微粒群优化算法

微粒群算法是继蚁群算法之后提出的又一种新型的进化计算技术。具有典型的群体智能的特性．介绍了微粒群算法的基本原理及其改进算法。从群体组织与进化以及混合微粒群算法等方面对国内外微粒群算法的研究进展进行综述．     

基于差异性激活方法的改进微粒群算法

针对标准微粒群优化算法的惯性权重系数采用固定或线性递减的方式无法有效解决粒子陷入局部最优解的问题及可能出现的停滞现象,引入以差异性为基础的激活方法对微粒群算法进行改进.在每次迭代时算法可以动态调整惯性权重参数及粒子的活性,从而促进粒子收敛至全局最优解.对6种典型函数的实验结果表明,引入本文的激活方法后,改善了微粒群算法的开发和探索能力,并提高了其收敛速度及精度,其中以非线性惯性权值递减策略的微粒群算法最为明显.     

按概率突跳的改进微粒群优化算法

在基本微粒群优化算法(PSO)的社会心理学分析基础之上,提出了一种改进的微粒群优化算法,该算法中引入了一个新的参数,改写了原算法中粒子飞翔的速度公式,使粒子飞行时以一定概率在解空间内改变飞翔的距离和方向———突跳。对5个标准测试函数的优化结果表明,合理地选取新参数的大小,新算法能大幅度降低达到最优值所需要的进化代数,同时提高算法的收敛率,尤其是对高维复杂函数的优化效果更明显。     

一种仿生优化方法—微粒群算法

介绍了一种新的仿生优化算法——微粒群算法。与传统的优化算法相比，微粒群算法在全局优化性能等多方面具有相当的优越性。     

基于改进微粒群优化的泊松曲线沉降预测模型

在现有文献研究的基础上,对泊松曲线沉降预测模型作了进一步的研究,给出了泊松曲线沉降预测模型的一个新方法-改进的微粒群最优化方法.该算法不需要计算梯度,容易应用于实际问题中.通过对微粒群算法的修正,使改进算法具有更加精确和快速的收敛性.经实例计算表明,这种方法具有较高的精度.     

基于改进微粒群优化的电力负荷生长曲线预测模型

在现有文献研究的基础上,对生长曲线预测法作了进一步改进,提出了基于改进微粒群优化的电力 负荷生长曲线预测模型,通过在电力负荷实例中的应用,并与基于微粒群优化的电力负荷灰色预测模型进行了效果 比较,验证了基于改进微粒群优化的电力负荷生长曲线预测模型具有很好的预测精度和通用性。     

基于微粒群优化算法的文本模糊聚类方法

针对模糊C-均值算法(FCM)具有局部最优问题和初值敏感性的缺陷,将微粒群优化算法应用于文本模糊聚类, 提出了基于微粒群优化算法的模糊C-均值算法PFCM．该算法首先采用实数编码方式对聚类原型进行编码,利用微粒群优化算法的全局搜索性能对初始聚类原型的选取进行指导,然后利用模糊C-均值算法进行聚类．使用算法PFCM对文本集合进行聚类实验,并用目标函数值和划分系数来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的全局收敛性和较好的聚类结果．     

生长曲线参数估计的改进微粒群算法

在现有文献研究的基础上,对生长曲线参数估计问题作了进一步的研究,给出了生长曲线参数估计的一个新方法—改进的微粒群最优化方法。该算法不需要计算梯度,容易应用于实际问题中。通过对微粒群算法的修正,使改进算法具有更加精确和快速的收敛性。实例计算表明,这种参数估计发具有较高的精度。     

一种改进的小生境微粒群算法

在微粒群算法中引入“基于密度”的聚类算法，构建出一种改进的小生境微粒群算法．该算法组合了两种方法来实现小生境的思想：第一，采用多种群策略，初始化产生一个没有子微粒群区分的主微粒群D0后，在对D0迭代执行l-best。PSO算法的同时，允许其中动态产生不相同的子微粒群Di(i≥1)；第二，子微粒群的产生采用一种“基于密度”的聚类算法，如果两个个体之间的距离小于一个给定的极值σdist，则将这两个个体联系起来归入一个聚类簇，当聚类簇中的个体数目达到规定的子微粒群最小规模时形成一个小生境．用这种算法能够产生大小和形状不同的小生境，与生物学中地理小生境具有多种形状的事实相符合，也克服了Niche PSO算法只能以某一微粒为中心产生圆形小生境的不足，对3个常用的基本测试函数的测试实验表明，这种改进的小生境微粒群算法在多峰函数寻优中性能优于标准PSO和Niche PSP。     

一种改进的小生境微粒群算法

在微粒群算法中引入“基于密度”的聚类算法,构建出一种改进的小生境微粒群算法.该算法组合了两种方法来实现小生境的思想:第一,采用多种群策略,初始化产生一个没有子微粒群区分的主微粒群D0后,在对D0迭代执行lbestPSO算法的同时,允许其中动态产生不相同的子微粒群Di(i≥1);第二,子微粒群的产生采用一种“基于密度”的聚类算法,如果两个个体之间的距离小于一个给定的极值σdist,则将这两个个体联系起来归入一个聚类簇,当聚类簇中的个体数目达到规定的子微粒群最小规模时形成一个小生境.用这种算法能够产生大小和形状不同的小生境,与生物学中地理小生境具有多种形状的事实相符合,也克服了NichePSO算法只能以某一微粒为中心产生圆形小生境的不足.对3个常用的基本测试函数的测试实验表明,这种改进的小生境微粒群算法在多峰函数寻优中性能优于标准PSO和NichePSO.     

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法，已在许多领域得到了非常成功的应用。本以约束优化问题为对象，首先介绍了采用罚函数法将约束优化问题化为无约束优化问题，和将约束优化问题转化为minmax问题，然后对无约束优化问题和minmax问题，采用PSO算法进行进化求解；在此基础上，以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

基于时间因子的混沌粒子群优化K-means算法

针对传统的K-means算法对初始聚类中心取值敏感和易陷入局部最优解等缺点,提出一种带时间因子的改进粒子群优化(Particle Swarm Optimization,PSO)聚类算法。首先在PSO算法中引入反映时间效应的动态调整时间因子,以避免粒子在最优解附近震荡,为保证粒子在规定范围内运动,采用边界缓冲墙对越界粒子进行处理;其次针对粒子群算法存在的全局搜索性能问题,通过改进的混沌技术对粒子群进行扰动,以混沌搜索替代随机搜索,确保种群的多样性,进而使粒子群向更优的方向移动;最后将改进后的粒子群算法结合K-means算法,以提高粒子的局部勘探能力,从而更快地找到全局最优位置。对UCI中的Iris数据集和Wine数据集仿真表明,该算法相比其他2种算法,聚类准确率分别增长了5.1%和1.3%,1.79%和1.09%。     

基于微粒群优化算法的T-S模糊建模

在传统T-S模糊模型的基础上,提出一种高次多项式T-S模糊辨识模型.将传统T-S模型规则后件中的线性模型用简单多项式模型代替,并进一步利用微粒群优化算法辨识规则后件参数.数值仿真表明:用该方案辨识得到的T-S模糊模型同传统的具有线性后件的T-S模型相比,能够显著减少模型规则条数而保持辨识精度不变,同时辨识时间也相应地缩短;且随着输入变量个数的增加,这一优势将更加明显.     

基于Voronoi图和改进K-means的扇区优化研究

扇区划分是空中交通管制的一项重要工作,合理的扇区划分能够提高空域的使用率,保障航空器的飞行安全。鉴于平峰时段的扇区划设不能很好适用于复杂空情的现状,提出一种基于Voronoi图和改进K-means的扇区优化方法。依据空情态势构建冲突网络,结合航空器速度障碍关系和复杂网络理论提出了扇区综合管制负荷计量方式。依据负荷值采用改进K-means聚类方法确定了合理的聚类中心作为Voronoi图的生成元,从而使用Voronoi图的划分方法生成合理边界来优化扇区。采集厦门空域管制扇区数据作为仿真场景进行了计算分析,结果表明,在繁忙时段,优化后的扇区管制负荷平均方差相比原扇区降低了66.04%,平峰时段降低了13.88%,达到了均衡扇区负荷的目的,验证了扇区优化方法的有效性,为现有的扇区划设工作提供了参考依据。     

改进微粒群算法反演参与性介质辐射物性

为了准确、快速地反演参与性介质的辐射物性,本文利用有限体积法(FVM)求解频域辐射传递方程获得的反射及透射信号的振幅信息,结合扩散微粒群(RPSO)、吸引扩散微粒群(ARPSO)以及变异的吸引扩散微粒群(MARPSO)三种智能优化算法,同时反演了激光辐照下各向同性散射的一维均匀平板介质的衰减系数、单次散射反照率。在其他条件均相同的情况下,吸引扩散微粒群(ARPSO)所需的计算时间相比于其他两种算法有明显的降低。使用ARPSO在存在误差情况下进行了反演,发现即使在测量误差为10%时,其反演参数的最大相对误差不超过5%,说明该算法鲁棒性较好。     

模糊交货期Flow-shop调度问题的改进微粒群算法

针对企业生产中由定单变化引起的具有模糊交货期性质的连续生产调度问题,提出一种改进的微粒群算法.通过对模糊交货期Flowshop调度问题的模糊机会约束设置惩罚函数,引入自适应变异和交叉等方法来改进算法,仿真结果表明算法具有较好的全局寻优和实用性,优于遗传算法和启发式算法.     

微粒群惯性权值的改进及收敛性分析

微粒群算法是相对较新颖的优化算法,已成功应用于许多优化问题,但该算法容易陷入局部极值。惯性权值的选择方案的好坏,起到举足轻重的作用,本文提出三种惯性权值的改进方案。通过对4种常用测试函数进行测试,结果表明这些改进方案比经典惯性权值选择方案具有更低的平均最好适应值,快速收敛到全局最优解,优化效率明显提高。     

微粒群算法在结构优化设计中的应用

结构优化设计对于实际工程具有重要的意义.通过对现有优化方法进行分析,将微粒群算法应用到结构优化设计中,提出了结构优化设计的微粒群算法,并建立了相应的优化模型.介绍了微粒群算法的基本思想、结构优化微粒群模型及其实施的具体步骤,最后通过一个算例验证了该方法的效率和有效性.结果表明该方法科学可行,具有很好的应用前景.     

一个求解约束优化问题的与可行基规则相结合的改进微粒群算法

提出一个求解约束最优化问题的新的混合算法-与可行基规则相结合的改进的微粒群算法。与惩罚函数法相比,可行基规则不需要额外的参数,且指引粒子迅速飞向可行域。利用5个基准测试函数进行仿真计算比较,仿真结果表明了新算法是求解约束最优化问题的一个高效的算法。