正态云发生器自适应调整粒子个体惯性权重,并且对粒子位置进行了基于云模型的变异操作,合理的对粒子群各参数进行设置,典型测试函数仿真结果表明,改进优化算法能有效找出全局最优解,提高了收敛精度和收敛速度,且适宜于多峰值问题寻优,是一种可行而有效的优化方法。     

一种基于适应值分析的智能粒子群算法

标准粒子群算法在求解多维多峰函数问题时,存在局部寻优精度不高、全局寻优能力不强和收敛速度慢的缺点,为此提出一种基于适应值分析的智能粒子群算法。该算法引入“局部适应值参数”、“全局适应值参数”和“坐标轮换法”思想,经过对3个多维多峰函数的测试,表明该算法兼顾了局部和全局搜索,并拥有较快的收敛速度。     

基于中值迭代函数的自适应序列生境粒子群优化算法

提出一种新的基于中值迭代函数的自适应序列生境粒子群优化算法.该算法利用中值迭代函数来判断搜索空间中的任意两点是否属于相同的峰,从而自适应地改变当前进化粒子的适应值,克服了标准序列生境算法中必须利用先验知识确定小生境半径的缺陷以及在利用山谷函数分类中必须利用先验知识确定采样概率矩阵的缺陷.将该算法用于多峰函数最优搜索问题.通过多个Matlab 仿真实验,验证了算法的有效性.实验结果表明:算法能够自适应、更高效准确地遍历多峰函数的所有极值,可应用于求解局部最优和全局最优问题.     

基于小波变异的粒子群算法

PSO算法对复杂函数有较强的寻优能力和收敛速度快等特点,但是它依然无法保证在搜索空间中找到全局最优点。针对粒子群算法易于陷入局部最小的弱点,提出了一种基于小波变换的粒子群算法。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,同时使用了局部变异因子,使算法在搜索过程中具有较高的收敛速度。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。     

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。     

自适应简化粒子群优化算法及其应用

针对粒子群优化算法（Particle Swarm Optimization，PSO）寻优速度慢、收敛精度不高且搜索结果波动性较大的缺点，提出了一种自适应简化粒子群优化算法（Self-Adjusted Simplified Particle Swarm Optimization，SASPSO）。在每次迭代过程中，粒子只受全局最优解影响，且加入按一定规律分布的锁定因子，令粒子受影响的程度有规律性。同时，利用锁定因子和当前粒子位置令惯性权重自适应配置，更有效地利用惯性权重对粒子群优化算法的影响。引入4种近期提出的改进粒子群算法同时搜索不同维度时的18个基准函数，与SASPSO的搜索结果对比，并使用T-test进行差异性分析。为了进一步分析算法性能，统计5个改进算法搜索100维函数达到期望值时的成功率与平均迭代次数。实验结果证明，SASPSO在无约束问题寻优中的收敛速度、寻优精度有了明显提升，且搜索结果异常值较少，波动性弱。将SASPSO应用于机床主轴结构参数优化问题，结果显示SASPSO优化性能更好。     

带时限的多出救点应急物资调度模型及算法

主要研究时间限制下的多出救点应急资源调度优化问题。针对传统优化算法搜索速度慢、易陷入局部最优解的缺点,提出一种新的基于高斯函数的混沌粒子群优化算法,该算法利用高斯函数的分布曲线特性和混沌的遍历性来增强粒子群优化算法的寻优能力。将该算法应用时间限制下的多出救点应急资源调度优化,建立了满足应急时间限制下系统总费用最小的数学模型,介绍了该算法的详细实现过程。算例通过和遗传算法和标准粒子群算法进行比较,证明了其搜索速度和寻优能力的优越性。     

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.     

邻域搜索的粒子群优化算法及其性能分析

粒子群优化算法（PSO）是一种进化计算技术,是一种基于迭代的优化工具。但是,该算法的本身特性决定了算法不趋向于搜索接近极值点的解空间,造成了PSO算法最终解的局部极值性不好;并且,PSO算法需要充分的迭代才能够得到比较好的解,在迭代步数受到限制或者随时可能中途停机的情况下往往不能够得到比较好的解。根据PSO的这些不足,提出了邻域搜索的f-PSO算法,该算法在PSO的迭代步骤中每次更新全局最优解的同时采用一步局部寻优过程。实验表明,该算法具有很强的理论价值,在运算能力不足 、迭代不充分或中途停机的情况下,该算法仍然能够得到比较好的解。     

基于模拟退火的自适应粒子群优化算法的改进策略

针对PSO算法在求解问题的优化问题中易陷入局部收敛且收敛速度较慢等缺陷,引入一种初始化改进策略,并将模拟退火算法与PSO算法相结合,提出了一种全新的算法。该算法将寻优过程分为两个阶段:为了提高算法的执行速度,前期使用标准PSO算法进行寻优,后期运用模拟退火思想对PSO中的参数进行优化搜索最优解。最后将该算法应用于八个经典的单峰/多峰函数中。模拟结果表明,该算法有效地避免了早熟收敛现象,并提高了收敛速度,从而提高了PSO算法解决全局优化的性能。     

动态环境下的双子群PSO算法

通过两组搜索方向相反、相互协同的主、辅子群,构造一种新的双子群粒子群优化算法.该算法扩展了种群的搜索范围,充分利用搜索域内的有用信息,在感知到环境变化时能迅速、准确地跟踪动态变化的极值.使用DF1(Dynamic Function 1)生成的复杂动态环境对该算法进行了验证,并与Eberhart提出的动态环境下的粒子群优化算法进行了比较分析.仿真结果表明了该算法的有效性.     

随机选择最优个体的量子粒子群优化算法

在分析量子行为粒子群优化算法的基础上,针对算法后期粒子群体容易聚集到一个狭小搜索区域,群体多样性降低的问题,提出了在算法中引入随机选择最优个体的改进方法,提高算法搜索过程中粒子群体的多样性。将改进后的量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较,仿真结果表明改进后的算法更适合解决多峰类的优化问题。     

一种新的混合粒子群优化算法

针对标准粒子群算法在优化过程中受初始值影响较大且容易陷入局部极值的缺陷,将鱼群算法中聚群行为的基本思想引入粒子群算法中,据此建立了粒子中心的基本概念,并利用粒子的聚群特性调整粒子的飞行方向与目标位置,从而提出了一种新的混合粒子群算法,旨在改进原粒子群算法的全局收敛能力。为了检验混合粒子群算法的优化特性,采用三种典型的标准函数对五种现行智能算法进行了多方面的测试和比较。实验结果表明,新算法具有良好的搜索精度与速度,有效弥补了标准粒子群算法局部收敛和鱼群算法精度不高的双重缺陷,适用于解决复杂函数优化问题。     

基于粒子群优化算法的神经网络在英文字母识别中的应用

粒子群优化算法是基于群体智能理论的全局优化算法,它通过种群中粒子间的合作与竞争,对解空间进行智能搜索,从而发现最优解。其优势在于操作简单,容易实现。文中对一种新的算法PSO-BP进行了研究,该充分发挥了粒子群算法的全局寻优能力和BP算法的局部搜索优势,并与BP算法一起对44像素的英文字母进行识别比较。实验表明,将粒子群算法用于神经网络的优化,收敛速度更快,预测精度更高,而且算法简单,且对更高像素的英文字母识别同样适用。     

基于混沌搜索的粒子群优化算法

粒子群优化算法(PSO)是一种有效的随机全局优化技术。文章把混沌优化搜索技术引入到PSO算法中,提出了基于混沌搜索的粒子群优化算法。该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高的算法的收敛速度和计算精度。仿真计算表明,该算法的性能优于基本PSO算法。     

改进的粒子群算法及收敛性分析

针对PSO算法对多峰值函数搜索易陷入局部极值点的缺点,提出一种改进的粒子群(MPSO)算法。MPSO算法采用逃逸策略和免疫学习策略来保证种群多样性,使算法能有效进行全局搜索。并讨论MPSO算法的收敛性,证明其能以概率1全局收敛。最后用3个常用的测试函数进行仿真,实验结果表明MPSO算法比PSO算法有更好的收敛性和更快的收敛速度。     

基于混合微粒群算法的说话人识别

为了解决传统高斯混合模型(GMM)对初值敏感,在实际训练中极易得到局部最优参数的问题,提出了一种采用微粒群算法优化GMM参数的新方法。该方法将最大似然估计融入到微粒群算法迭代过程中,形成了新的混合算法。它利用微粒群算法的全局优化性及最大似然估计的局部寻优性求解高斯混合模型的参数,以提高参数精度。说话人辨认实验表明,与传统的方法相比,新方法可以得到更优的模型参数,使得系统的识别率进一步提高。     

基于Alopex的粒子群算法及其在软测量上的应用

针对粒子群优化算法(PSO)容易陷入局部最优值的缺点,提出一种利用Alopex算法(algorithms of pattern extraction)和PSO算法结合的新算法,该算法将Alopex的步长取法加以改变,并加入了随机噪声,具有很强的全局搜索能力和很高的搜索效率。最终将算法应用于BP网络的权重和偏置量的优化计算,完成软测量的建模。结果表明改进型粒子群算法搜索效率明显提高,应用于软测量建模能提高模型的精确度,减少预测误差。