基于不同进化模型的双群交换微粒群优化算法

针对标准微粒群优化算法(PSO)在全局优化过程中容易陷入局部极值的问题,分析了标准微粒群优化算法早熟收敛的原因,提出了一种新的基于不同进化模型的双群交换技术的改进微粒群优化算法.该方法将微粒分成两个大小相同的分群,其中第一分群采用标准PSO模型进化,第二分群采用cognition only模型进化.两个分群每选代一次后,将第一分群的适应值最差的微粒与第二分群的适应值最优的微粒进行交换,以提高种群的多样性,改善算法的收敛性.与其它双群算法相比,该算法概念简单,程序实现容易.与标准微粒群优化算法相比.全局寻优能力更强,函数测试结果表明,提出的双群交换微粒群优化算法的收敛性能明显优于标准PSO算法.     

基于熵模型的动态粒子群优化算法

受多种群并行寻优机制的启发,提出了一种基于熵模型的动态粒子群优化算法(entropy dynamic multiPSO,EDM-PSO)用于处理动态优化问题.将解空间划分为多个子空间,在每个子空间中利用熵模型增加种群多样性,多种群并行搜索,利用多点环境检测机制检测环境变化.对动态多峰benchmark优化问题进行了数值实验,并与其他几种动态优化算法进行了比较,结果表明:EDM-PSO算法对于处理动态优化问题具有优势.     

一种基于优胜劣汰的多粒子群替代优化算法的设计

微粒群算法是一种新颖的优化算法,已成功应用于许多优化问题,但该算法容易陷入局部极值.针对这种缺陷,提出了一种基于优胜劣汰的多粒子群替代算法,该算法先通过多个种群彼此独立地搜索解空间,增强全局搜索能力;各种群每次进化完成后,核心种群中的最差微粒与其他种群的最好微粒互相替代.通过对3种常用测试函数进行测试和比较,结果表明该算法比标准微粒群算法具有更低的平均最好适应值,可快速收敛到全局最优解,优化效率明显提高.     

基于广义粒子群优化模型的工艺规划方法研究

在广义粒子群优化模型基础上,结合工艺规划问题的特性,设计了求解工艺规划问题的改进广义粒子群优化算法.该算法采用当前粒子与个体极值库、种群极值库进行交叉操作的方式,使粒子能够从个体极值和种群中获取更新信息,引入变邻域搜索算法作为粒子的局部搜索策略.实例测试结果显示,与其他算法相比,本文算法在求解工艺规划问题时具有更高的求解效率和更好的稳定性.     

磁性材料成型烧结生产调度优化方法及应用

建立以最小化提前和拖期时间、最小化炉重偏差为目标的混合整数线性规划模型, 解决磁性材料成型-烧结两阶段生产调度问题. 提出一种混合粒子群优化算法(HPSO)进行模型的求解,该算法采用基于订单的编码方式. 针对粒子群算法易陷入局部最优, 在迭代过程中引入模拟退火思想. 改进粒子群算法的全局极值和个体极值选取方式, 使算法尽快收敛到非劣最优解. 生产现场实际数据仿真结果表明: 该混合粒子群算法无论在求解精度, 还是求解速度上均优于普通粒子群算法和遗传算法.     

Levy-CPSO-GA算法在空调冷负荷预测模型LSTM中的应用

针对单一算法优化空调冷负荷模型参数存在的局限性及对预测精度的需求，本文提出了基于遗传算法(genetic algorithm, GA)进化、莱维飞行(Levy)及粒子群(particle swarm optimization, PSO)优化算法的协同并行混合算法Levy-CPSO-GA。将初始种群初始化为2个同规模种群，分别按照合作机制和竞争机制并行更新，种群1采用Levy飞行产生随机新巢方式自适应初始化PSO,同时引入迭代极值，记录粒子群的信息交换；种群2按照GA更新，种群间通过适应度交流，以最优适应度更新群体，将混合算法应用于优化长短期预测模型(long short-term memory, LSTM),并将结果与各预测算法进行比较。研究结果表明，优化后的预测模型，预测精度大幅提高，与ELM相比，RMSE降低了81.1%;与LSTM模型相比，误差显著降低，RMSE降低了26.4%,在第105个预测点处，该预测模型的绝对误差为-0.682 9,相比于ELM的绝对误差值-7.313 5,其精度提高了90.66%,预测性能优于其他算法。该研究对准确预测冷负荷具有重要意义。     

改进粒子群优化算法及其在4G网络-基站选址中的应用

针对粒子群优化算法搜索精度不高、整体上容易陷入局部最小的不足,提出了一种改进的粒子群优化算法.该算法一方面在速度更新式中用粒子群中粒子个体极值的加权值替代粒子的个体极值,另外通过使用两种非线性递减函数对惯性权重进行调整,这种改进有效地提高了粒子群优化算法的收敛速度和全局寻优能力.然后,通过对4个基准函数的仿真,验证了本文改进算法的全局收敛寻优能力.最后,将本文改进算法应用于珠三角地区某市4G网络基站选址优化中.仿真和应用的结果表明,改进后的粒子群优化算法具有更高的收敛速度和全局寻优能力.     

基于动态种群的双重学习粒子群优化算法

粒子群算法的全局勘探能力和局部开发能力的不协调往往会导致算法收敛不精、陷入早熟。针对上述问题,提出了基于动态种群的双重学习粒子群优化算法(DP-DLPSO)。首先将粒子种群划分为勘探子种群和开发子种群,让两个子种群以不同的学习机制引导粒子运动,粒子处于寻优期间时,子群体间无信息交流,如果开发种群陷入局部最优也不会影响到勘探种群的寻优能力;其次,采用动态种群思想,勘探种群将会把好的粒子输送到开发种群中去,增加开发种群中有效解的几率,提高粒子的收敛精度;最后,对开发种群采用高斯扰动策略以提高粒子跳出局部最优的能力。将DP-DLPSO与5个改进粒子群算法进行比较,实验结果表明DP-DLPSO在收敛精度和收敛速度上具有更大的优势。     

一种适应度排序的高维多目标粒子群优化算法

针对高维多目标优化问题复杂度高,求解难度大的特点,提出了一种集成适应度排序的高维多目标粒子群优化算法.该算法通过获取种群中个体与参考点最近的向量,结合基于惩罚的边界交叉方法对种群中的个体进行排序,并对较差的个体进行删除,留下的精英个体被保存到外部档案中.将该算法与性能先进的4种高维多目标进化优化算法在13个标准测试实例...     

一种量子行为磷虾算法及其仿真分析

针对基本磷虾算法收敛效率低下,容易收敛到局部极值的缺点,基于协同进化和量子计算基本理论,提出一种量子行为磷虾算法,称为协同进化量子磷虾算法(cooperative evolution quantum krill herd algorithm,CEQKHA).该算法将磷虾种群划分为主种群和辅种群,各种群能够独立进化,并实现优良个体的交换.利用量子进化行为方式更新磷虾个体位置,引进delta势阱,将粒子势阱中心设置为最优个体位置,获取磷虾进化后的位置,并分别将主种群和辅种群个体采用不同的位置更新方式,提高种群勘探和开采的能力.对所提出的算法进行了收敛性分析,证明了所提出算法的收敛性能.最后利用基准函数进行了仿真对比分析,经仿真验证,所提出的CEQKHA能得到更优解,具备良好的优化性能.