具有快速收敛和自适应逃逸功能的粒子群优化算法

为了克服标准粒子群优化算法(PSO)后期收敛速度慢、容易陷入局部最优等缺点,借鉴人工蜂群算法的思想,提出了一种提高收敛速度并且带有自适应逃逸功能的粒子群优化算法(FAPSO)。算法中每进化一次粒子搜索两次：一次全局搜索,一次局部搜索。当粒子陷入局部最优时,通过逃逸功能使粒子重新搜索。8个经典基准测试函数仿真结果表明,改进的粒子群优化算法在收敛速度和寻优精度上均有提高,相对于目前常用的改进粒子群优化算法如CLPSO等,t检验结果说明,新算法具有明显的优势。     

交叉反向学习和同粒社会学习的粒子群优化算法

针对社会学习粒子群优化（SLPSO）算法存在的优化效率低、收敛速度慢等问题,提出了一种改进的SLPSO算法,即基于交叉反向学习和同粒社会学习的PSO算法（CPPSO）。首先,将最优解随机纵向交叉与一般反向学习以及随机反向学习构建交叉反向学习;然后,以此交叉反向学习策略更新种群中的最优粒子位置,增强探索能力,并克服SLPSO中最优粒子无更新导致效率低下的缺点;最后,对于非最优粒子,与SLPSO采用基于维的社会学习不同,均采用新型基于粒子的社会学习机制,在提高全局搜索能力同时,更提高开采能力和搜索效率。在一组不同维基准函数上优化的实验结果表明,CPPSO的优化性能、搜索效率和普适性大幅度领先于SLPSO和其他先进的PSO改进算法,如交叉搜索PSO （CSPSO）算法、自我调节的PSO （SRPSO）算法、异构综合学习的PSO （HCLPSO）算法和反向学习和局部学习能力的PSO （RLPSO）算法。     

一种自适应柯西变异的反向学习粒子群优化算法

针对传统粒子群优化算法易出现早熟的问题,提出了一种自适应变异的反向学习粒子群优化算法。该算法在一般性反向学习方法的基础上,提出了自适应柯西变异策略(ACM)。采用一般性反向学习策略生成反向解,可扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,采用ACM策略对当前最优粒子进行扰动,自适应地获取变异点,在有效提高算法局部开采能力的同时,使算法能更加平稳快速地收敛到全局最优解。为进一步平衡算法的全局搜索与局部探测能力,采用非线性的自适应惯性权值。将算法在14个测试函数上与多种基于反向学习策略的PSO算法进行对比,实验结果表明提出的算法在解的精度以及收敛速度上得到了大幅度的提高。     

基于灰狼优化的反向学习粒子群算法

针对粒子群算法（PSO）易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

基于局部搜索的反向学习竞争粒子群优化算法

为提升粒子群优化算法在复杂优化问题,特别是高维优化问题上的优化性能,提出一种基于Solis&Wets局部搜索的反向学习竞争粒子群优化算法(solis and wets-opposition based learning competitive particle swarm optimizer with local se...     

具备反向学习和局部学习能力的粒子群算法

为解决粒子群优化（Particle Swarm Optimization,PSO）算法中存在的种群多样性和收敛性之间的矛盾,该文提出了一种具备反向学习和局部学习能力的粒子群优化算法（Reverse-learning and Local-learning PSO,RLPSO）。该算法保留了初始种群中满足排异距离要求的多个较差粒子以及每个粒子的历史最差位置。当检测到算法陷入局部最优时,利用这些较差粒子的位置信息指导部分粒子以较快飞行速度进行反向学习,将其迅速牵引出局部最优区域。反向学习过程可改善粒子种群的多样性,保证了算法的全局探测能力;同时,利用较优粒子间的差分结果指导最优粒子进行局部学习与搜索,该过程可与粒子群的飞行过程并行执行,且局部学习的缩放因子可随进化过程动态调节。局部学习可提高算法的求解精度,保证算法的迅速收敛。实验结果表明,RLPSO 算法同其他 PSO 算法相比,在高维函数优化中具有收敛速度快、求解精度高的特点。     

自适应变异的粒子群优化算法

针对粒子群算法的早熟收敛问题,提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值,根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力,增大寻找全局最优的几率。对几种典型函数的测试结果表明,新算法的全局搜索能力有了明显的提高,有效避免了早熟收敛问题。     

自适应变异综合学习粒子群优化算法

针对以往粒子群优化算法多样性差且易局部收敛的不足,提出改进综合学习粒子群优化(CLPSO)算法的最小方差优先自适应变异策略,设计自适应变异综合粒子群优化(CLPSO-M)算法.多个标准测试问题的对比实验数据表明,CLPSO-M算法比CLPSO算法的全局搜索能力更强,求解效果更稳定.     

应用精英反向学习的混合烟花爆炸优化算法

针对烟花爆炸优化(FEO)算法容易早熟、解精度低的弱点,提出了一种精英反向学习(OBL)的解空间搜索策略。在每次迭代过程中均对当前最佳个体执行反向学习,生成其动态搜索边界内的反向搜索种群,引导算法向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。为了保持种群的多样性,计算种群内个体对当前最佳个体的突跳概率,并依据此概率值采用轮盘赌机制选择进入子种群的个体。通过在5组标准测试函数的实验仿真并与相关的算法对比,结果表明所提出的改进算法对数值优化具有更高的收敛速度和收敛精度,适合求解高维的数值优化问题。     

基于自适应Tent混沌搜索的粒子群优化算法

为解决粒子群优化算法易于陷入局部最优问题,提出基于自适应Tent混沌搜索的粒子群优化算法。应用Tent 映射初始化均匀分布的粒群,并以当前整个粒子群迄今为止搜索到的最优位置为基础产生Tent混沌序列,混沌序列的搜索范围采用自适应调整方法。该方法可以有效避免计算的盲目性,还能够快速搜寻到最优解。实验表明该算法在多个标准测试函数下都超越了同类改进算法。     

基于自适应反向学习的多目标分布估计算法

针对基于规则模型的多目标分布估计算法全局收敛性较弱的缺陷,提出了一种基于自适应反向学习(OBL)的多目标分布估计算法.该算法根据函数变化率的大小来决定是否进行OBL:当函数变化率较小时,算法可能陷入局部最优,所以进行OBL以提高当前种群中个体的多样性;当函数变化率较大时,运行基于规则模型的多目标分布估计算法.所提算法通...     

自适应任务分配的粒子群优化算法

针对基本粒子群优化(PSO)算法早熟收敛、易陷入局部极值的缺陷,提出自适应任务分配的粒子群优化算法。该算法根据粒子的多样性动态分配粒子任务,把种群粒子分为开发和探索两种类型,分别采用全局模型和动态邻域局部模型执行开发和探索任务以平衡算法的全局和局部搜索能力,维持种群多样性。动态邻域模型扩大了解的搜索空间,能有效抑制早熟停滞现象,采用高斯扰动对处于停滞状态的精英粒子进行学习,协助精英粒子跳出局部最优,进入解空间的其他区域继续进行搜索。针对6个标准复合测试函数进行实验,结果表明所提算法具有更强的全局搜索能力,求解精度更高。     

一种结合混沌和逃逸的自适应粒子群优化方法

考虑到粒子群早熟收敛现象,提出了一种基于逃逸和混沌的自适应粒子群优化算法。该算法引入一个新的惯性系数来改进原有的速度更新公式,并在粒子陷入早熟之后,调整相应的速度参数。同时,选取适应度最差的10%的粒子,利用混沌的方法对它们的位置进行更新,并且格栅化。产生了充分多的点,使粒子群跳出了当前的局部最优并获得更优的群体最优值。数值仿真表明,该算法粒子群能有效地跳出局部极值,获得精度更高的优化值。     

基于蚁群信息机制的粒子群算法

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法。通过构造单个粒子的多个进化方向和类似于蚂蚁群算法信息素表的选择机制,保留了粒子的多种可能进化方向。提高了粒子间的多样性差异,从而改善算法能力。改进后的混合粒子群算法的性能优于带线性递减权重的粒子群算法。     

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。     

集成学习在粒子群优化算法改进中的应用研究

集成学习通过结合多个学习者可以获得更好的结果。从三个方面,即从粒子级和维度级上进行集成,全过程或阶段性使用集成以及在单种群或多子种群中应用集成,研究了集成学习用于改进粒子群优化（PSO）算法的方式。通过三个典型函数优化问题的实验结果表明,与标准PSO和一些改进方法相比,集成学习可以改进PSO算法性能。