基于多模态优化问题的粒子群算法研究

多模态优化问题包含多个全局最优解或局部最优解,求解多模态优化问题难度较高。为了更有效地求解多模态优化问题,提出用粒子群算法求解多模态问题。研究了星型拓扑结构及环型拓扑结构的算法模型,并引入线性递减惯性权重对两种粒子群算法进行改进,让粒子群算法的惯性权重从一个较大的数值线性递减到一个较小的数值,从而提高种群搜索的多样性和精度。用15个复杂的多模态测试函数对两种粒子群算法进行仿真实验,实验结果表明,引入线性递减惯性权重的环型拓扑结构粒子群算法的搜索能力明显更强,更适用于多模态优化问题的求解。     

一种动态调节惯性权重的粒子群算法

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种动态调节惯性权重的粒子群算法.该算法对惯性权重引入随机因子并基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,平衡了算法的全局搜索与局部搜索能力,提高了算法的收敛精度.为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及动态调节惯性权重的粒子群算法在不同维度下进行测试比较.结果表明:提出的动态调节惯性权重的粒子群算法在寻优精度和成功率方面都有所提升,算法性能更具优越性.     

基于改进粒子群算法的配电网无功优化研究

采用改进粒子群算法对配电网进行无功优化,以IEEE14节点电力系统为例,建立粒子群算法的数学模型,引入线性递减惯性权重对粒子群算法进行改进,使用MATLAB软件进行仿真运算。比较两种算法对节点系统无功优化后的网损大小和收敛速度,验证采用研究方法的有效性和可行性。     

粒子群优化算法在多峰函数寻优上的应用

本文将模拟退火算法的思想引入到粒子群优化算法中,并且通过改变粒子群优化算法的惯性权值递减策略及更新位置的限制,来加速算法的收敛．算法经过对多峰函数的寻优测试,证明了这种改进算法与自适应粒子群优化算法相比较,不容易陷入局部最优,全局寻优能力更强,收敛速度更快．     

一种改进的粒子群算法

针对粒子群算法搜索精度不高的问题,提出了一种改进的粒子群算法。该算法一方面通过跟踪个体极值、全局极值和周围极值来搜索解空间的最优值;另一方面通过引入3种非线性递减函数对惯性权重进行调整,仿真结果表明改进的粒子群算法具有更强的寻优能力及更高的搜索精度。     

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法.随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力.实验结果表明,改进后的算法在收敛速度以...     

基于动态模糊混沌粒子群算法的含电动汽车微电网多目标优化调度研究

提出一种基于动态模糊混沌粒子群算法的微电网多目标优化调度方法.利用动态目标函数与模糊理论解决多目标主观权值的缺陷,建立以运行维护成本、环境污染物成本为目标的微电网多目标调度模型.微电网多目标优化调度属于多变量、强非线性优化问题,针对传统粒子群算法求解时容易陷入局部最优等问题,在粒子初始化时,引入一种结合Chebyshev映射和Logistic映射的组合混沌映射,在粒子更新过程中,引入Logistic映射,从而增加粒子寻优的遍历性,加强算法全局优化能力.针对惯性权重在粒子群更新过程中的取值问题,采用迭代次数梯度改变惯性权重的策略.仿真结果证明了算法具有更高的收敛效率和更好的收敛效果.     

一种结合自适应惯性权重的混合粒子群算法

粒子群算法(particle swarm optimization,PSO)是一种容易实现且高效的优化算法,但该算法对各种参数反应较为敏感.本文针对经典粒子群算法容易陷入局部最优的不足之处进行研究,提出对经典粒子群算法使用自适应惯性权重并引入模拟退火法的思想来解决经典粒子群优化算法容易陷入局部最优解的问题.仿真实验结果表明,本文提出的混合算法与经典粒子群算法相比,不仅能够避免寻优过程中陷入局部最优问题,而且还具有收敛速度快、成功次数高、稳定性及寻优结果好等特点.     

基于改进粒子群算法的组合测试数据生成

针对传统粒子群优化算法生成测试数据容易产生早熟收敛而陷入局部最优的问题,提出一种基于改进粒子群算法的组合测试数据生成算法。该算法在粒子群算法的基础上引入一种惯性权重自适应调整策略,根据粒子的适应度不同采用不同的惯性权重,从而有效的平衡算法的全局和局部搜索能力,增加种群的多样性并提高算法的搜索效率。仿真实验表明该算法与传统粒子群算法相比,所需迭代次数减少,生成组合测试数据速度快。     

基于K-Means全局引导策略的多目标微粒群算法

提出了一种基于K-means全局引导策略的多目标微粒群算法(KMOPSO),通过K-means算法从归档集中选出K个均匀分布的非支配粒子作为全局最优引导,以保证种群中的粒子向整个Pareto前端移动,提高解的多样性. 用基于最近邻居的剪枝算法控制归档集规模,同时保证其中非支配解的多样性. 引入变异策略来加强算法的局部搜索能力,避免早熟收敛. 用5个经典函数进行了仿真测试,实验结果表明,该算法能有效地解决多目标优化问题,不但能收敛于Pareto最优前端,而且在解的多样性方面优于改进的非劣分类遗传算法和基于拥挤距离的多目标微粒群算法.     

基于粒子群算法的物流配送车辆优化调度研究

应用粒子群算法求解物流配送系统的车辆优化调度问题,针对车辆调度问题中需要考虑车辆容量和车辆行驶路径的限制等要求,提出一种基于收货点、粒子位置次序和粒子位置取整操作的三维粒子编码方法,采用惯性权重线性递减粒子群算法对两个算例进行计算,并与遗传算法的计算结果进行了比较。结果表明,粒子群算法能够有效地对物流配送车辆调度问题进行优化。     

基于MapReduce模型的分布式粒子群算法

通过对传统的单种群粒子群算法的分析,提出一种基于MapReduce模型的分布式粒子群算法,解决粒子群算法在求解大规模优化问题时求解效率和精度明显下降等问题。在粒子群进化过程中,粒子速度和位置的更新采用惯性权重的方法,其权重值线性递减,并且利用多子群进化策略,提高算法的收敛精度。通过MapReduce模型实现算法的并行化,有效提高算法求解效率。选取目前比较流行的几种算法,并在13个500维、1 000维的标准测试函数上仿真试验,结果显示该算法具有良好的优化性能。     

Hook-Jeveese搜索法和改进的微粒群算法的混合算法

提出一个求解无约束最优化问题的新的混合算法Hooke-Jeeves搜索法和惯性权重线性调整的局部收缩的微粒群算法的混合算法。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,使混合算法具有更加精确和快速的收敛性。主要目的是通过加入混合策略证明标准微粒群算法是能够被改进的。利用6个基准测试函数进行仿真计算比较,计算结果表明,新混合算法在求解质量和收敛速率上都优于其它的两种算法(PSO和与混沌相结合的PSO算法)。仿真结果表明,新算法是求解无约束最优化问题的一个高效的算法。     

混沌粒子群优化算法在水库防洪优化调度中的应用

为改善粒子群优化算法的寻优性能,提出了一种新的算法——混沌粒子群算法。该算法将混沌搜索机制引入到粒子群算法中来增加粒子的多样性,采用自适应惯性权重因子模型来设置惯性权重因子,改善了算法的全局寻优能力,并将其用于水库防洪优化调度中。实例计算表明该算法能较好地克服了粒子群算法易早熟和陷入局部最优的缺点,为解决水库防洪优化调度问题提供一种新的有效途径。     

Powell搜索法和局部收缩微粒群算法的混合算法

提出一个求解无约束最优化问题的新的混合算法——Powell搜索法和惯性权重线性调整的局部收缩的微粒群算法的混合算法。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,使混合算法具有更加精确和快速的收敛性。主要目的是通过加入混合策略证明标准微粒群算法是能够被改进的。首先利用20个基准测试函数进行仿真计算并比较,计算结果表明,新混合算法在求解质量和收敛速率上都优于其它的3种算法(PSO,GPSO和NM-PSO算法)。同时将新混合算法和最新的各种协同的PSO算法进行分析比较,比较结果表明,新混合算法在解的搜索质量、效率和关于初始点的鲁棒性都远优于其他的进化算法。仿真结果证明了新算法是求解无约束最优化问题的一个高效的算法。     

电力系统经济负荷分配的改进粒子群算法

为解决电力系统中的经济负荷分配问题,将改进粒子群算法用于其中。该算法是以基本粒子群算法为基础,利用优化惯性权重策略以及改进最优最差粒子策略,使改进粒子群算法具有高效率全局搜索能力。对三个算例进行仿真测试,证实该算法可有效地解决经济负荷分配问题;性能对比显示,该算法求得的解优于基本粒子群算法及其它优化算法所求得的解。     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。