粒子群优化算法中的惯性权值非线性调整策略

为提升粒子群优化算法的性能,提出基于正弦曲线、正切曲线和对数曲线的非线性惯性权值调整策略。采用镜像策略对越界粒子进行处理,利用标准测试函数测试这些策略对算法的影响。实验结果表明,对于连续函数优化问题,正弦曲线和对数曲线策略优于传统的线性调整策略,而传统的线性调整策略又优于正切曲线策略。     

粒子群优化算法中惯性权值调整的一种新策略

惯性权值的设置对粒子群优化（PSO）算法的性能起着关键作用,现有的基于惯性权值的改进算法提高了算法的性能,但都把惯性权值作为全局参数,很难控制算法的搜索能力。本文在充分分析惯性权值的关键作用基础上给出一种新的惯性权值调整策略及其相应的粒子群优化算法,使用不同的惯性权值更新同一代种群。测试结果表明,新算法提高了算算法的性能,并具有更快的收敛速度和跳出局部最优的能力。     

一种混沌惯性权重的简化粒子群算法

惯性权值作为粒子群算法的一个全局参数,能够方便地控制算法的搜索能力和收敛速度,在算法运行过程中具有重要的作用。在分析惯性权值的作用基础上提出了一种混沌惯性权重的简化粒子群优化算法,利用混沌序列的内在随机性、遍历性和规则性,提高算法的寻优能力。测试结果表明,新算法具有更快的收敛速度和更强的全局寻优能力。     

惯性权值对粒子群算法收敛性的影响及改进

研究惯性权值对粒子群算法(PSO)收敛性的影响,在分析线性权值递减策略基础上,提出一种基于各粒子适应值的递减策略——FDIW。标准测试函数对比实验表明,该策略可以使粒子在搜索初期获得更好的多样性,从而使粒子具有更强的摆脱局部极值的能力,在搜索末期可以加快粒子收敛速度以提高PSO算法的性能。     

惯性权重动态调整的混沌粒子群算法

鉴于标准粒子群算法(PSO)有易陷入局部最优位置和全局搜索能力差等缺点,给出了相似度的定义,并根据群体中每个粒子与全局最优粒子的相似度值的大小,动态非线性地更新每个粒子的惯性权重值。为了改善算法的全局搜索性能,将混沌算子引入粒子群算法中。新算法在4个测试函数上与标准粒子群算法进行了比较,结果表明新算法的性能更好。     

混沌粒子群优化算法研究

利用混沌运动的遍历性、随机性和规律性等特点,提出一种求解优化问题的混沌粒子群优化(CPSO)算法.该算法的基本思想是采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值.典型复杂函数优化仿真结果表明该方法是一种较简单有效的算法.     

一种改进线性惯权的粒子群算法

粒子群算法是一类智能优化搜索算法,该算法初期收敛很快,但后期易陷入局部最优点。为了提高粒子群算法的性能,提出一种改进线性惯权粒子群算法。该算法中惯性权值采用线性递减线性递增策略,其增减受粒子群的聚集度影响。对两个典型的测试函数进行仿真表明,该算法的搜索效率和精度优于一般的粒子群算法和惯性权值线性递减粒子群算法,同时具有较好的收敛稳定性。     

基于分层多子群的混沌粒子群优化算法

在分层多子群结构模型的基础上,提出一种混沌粒子群优化算法(HCPSO).该算法对非线性递减的惯性权重进行混沌变异,并采用了混沌搜索方法.在更新全局历史最优位置每一维分量时,选取不同的若干个体作为学习对象,并计算它们的平均位置.混沌搜索区域半径可根据粒子个体最优位置与上述平均位置间的距离自适应地调整.通过对几种典型函数的测试结果表明,该算法具有较好的全局搜索和局部搜索能力,可有效避免早熟收敛问题.     

混沌粒子群优化算法

粒子群优化算法是一种新的随机全局优化进化算法。本文把混沌寻优思想引入到粒子群优化算法中,这种方法利用混沌运动的随机性、遍历性和规律性等特性首先对当前杠子群体中的最优粒子进行混沌寻优,然后把混沌手优的结果随机替换粒子群体中的一个粒子。通过这种处理使得粒子群体的进化速度加快,从而改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。仿真结果表明混沌粒子群优化算法的收敛性能明显优于粒子群优化算法。     

一种动态调整惯性权值的粒子群算法

粒子群算法针对速度变量的调节不够精确,算法在迭代过程中容易陷入局部最优,函数目标值的精度比较低。为了得到更加精准的目标值,提出一种改进的粒子群算法,对粒子群算法的惯性权值参数进行动态调整。算法将惯性权值参数设置为由粒子位置、个体最优位置和全局最优位置影响的可变参数组,通过各个位置之间的距离来控制参数的改变。该改进粒子群算法针对每一个粒子的每一维度都设计其对应的惯性权值参数。该改进算法经过和其它算法进行比较测试,结果显示改进的算法得到的解值更加精准。     

新型分阶段粒子群优化算法

针对粒子群优化算法的“早熟”问题,提出了一种新型分阶段粒子群优化算法。该算法通过调整惯性权重和加速系数使粒子自组织地跟踪局部吸引域和全局吸引域来扩大粒子的搜索空间和提高粒子的收敛精度,同时根据粒子处于不同的阶段实施相应的变异策略来增加种群的多样性。通过经典函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟问题。     

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。     

改进收敛条件的动态调整惯性权重PSO算法

在医学图像配准中需要解决互信息图像配准过程中局部极值问题,引入了一种动态调整惯性权的自适应粒子群算法;验证了其中两个重要参数的取值,并均匀赋值粒子初始位置,避免随机产生的初始位置集中在某一区域而使寻优陷入局部极值,同时加入进化速度因子作为搜索中止条件,加快了搜索速度。实验表明,该算法既能找到全局最优又能快速收敛。     

具有随机惯性权重的PSO算法

微粒群算法（PSO算法）是模拟鸟类、鱼群等的群体智能行为的一种优化算法,当前,在相关领域内,倍受国内外学者关注。该文在分析基本PSO算法的速度进化方程的基础上,提出一种能更好描述微粒进化过程的速度方程,由其引出一种具有随机惯性权重的PSO算法;通过五个典型测试函数的仿真实验,验证了其可行性,同时也表明具有随机惯性权重的PSO算法较具有线性递减惯性权重的PSO算法在收敛速度和全局收敛性方面有明显提高。     

强社会认知能力的粒子群优化算法

针对粒子群优化算法的“早熟”问题,提出了强社会认知能力粒子群优化算法,该算法通过学习概率和选择概率确定粒子跟踪的局部极值。算法中学习概率的自适应调整有效权衡了粒子的个体认知能力和社会认知能力。通过经典函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟问题。     

自适应约束优化混合粒子群算法

提出一种混合粒子群优化算法用于求解约束优化问题。新算法的主要特点是：在搜索机制方面,利用混沌初始化种群以提高初始群体的质量。为了扩大粒子的搜索范围,引入柯西变异算子。利用单形交叉算子对种群进行局部搜索。在约束处理技术方面,根据当前种群中可行解比例自适应地选择不同的个体比较准则。数值实验结果表明了该算法的有效性。     

粒子群优化算法在函数优化中的应用及参数分析

为了更深入地分析探讨粒子群优化算法的性能,采用两种基本改进策略在MATLAB 7.0中对几个典型测试函数的优化问题进行了实验,即单独采用线性递减惯性权重策略以及在其基础上再加入收缩因子法,给出了这两种策略下函数的在线性能、离线性能变化图。为指导参数选取,用图示方式给出了不同参数组合对收敛性的影响。结论是：采用线性递减惯性权重策略加上收缩因子法比单独采用线性递减惯性权重策略的收敛性能好。若取固定惯性权重w,则w越小,收敛速度越快。     

动态调整惯性权重的粒子群算法优化

为了优化目前粒子群算法比较容易陷入局部最优、后期收敛过慢等的缺陷,在本文提出了一种改进惯性权重参数来优化算法的方法.其中结合了差分进化算法中的变异算子的操作来提升算法的自适应并且对算法的速度和搜索空间进行边界限制以防止粒子跳出所规定的搜索空间.选择相应的测试函数,使用Matlab软件将提出的改进算法与其他两种算法进行仿真实验对比,结果表明,本文所提出的算法在后期收敛速度以及取得适应度值的稳定性上有一定的提升.     

基于群评价的带变异粒子群算法

粒子群算法是一类有效的随机全局优化算法,但是经典PSO算法容易陷入局部最小值。提出了一种新的带变异自适应参数调整PSO算法,通过引入粒子群评价,根据粒子群的整体性能评价对PSO算法的所有参数动态调整,使前期能够快速搜索;同时对粒子本身找到的最优解以动态调整概率进行变异去保证粒子的多样性,防止后期陷入局部极小。对三个常用测试函数的数值仿真结果显示了该算法的有效性。