一种多样性控制的粒子群优化算法

针对粒子群优化(PSO)算法的早熟收敛问题,提出一种新的基于群体多样性控制的PSO算法(DCPSO).该方法使得粒子在收缩状态下充分搜索.在发散状态下能够飞离群体的聚集位置.不断的收缩-发散过程保证了群体能在较大的空间进行搜索,减少了粒子群算法的早熟收敛现象.通过对多个标准测试函数的实验结果表明,DCPSO算法在复杂优化问题中具有较强的全局搜索能力,而且比现有的多样性指导的PSO算法(ARPSO)具有更好的性能.

     

多样性反馈与控制的粒子群优化算法

针对粒子群优化(PSO)算法的早熟收敛问题,提出了一种多样性反馈与控制的粒子群优化(DFCPSO)算法。该算法在搜索过程中根据多样性反馈信息,动态调整算法参数,改善了搜索次数在多样性曲线上的分布情况。当多样性或群体适应度方差下降到给定的阈值时,通过基于最优点排斥的初始化操作,高效率发散,使粒子飞离聚集区域,重新开始搜索,从而使种群多样性保持在合理范围内,避免了早熟收敛现象。对多个标准测试函数的实验结果表明,与当前多样性控制的粒子群优化(DCPSO)算法相比,DFCPSO算法在复杂优化问题和多模态优化问题中具有更强的全局搜索能力。     

多样性反馈与控制的粒子群优化算法

针对粒子群优化(PSO)算法的早熟收敛问题,提出了一种多样性反馈与控制的粒子群优化 (DFCPSO)算法。该算法在搜索过程中根据多样性反馈信息,动态调整算法参数,改善了搜索次数在多样性曲线上的分布情况。当多样性或群体适应度方差下降到给定的阈值时,通过基于最优点排斥的初始化操作,高效率发散,使粒子飞离聚集区域,重新开始搜索,从而使种群多样性保持在合理范围内,避免了早熟收敛现象。对多个标准测试函数的实验结果表明,与当前多样性控制的粒子群优化(DCPSO)算法相比,DFCPSO算法在复杂优化问题和多模态优化问题中具有更强的全局搜索能力。     

协调粒子群优化算法--HPSO

粒子群优化算法(PSO)是模拟生物群体智能的优化算法、具有良好优化性能。但是由于信息的单一传递,群体的迅速收缩和群体多样性降低,导致算法早熟收敛．该文采用多样性控制与交叉操作,使粒子群在细化搜索与扩展新区之间进行协调,提出了协调粒子群优化算法HPSO。实验结果表明：HPSO比PSO有更好的性能。     

标准粒子群优化算法的马尔科夫链分析

根据粒子群优化（Particle swarm optimization, PSO)算法的差分模型定义粒子状态序列和群体状态序列, 并分析其马尔科夫性质, 证明了粒子及种群的最优状态集的封闭性, 以及计算粒子一步转移概率; 进一步基于全概率公式和马氏链的性质, 推导了群体状态转到最优状态集的转移概率; 根据该转移概率, 对PSO算法的惯性权重ω和加速度因子c进行了讨论和解释, 研究了算法早熟收敛和发散等问题, 最后分析表明标准PSO算法以一定概率收敛到全局最优.     

基于搜索空间可调的自适应粒子群优化算法与仿真

针对收缩因子粒子群优化(CPSO)算法易陷入局部最优和发生过早收敛的问题.提出了基于搜索空间可调的自适应粒子群优化(APSO)算法.该算法根据种群早熟收敛程度和个体适应值,在CPSO算法停滞时,将全部粒子有效地划分在3类不同的搜索空间,使种群始终保持搜索空间的多样性,易于跳出局部最优,从而有效地改善了CPSO算法后期的寻优能力.     

动态邻域混合粒子群优化算法

粒子群优化(PSO)算法对于多峰搜索问题一直存在早熟收敛问题。为在增强PSO算法全局搜索能力的同时提高收敛速度,提出一种动态邻域混合粒子群优化算法DNH_PSO,采用PSO局部模型,将随机拓扑和冯诺依曼拓扑相结合形成动态邻域,提高算法的全局搜索能力,为增强算法的局部搜索能力并加快收敛速度,使用粒子邻域全面学习策略,将拟牛顿法引入算法中。与其他PSO实验对比分析表明,该算法对于多峰搜索问题具有较好的全局收敛性。     

基于D-S的粒子群算法

粒子群优化(Particle Swarm Optimization,PSO)算法是一类性能优越的寻优算法.但由于早熟问题,影响了算法性能的发挥.针对这一问题,通过获取粒子群的状态信息,来控制PSO进化过程,是一种有效的PSO改进方法.但现有的方法是从单一的角度来描述粒子群进化状态,使用时还具有一定的局限性.为了更进一步发挥PSO算法的优越性能,充分考虑了粒子群进化状态中的不同信息,根据证据融合理论,提出一种PSO算法(称为DS_PSO).首先根据全局和局部搜索的要求,把算法分为不同的搜索模式;然后,在进化过程中,对描述粒子群的不同参数进行D-S融合.根据融合结果,确定粒子群状态,选择合适的搜索模式.对测试函数的仿真实验表明,与对比方法相比较,DS_PSO算法具有更好的收敛精度和更快的进化速度.     

基于自适应混沌粒子群优化的防空目标分配

粒子群优化算法存在早熟收敛和搜索精度较低的问题.为此,提出一种基于自适应混沌粒子群的优化算法.采用自适应权重和遗传算法中的交叉、变异操作更新粒子群,增加种群粒子的多样性,运用早熟判断机制判断粒子的当前状态,当粒子处于早熟状态时,利用混沌搜索的方法引导群体快速跳出局部最优.仿真结果表明,该算法可以有效解决粒子群算法的早熟问题,提高搜索精度和收敛速度.     

基于群能量恒定的粒子群优化算法

针对标准粒子群优化(PSO)算法在寻优过程中容易出现早熟的情况,提出一种群能量恒定的粒子群优化(SEC-PSO)算法.算法根据粒子内能进行动态分群,对较优群体采取引入最差粒子的速度更新策略,对较差群体采取带有惩罚机制的速度更新策略,由其分担由于较优群体速度降低而产生的整群能量损失,从而有效地避免了PSO算法的早熟.典型优化问题的仿真结果表明,该算法具有较强的全局搜索能力和较快的收敛速度,优化性能得到显著的提高.     

Interactive Self Improvement Based Adaptive Particle Swarm Optimization

One of the most familiar stochastic heuristic search algorithm is Particle swarm optimization (PSO), which is motivated by social behavior of animals like birds, fishes, and so forth. The significant advantages of PSO algorithm are simple structure and limited parameters to be used. Among the parameters, inertia weight is considered as the most crucial one in PSO which brings trade-off between the characteristics of exploitation and exploration. A novel Interactive Self-Improvement based Adaptive PSO (ISI-APSO) method that traits better searching efficiency and accuracy than the traditional particle swarm optimization is proposed. More precisely, it can achieve faster convergence speed while on global search over the entire search space. The simulation results show that the performance of our proposed ISI-APSO is substantially improved than other heuristic algorithms in terms of the search efficiency and convergence speed.     

一种新的双予群PSO算法

提出一种新的双子群粒子群优化（PSO）算法。充分利用搜索域内的有效信息,通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围。在不增加粒子群规模的前提下,提高解高维最优化问题的精度,降低粒子群优化算法陷入局部最优点的风险。3种典型函数的仿真结果及与2种经典PSO算法的比较结果验证了该算法的有效性。     

一种含驻留粒子的改进粒子群算法

为了避免粒子群算法过早收敛,提出一种包含局部驻留粒子的改进粒子群算法（CRPSO）。该算法将基本的粒子群算法的粒子称为主粒子,而当算法每找到一个新的全体最优点之后,将会在这个最优点附近产生几个称为驻留粒子的搜索粒子。2种粒子分工协作,主粒子负责全局搜索而驻留粒子负责局部搜索。驻留粒子帮助主粒子群避免过早收敛,提高整个粒子群多样性。仿真结果表明,该算法能有效地改善粒子群算法在非线性全局优化问题上的早熟现象,增强粒子群算法的全局搜索能力。     

改进的二阶振荡粒子群算法

针对粒子群算法易陷入局部最优等问题,分析了粒子群算法的进化方程,提出了一种改进的粒子群优化算法。算法在振荡环节采用互不相同的参数取值来调节粒子群算法的全局和局部搜索能力,并通过对测试函数和机器人路径规划问题仿真模拟,与标准PSO、标准二阶PSO、二阶振荡PSO算法的实验结果进行对比分析,验证了所提出算法的有效性和可行性。     

微粒群算法的统一模型及分析

通过分析已有的几种微粒群算法,提出了一种统一模型,并通过线性控制理论分析了其收敛性能．为了进一步提高算法效率,提出了两种增强全局搜索性能的参数自适应算法：单群体参数自适应微粒群算法及双群体参数自适应微粒群算法．其中单群体参数自适应微粒群算法在进化初期使用算法发散的参数设置,从而能更大程度地提高算法全局收敛能力．双群体参数自适应微粒群算法使用两个种群,一个执行全局搜索,另一个执行局部搜索,通过信息交流以提高算法性能．仿真实例证明了算法的有效性．     

基于聚集度控制的PSO算法研究

针对粒子群优化（PSO）算法在处理复杂优化问题时,容易早熟收敛的问题,将比例控制器用于粒子群算法种群聚集度控制．粒子种群可以在任一聚集范围内保持任意时间的搜索,这样能够更好地平衡种群聚集度和搜索精度,从而提高PSO算法处理复杂优化问题的效率．对多零点和低旁瓣约束情况下的阵列天线方向图优化进行仿真实验,结果表明所提算法可在处理复杂优化问题上取得更好的优化效果．     

带审敛因子的变邻域粒子群算法

针对基本粒子群算法在求解高维空间中的复杂多峰函数时容易发生早熟收敛而陷入局部最优的问题,汲取变邻域搜索算法全局搜索的优势,提出了带审敛因子的变邻域粒子群算法.首先由基本粒子群的快速搜索能力得到较优的群体;然后通过审敛因子判断发生早熟收敛的粒子,并利用变邻域搜索算法的全局搜索能力对陷入早熟收敛的粒子进行优化,从而得到全局最优.相关实验表明,带审敛因子的粒子群算法的性能较常规粒子群算法更加优越.     

基于改进PSO算法的LSSVM入侵检测模型

在基本PSO算法和线性权重下降PSO算法的基础上,提出一种并行PSO算法,将粒子群分成两组,分别采用不同的惯性权重,各侧重于全局搜索和局部搜索,根据进化代数动态调整两种算法中进化的粒子数。通过仿真实验,证明了并行PSO算法的寻优性能优于基本PSO算法和线性权重下降PSO算法。