基于黄金分割优化的两群替代微粒群算法

提出一种两群替代微粒群优化算法（Two Sub—warms Substituting PSO）,该方法将微粒分成不同的两分群,其中一分群微粒采用全局型pso算法进行搜索寻优,另一分群微粒采用局部型pso算法进行搜索寻优。在搜索过程中通过判断适应度值的变化率来决定是否按照黄金分割率用一分群中若干优势微粒取代另一分群中的劣势微粒。对两种常用函数的优化问题进行测试并进行比较,结果表明：该两群替代微粒群优化算法比基本微粒群优化算法具有更好的优化效率和优化性能。     

基于改进的微粒群优化算法的山峰聚类法

对微粒群算法进行改进,使之具有多峰寻优能力,并将其与山峰聚类法相结合,提出了基于改进的微粒群优化算法的山峰聚类算法(A Mountain Clustering Based on Improved PSO,MCBIPSO).文中给出了该方法的原理和计算步骤.仿真结果表明,该算法物理意义明确,用于基于密度的样本聚类时,计算简单快捷,能有效搜寻到数据样本空间的各个聚类中心,从而实现对数据样本的准确聚类.     

改进的微粒群优化算法在过程综合中的应用

针对过程综合中的混合整数非线性规划(Mixed Integer Non-Linear Programming,MINLP)问题,利用改进的微粒群优化(Particle Swarm Optimization,PSO)算法对其进行求解。在基本的PSO算法的基础上,通过利用罚函数和引入sigmoid函数把PSO算法应用到MINLP问题的求解中,利用两个测试函数和一个过程综合的实例对其进行了测试并与其它算法所得的结果进行了比较,结果表明,PSO算法在使用的普遍性、求解的准确性方面都优于一般的算法,是一种有效的求解MINLP问题的方法。     

求解旅行商问题的微粒群算法研究

本文基于微粒群算法,以解的质量和求解效率为目标,提出了一种基于微粒群算法的TSP问题求解算法,通过实验仿真验证了所提出方法的有效性。     

微粒群优化算法

介绍了微粒群优化（PSO）算法的原理、算法流程、算法参数及其对算法性能的影响．讨论了各种改进的PSO算法．分析了多相微粒群优化算法（MPPSO）的原理、算法方程、算法参数及其对算法性能的影响．最后归纳了PSO算法的应用概况,并就PSO算法进一步的研究工作进行了探讨和展望．     

基于改进粒子群算法的立体仓库货位分配优化

研究自动化立体仓库固定货架的货位分配问题,货位分配综合考虑了货架的稳定性和出入库效率,建立了货位优化的数学模型,提出了基于Pareto最优解的改进粒子群算法（PSO）来解决此问题的方法。在优化过程中引用了置换的概念来计算粒子的速度,并且在算法中采用小生境技术提高非劣解集的分散性,用存档群体保存了非劣解。仿真实验证明,此优化策略可以有效地解决自动化立体仓库的货位分配问题。     

以模拟退火算法为收敛判据的混合微粒群算法

本文提出了一种以模拟退火算法为收敛判据的混合微粒群算法,不仅保留了微粒群算法收敛速度快、易于实现的特点,而且通过模拟退火为群体置换更优的微粒,从而保证算法得到一个高质解.仿真结果表明了该方法的有效性.     

利用改进微粒群算法优化PID参数

提出一种利用改进微粒群算法优化PID参数的方法。微粒群算法(PSO)是一种随机全局优化技术，算法通过微粒间的相互作用发现复杂搜索空间中的最优区域，算法简单、容易实现且功能强大。将PSO算法加以改进并应用在PID控制器的参数优化，经仿真证明了PSO算法的有效性，其性能优于遗传算法和传统的经验公式。     

微粒群算法参数的仿真分析

微粒群算法是近年来兴起的一种智能优化算法,而算法参数是影响算法性能和效率的关键,本文对微粒群算法的几个重要参数进行了深入的仿真分析,最终得出了能够保证算法收敛并具有一定指导性和有意义的结论。     

结合SA算法的快速微粒群优化算法

理论上已经证明PSO算法用所有微粒的当前位置与全体最好位置相同时算法停止作为收敛准则是有缺陷的,不能保证全局收敛。而已经证明模拟退火算法依概率1收敛于全局最优解集,因此可将模拟退火算法作为PSO算法的收敛判据。将模拟退伙算法和微利群优化算法结合起来,保证PSO算法的全局收敛性,提高了收敛的速度和效率。实验结果证明了其有效性。     

基于不确定知识的粒子群优化算法

针对标准粒子群优化算法（PSO）速度更新方程存在随机参数,使得粒予扶取知识存在不完备性的问题,将不确定知识引入PSO算法中,并对个体知识、群体知识和不确定知识随机参数进行了归一化,保证算法在每一步演化中都能获得完备知识．理论分析给出了PSO—UK算法局部收敛参数条件,并证明了其具有全局优化性能．经典测试函数实验表明,所提出的PSO－UK算法具有全局搜索能力,且局部收敛精度明显优于PSO算法．     

一种基于去个性化理论的粒子群算法

针对粒子群优化算法(PSO)在求解复杂问题时收敛速度慢、易陷入局部最优等缺点,从社会心理学角度阐述PSO算法,将群体社会学中去个性化效应的社会认同模型(SIDE)引入其中,提出一种基于去个性化理论的粒子群算法(DTPSO)。该算法通过个体粒子融入群体中表现出来的去个性化行为(个性与趋同的平衡)维持群体粒子的多样性和有效性。仿真实验表明, DTPSO算法收敛速度快、收敛精度高、稳定性好。     

基于滑动平均极值的粒子群优化算法

针对标准粒子群优化算法(SPSO)易陷入局部最优,进化后期收敛速度慢的缺点,提出一种基于滑动平均极值的粒子群优化算法(MWAPSO).改进了标准粒子群算法中的速度更新方程,使得粒子在进化过程中追随个体极值、全局极值和滑动平均极值.将该算法应用于4个典型的测试函数,实验结果表明,与标准粒子群算法相比,该算法在运行初期具有更强的探索能力,能够有效地避免粒子群体陷入早熟收敛.有更好的收敛性和更快的收敛速度.     

基于周期性演化策略的粒子群优化算法

针对标准粒子群优化算法(PSO)在寻优过程中容易出现早熟的问题,提出一种基于周期性演化策略的粒子群优化算法.该策略通过在速度更新方程中构建基于粒子群能量的粒子群最优值扰动项,使得粒子群能量在演化过程中可以周期性变化.相比标准PSO算法,当粒子群能量较大时,能够增强局部搜索能力;当粒子群能量较小时,能够增强全局搜索能力.典型优化问题的仿真结果表明,所提出的算法与线性下降惯性权重粒子群优化(LWPSO)和PSO算法相比,优化性能得到了显著提高.     

一种基于单纯形搜索的粒子群优化算法

为了改善粒子群优化算法的求解性能,提出了一种基于单纯形搜索和粒子群优化的混合算法。该算法一方面自适应地确定惯性权重、认知以及社会参数来达到免参数目的,另一方面利用单纯形搜索来引导部分粒子的搜索方向,从而加速算法收敛。数值实验结果表明,与传统的粒子群算法和其他基于单纯形的粒子群算法相比,提出算法在评估次数、求解精度方面表现良好。     

基于自适应多种群的粒子群优化算法

为了平衡算法的探测能力和开采能力,提高粒子群算法在不同类型问题上的综合性能,提出了一种基于自适应多种群的粒子群优化算法（PSO-SMS）。算法包含重组、子群规模调整和探测三个模块。在演化初始阶段,整个种群被划分成许多子种群。重组模块使不同子群间可以共享优势信息,有利于单峰和多峰函数的优化。当种群陷入潜在的局部最优时,探测模块可基于搜索过程的一些历史信息,帮助跳出当前的局部最优。通过子群规模调整,每个子种群的大小随着进化的过程而逐渐增加,有利于提高算法在初始阶段的探测能力和后期的开采能力。通过CEC2013的测试集与其他七种PSO算法的比较表明,PSO-SMS算法在解决不同类型的函数优化问题上有着突出的性能表现。     

基于适应值引导的粒子群改进算法

粒子群算法是一种智能算法,被广泛用于各领域。通过比较几类常见的粒子群算法的优劣,提出了基于适应值引导的粒子群算法,以增加粒子群的多样性,从而加快收敛速度。实验结果证明,与其他算法相比,基于适应值引导的粒子算法的收敛率与收敛速度表现最佳。     

一种基于创造性思维的粒子群优化算法

针对粒子群优化（PSO）算法在复杂问题求解中出现的早熟收敛问题,从认知心理学角度进行分析,将创造性思维（CT）引入PSO算法,提出一种基于创造性思维的PSO算法（CTPSO）．基于CT过程的“四阶段”模型,构建了算法框架,改进了速度更新公式,在粒子个体的惯性、个体认知和社会能力的基础上增强CT能力,以提升其整体寻优性能．典型测试函数的运行结果表明,该算法具有较强的全局搜索能力,收敛速度快,算法稳定性好,且未增加新的参数和计算复杂度．     

基于高斯函数递减惯性权重的粒子群优化算法

为了有效地平衡粒子群优化算法的全局搜索和局部搜索能力,提出了一种基于高斯函数递减惯性权重的粒子群优化(GDIWPSO)算法。此算法利用高斯函数的分布性、局部性等特点,实现了对惯性权重的非线性调整。仿真过程中,首先对测试函数优化以确定惯性权重的递减方式;然后比较了该算法与权重线性递减、凸函数递减、凹函数递减的粒子群算法优化不同测试函数的性能;最后结果表明,提出的算法在搜索能力、收敛速度及执行效率等方面均有很大提高。     

自适应混合粒子群算法求解置换流水车间调度问题

为更有效地解决以最大完工时间最小化为目标的置换流水车间调度问题,提出了一种自适应混合粒子群算法（SHPSO）。该算法结合Q学习设计了参数自适应更新策略,以平衡算法的探索和开发;同时引入粒子停滞判断方法,使用平局决胜机制和Taillard加速算法改进基于迭代贪婪的局部搜索策略,对全局极值进行局部搜索,帮助粒子跳出局部最优。实验结果表明,SHPSO算法取得的平均相对百分偏差（RPDavg）对比其他四种改进PSO算法至少下降了83.2%,在求解质量上具有明显优势。