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。     

一种引入复合形算子的变异粒子群算法

针对粒子群算法存在的收敛速度较慢和早熟收敛两大难题提出了一种新的改进型粒子群算法：搜索初期由粒子群算法进行全局寻优,当判断粒子群体已经进入局部最优区域时,引入复合形算法迅速达到局部收敛,从而有效地提高粒子群算法的局部搜索能力。同时引入自适应变异惯性权重提高摆脱局部最优的能力,增加种群的多样性。通过典型优化函数的实验验证,该算法是一种兼顾局部性能和全局搜索能力的高效算法。     

基于进化状态判定的模糊自适应二进制粒子群优化算法

随着迭代过程的推进,二进制粒子群算法容易陷入局部最优解,后期收敛性较差.针对此缺点,文中提出基于进化状态判定的模糊自适应二进制粒子群优化算法.采用隶属函数进行模糊分类的方法,判定种群进化状态.在迭代过程前期采用S形映射函数和较大的惯性权重值,提高收敛速度,保证算法的稳定性.后期采用V形映射函数和动态增减的惯性权重值,增强算法后期全局探索能力,避免其陷入局部最优.仿真实验表明,文中算法的收敛速度较快,精度较高,搜索能力较好,可以避免早熟现象.     

基于指数衰减惯性权重的分裂粒子群优化算法

针对粒子群优化算法因种群多样性丧失而陷入局部最优、早熟收敛的问题,提出一种基于指数衰减惯性权重的分裂粒子群优化算法（EDW-DPSO）。首先,采用半均匀初始化种群,使种群以整体均匀、局部随机的方式分布;其次,引入动态分裂算子,对满足分裂条件的粒子执行分裂操作,增加种群多样性,避免粒子陷入局部最优;最后,采用指数衰减的惯性权重,平衡粒子全局搜索和局部开发能力。实验结果表明,该算法在前期有较大的搜索空间,种群多样性增加,后期则强调局部开发,提高收敛精度和优化能力,加快粒子跳脱局部极值逼近全局最优。     

采用异构搜索的多子群协同进化粒子群算法

针对传统的单种群粒子群优化算法易陷入局部最优、搜索精度低的问题,提出一种异构多子群粒子群算法。算法由自适应子群、精英子群和若干普通子群构成,精英子群由普通子群和自适应子群中的优秀个体组成,每个子种群采用不同策略进行进化,根据种群的早熟收敛程度和粒子的适应度值自适应地调整惯性权重,自适应子群根据普通子群的适应度值和速度自适应调整飞行方向,采用免疫克隆选择算子对精英子群进行精细搜索,普通子群、自适应子群与精英子群之间通过迁移操作实现信息的充分交流。针对典型的Benchmark 函数优化问题测试,仿真结果表明所提算法能较好地保持粒子多样性,收敛精度高且全局搜索能力强,具有良好优化性能。     

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。     

带变异算子的非线性惯性权重 PSO 算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法.该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力.当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力.用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度     

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。     

基于Sigmoid惯性权值的自适应粒子群优化算法

针对粒子群优化算法存在的缺点,提出了基于Sigmoid惯性权值的自适应粒子群优化算法。一方面,引入粒子群早熟收敛的计算公式,以指导算法在进化过程中的具体执行策略,有效避免计算的盲目性,加快算法的收敛速度;另一方面,通过设定粒子群聚集程度的判定阈值,以使算法在线性递减惯性权值和基于Sigmoid函数思想的非线性递减惯性权值之间进行自适应地动态调整,从而有效减少了算法陷入局部最优的可能。测试函数仿真结果表明了该算法的可行性和有效性。     

基于搜索空间可调的自适应粒子群优化算法与仿真

针对收缩因子粒子群优化(CPSO)算法易陷入局部最优和发生过早收敛的问题.提出了基于搜索空间可调的自适应粒子群优化(APSO)算法.该算法根据种群早熟收敛程度和个体适应值,在CPSO算法停滞时,将全部粒子有效地划分在3类不同的搜索空间,使种群始终保持搜索空间的多样性,易于跳出局部最优,从而有效地改善了CPSO算法后期的寻优能力.     

一种新的并行文化微粒群优化算法

为了避免微粒群优化算法在解决复杂优化问题时陷入局部最优,提高算法种群的多样性。将微粒群优化算法纳入文化算法框架,提出了一种新的基于文化算法框架的并行微粒群优化算法。在文化算法框架中,由微粒群组成的群体空间和信念空间各自独立并行演化,并相互影响,有效地提高了种群的多样性,降低了陷入局部极值的可能性。通过对不同测试函数的仿真实验表明,新提出的并行文化微粒群优化算法比标准微粒群优化算法更容易找到全局最优解,提高了微粒群优化算法的全局寻优能力。     

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。     

CW-PSO及其在古建筑传感器优化配置中的应用研究

针对粒子群优化算法容易陷入早熟收敛以及全局搜索和局部搜索平衡能力差等缺点,提出了基于余弦自适应调整惯性权重的粒子群优化算法(CW-PSO),并将其应用在木构古建筑传感器优化配置中。仿真结果表明,该算法在一定程度上避免了早熟收敛,提高了全局和局部搜索性能,又能得到较为精确的寻优结果。     

一种基于种群速度的自适应粒子群算法

分析了粒子群算法的收敛性,指出早熟是由于粒子速度降低而失去继续搜索可行解的能力.进而提出一种基于种群速度动态改变惯性权重的粒子群算法,该算法以种群粒子平均速度为信息动态改变惯性权重,避免了粒子速度过早接近0.通过5个标准测试函数的仿真实验并与其他算法相比,结果表明该算法在进化中期能很好地保持种群多样性,有效地改善算法的平均最优值和成功率.     

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。     

一种改进量子行为粒子群优化算法的移动机器人路径规划

为实现移动机器人最优路径规划,提出了一种改进量子行为粒子群的优化算法(LTQPSO)。针对粒子群算法存在过早收敛的问题,利用个体粒子进化速度与群体离散度来动态调整惯性权重,使惯性权重具有自适应性与控制性,从而避免过早收敛;同时将自然选择方法引入传统位置更新公式中,以保持种群的多样性,加强LTQPSO算法的全局搜索能力,加快算法的收敛速度;将改进后的LTQPSO算法应用于移动机器人路径规划中;最后通过理论仿真与移动机器人平台实验验证了该方法的有效性与可行性。     

混合粒子群算法及在可靠性优化中的应用

针对粒子群算法搜索精度低和早熟收敛的缺陷,通过算法混合,提出了基于混沌与和声搜索算法思想的混合粒子群优化算法。该算法采用Tent映射,利用混沌特性提高种群的多样性和粒子搜索的遍历性,同时采用和声策略对解空间进行开发,引入了柯西变异,帮助粒子跳出局部陷阱,采用云模型的自适应策略来调整惯性权重。最后将该优化算法应用于可靠性优化设计中,仿真实验表明,改进后的混合粒子群优化算法较基本粒子群算法收敛速度加快,且不易陷入局部极值点。     

基于二阶振荡及自然选择的随机权重混合粒子群算法

针对粒子群算法“早熟收敛”的缺点,提出一种混合粒子群算法.该算法采用最大速度线性递减的方法平衡全局寻优能力与算法收敛精度的矛盾,并用随机权重平衡算法的全局和局部搜索能力.学习因子二阶振荡使种群在粒子数目不变的情况下维持多样性,是提高全局搜索能力的主要方法.自然选择原理使算法改善了因二阶振荡和随机权重的加入而造成收敛速度降低的情况.测试实验表明,所提出的算法能避免早熟问题,有效地提高寻优能力.