新的混沌粒子群优化算法

针对传统粒子群算法初期收敛较快,而在后期容易陷入早熟、局部最优的特点,提出了一种新的混沌粒子群优化算法,不同于己有的混沌粒子群算法的简单粒子序列替换,该算法将混沌融入到粒子运动过程中,使粒子群在混沌与稳定之间交替运动,逐步向最优点靠近。并提出了一种新的混沌粒子群数学模型,进行了非线性动力学分析。数值测试结果表明该方法能跳出局部最优,极大提高了计算精度,进一步提高了全局寻优能力。     

一种新的混沌粒子群优化算法

针对粒子群优化算法(PSO)缺少跳出局部最优的机制而易出现早熟问题,提出一种新的混沌粒子群优化算法(NCPSO).该算法引入混沌扰动更新粒子的位置,避免搜索陷入局部最优,再嵌入判断早熟停滞的方法,一旦检测到早熟现象,使用逃逸策略来增大粒子群的多样性.最后用3个常用的测试函数进行仿真,实验结果表明:NCPSO算法比PSO算法、CPSO算法有更高的寻优精度和更快的收敛速度.     

引入模式搜索算子的粒子群优化算法

针对粒子群优化算法(PSO)在解决复杂的高维优化问题时容易陷入局部最优和收敛速度慢的问题,结合模式搜索算法较强的局部搜索能力,提出一种引入模式搜索算子的粒子群优化算法(HJPSO).为避免最优粒子陷入局部最优而导致整个种群出现搜索停滞,在PSO算法的迭代过程中加入判断粒子陷入局部最优的机制,当检测到早熟停滞迹象时,使用模式搜索算子对整个粒子群当前搜索到的历史最优位置进行模式搜索以帮助算法跳出局部最优点.标准测试函数的运行结果表明,该算法具有较强的跳出局部最优的能力,收敛速度较快,稳定性好.     

基于交叉和自适应权重的混合粒子群优化算法

针对粒子群算法易陷入"局部最优解"和搜索精度逐渐降低的缺点,提出了基于交叉和自适应权重的混合粒子群优化算法.加入的交叉操作使得种群在粒子数目不变的情况下多样性得以维持,而自适应权重有效地平衡了整个算法的全局与局部搜索能力.通过函数测试实验表明,新的算法能够避免早熟收敛问题,有效地提高了其寻优能力.     

一种新的数字调制信号分类特征选择算法

针对调制信号分类特征选择问题,提出了自适应惯性权重模拟退火二进制离散粒子群算法。该算法将模拟退火算法嵌入到离散粒子群算法循环体中,利用模拟退火算法具有较强的局部搜索能力和避免陷入局部最优解的特点,解决了简单智能优化算法早熟收敛和局部搜索能力弱等问题。仿真结果表明,该算法能有效选取最优特征,性能优于简单离散粒子群算法和遗传算法。     

基于混沌粒子群的IDS告警聚类算法

为了提高入侵检测系统(IDS)的告警质量,减少冗余报警,提出了一种基于混沌粒子群优化的IDS告警聚类算法。算法将混沌融入到粒子运动过程中,使粒子群在混沌与稳定之间交替运动,逐步向最优点靠近。该算法能够克服粒子群算法的早熟、局部最优等缺点,指导聚类中心寻找到全局最优解。通过理论分析与实验测试,验证了该算法在入侵检测系统中,能够大量减少告警数量,提高告警质量,具有较高的检测率和较低的误报率。     

改进的粒子群优化算法用于方向图阵列综合

为了克服粒子群优化算法早熟收敛,本文提出了一种改进的小波变异粒子群优化算法,由于该算法每次迭代时以一定的概率选中粒子进行小波变异扰动,能够克服算法后期易发生早熟收敛和陷入局部最优的缺点。同时将改进的算法应用于天线阵列方向图综合问题中,综合效果好于现有文献。     

混沌粒子群优化粒子滤波算法

针对基于粒子群优化算法的粒子滤波计算复杂度大,并且容易陷入局部最优,提出了一种新的基于混沌的粒子群优化粒子滤波算法。该算法在粒子群优化的基础上,引入混沌序列,利用混沌运动的遍历性、随机性等特点改善了初始样本的质量,同时利用混沌扰动避免搜索过程陷入局部最优,使算法具有更快的收敛速度和更好的全局搜索能力。最后利用UNGM模型将该算法与标准粒子滤波和粒子群粒子滤波进行仿真对比,并利用纯角度目标跟踪模型验证了算法的有效性。实验结果表明,该算法改善了粒子群优化算法的粒子滤波易陷入局部最优的现象,提高了粒子滤波的精度和速度,具有较高的应用价值。     

一种新的粒子群优化的图像匹配算法

针对粒子群算法在图像匹配中易陷入局部最优、搜索速度慢以及匹配精度不高的问题,提出一种新的粒子群优化的图像匹配算法。首先,以改进的非线性惯性权重对粒子群算法进行优化,以此来平衡粒子在全局和局部的搜索能力;其次,提出添加动态扰动项对速度进行扰动,避免粒子在算法后期速度停滞为零而陷入局部最优。仿真结果表明,该算法提高了粒子的全局搜索能力和收敛精度,有效防止早熟现象,与基于标准的PSO图像匹配算法相比,所提算法具有收敛速度快、鲁棒性好以及匹配精度高的特点。     

自适应变异的粒子群优化算法

本文提出了一种新的基于群体适应度方差自适应变异的粒子群优化算法(AMPSO).该算法在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力.对几种典型函数的测试结果表明:新算法的全局收搜索能力有了显著提高,并且能够有效避免早熟收敛问题.     

A New Class of Hybrid Particle Swarm Optimization Algorithm

A new class of hybrid particle swarm optimization （PSO） algorithm is developed for solving the premature convergence caused by some particles in standard PSO fall into stagnation. In this algorithm, the linearly decreasing inertia weight technique （LDIW） and the mutative scale chaos optimization algorithm （MSCOA） are combined with standard PSO, which are used to balance the global and local exploration abilities and enhance the local searching abilities, respectively. In order to evaluate the performance of the new method, three benchmark functions are used. The simulation results confirm the proposed algorithm can greatly enhance the searching ability and effectively improve the premature convergence.     

基于天牛须算法的粒子群算法在PID参数整定上的应用

PSO虽然被广泛应用于包含PID参数整定等各种寻优问题中,但是传统粒子群算法在某些场合收敛速度慢且较容易陷入局部最优值。针对这些问题,文中提出一种将新型高效BAS融合进PSO算法的全局寻优过程,该方法可以更好地跳出局部最优点。同时,由于BAS算法为单一个体的算法,易因为早熟收敛陷入局部最优,故将BAS和传统的PSO结合也增强了BAS的丰富度。在Schaffer函数进行的20次独立测试显示,该算法相对于传统PSO和BAS取得了较好的寻优结果。最后,将算法应用到不稳定对象的PID参数寻优中,结果显示相对于PSO和改进PSO算法,新算法下的ts、tr、IAE、ISE等各项指标均得到了提高。     

基于混合PSO算法的加速度计快速标定

针对粒子群优化算法(PSO)在加速度计标定中存在早熟及陷入局部最优的不足,提出了基于差分进化(DE)的双种群信息共享及并行进化的混合PSO算法,并将该算法应用于加速度计快速标定。为提高混合算法的优化性能,提出了一种平衡DE算法全局探索和局部开发能力的加权变异算子,将Logistic函数的非线性特性引入到PSO算法惯性权重和DE算法加权系数的动态调整中。基准测试函数仿真表明所提出的混合算法在收敛速度、收敛精度、全局搜索性能和鲁棒性等方面明显优于PSO、DE算法;加速度计标定仿真结果表明,提出的混合算法能有效提高加速度计的标定精度。     

Adaptive Multi-layer Particle Swarm Optimization with Neighborhood Search

Particle swarm optimization (PSO) has shown a good performance on solving global optimization problems.Traditional PSO has two main drawbacks of premature convergence and low convergence speed,especially on complex problems.This paper presents a new approach called Adaptive multi-layer particle swarm optimization with neighborhood search (AMPSONS),where the traditional PSO is improved by employing an adaptive multi-layer search and neighborhood search strategy to achieve a trade-off between exploitation and exploration abilities.In order to evaluate the performance of the proposed AMPSONS algorithm,the performance of AMPSONS is compared with five other PSO family algorithms,namely,CLPSO,DNLPSO,DNSPSO,global MLPSO and local MLPSO on a set of benchmark functions.The comparison results show that AMPSONS has a promising performance on majority of the test functions.     

合作式粒子群优化算法

针对粒子群优化(PSO)算法随着维数增加而导致的收敛速度慢,容易陷入局部最优的问题,提出了一种合作式粒子群(CPSO)算法。通过多粒子群不同的组态向量合作,显著改善了标准算法的早熟问题。利用标准测试函数对CPSO算法、协同进化遗传算法(CCGA)、遗传算法(GA)、PSO算法进行比较测试,结果表明,CPSO算法在多个基准优化问题方面显示了较佳性能。     

基于多尺度选择性学习和探测-收缩机制的PSO算法

针对粒子群算法逃离局部最优能力差、易早熟收敛、求解精度低等缺点,提出了一种具有多尺度选择性学习和探测-收缩机制的PSO 算法.在多尺度选择性学习机制中,粒子根据其自身进化状态在拓扑结构、邻居个体、目标变量维等多个尺度上进行选择性学习,提升粒子个体的学习效率;在探测-收缩机制中,算法利用历史信息指导种群最优解进行探测,提高其逃离局部最优的能力,当判断种群历史最优解处于全局最优解附近时,执行空间收缩策略,将种群的搜索空间限定在较小的一个区域,增强算法的开采能力,提高算法的求解精度.通过和其它PSO算法在22个典型测试函数的实验对比表明,本算法能有效克服早熟收敛、加快收敛速度、提高求解精度.     

WSNs布局的粒子进化的多粒子群优化策略

在粒子进化的多粒子群算法基础上,提出了一种无线传感网络节点布局的优化策略.该策略通过多个粒子群彼此独立地搜索解空间,提高了算法的寻优能力,有效地避免了"早熟"问题,提高了算法的稳定性.仿真实验表明,与传统的粒子群算法相比,该算法有效覆盖率由75.36%提高到80.96%,收敛速度提高了19.4%.因此粒子进化的多粒子群优化策略具有比传统的粒子群算法更好的优化效果.