基于免疫分裂算子的粒子群优化算法

针对粒子群优化(particle swarm optimization,PSO)易收敛于局部最优的缺点,提出了一种基于免疫分裂算子的PSO.该算法在初始化时,运用正交的思想,使得粒子分布均匀;在进化时,提出了一种基于速度与位置的亲和度,当粒子相似度满足要求时,才对粒子进行免疫变换,并且变异操作只针对性能较差的粒子.这样在保证粒子多样性的基础上减少了运算量提高了收敛速度.在Matlab环境下对Rosenbrock函数、Rastrigrin函数、Gdewank函数3个多峰函数进行了仿真验证,实验结果表明,改进的PSO算法能够有效地达到全局最优.     

基于吸引排斥机制的粒子群优化算法

针对标准粒子群优化算法在处理复杂函数优化问题时容易陷入局部最优、收敛精度低的缺点,提出了一种改进的PSO算法,该算法把生物学中的吸引排斥思想引入到PSO算法中,充分利用粒子间的相互影响,修正了其速度更新公式,从而维持了群体的多样性,增强了粒子跳出局部最优解的能力。实验仿真结果表明,改进的PSO算法提高了进化后期的收敛速度,有效避免了PSO算法的早熟收敛问题,而且具有较高的收敛精度。     

一种基于竞争策略的粒子群优化算法

为提高粒子群优化(Particle Swarm optimization,PSO)算法的收敛精精度与速度,提出了一种基于竞争策略的粒子群优化算法.算法通过对两粒子相似度的判定,来决定是否对粒子进行变换操作,能够提高粒子的多样性,避免局部最优,提高了收敛精度,片且当两个粒子被判定为同一个粒子时,根据适者生存的思想,适应度较优的粒子保留下来,适应度较差的粒子则需进行高斯变异变换,在保证粒子多样性的基础上减少了运算量,提高了收敛速度.并且通过多峰函数(Achley函数、Schaffer函数、Grienwank函数)验证,结果表明,改进后的粒子群优化算法在收敛精度与收敛速度方面都优于基本的粒子群优化算法.     

一种基于粒子对称分布多样性的PSO算法

粒子群算法(PSO)在演化的过程中种群多样性越来越差,容易陷于局部最优。为了克服这一缺点,提出一种基于粒子对称分布多样性的改进PSO算法(sdPSO)。对粒子在空间分布的研究发现,粒子在最优解周围更对称的分布可大大提高算法收敛到全局最优解的概率。提出一种种群多样性函数表示方法,并在标准粒子群算法中引入多样性调节算法。由于种群多样性被不断调整,粒子在空间中的分布在对称与非对称之间反复变换,使得改进算法能搜索到更广泛的区域。通过benchmark函数实验仿真,改进sdPSO算法与标准粒子群算法相比,能达到更高的收敛精度。     

具备反向学习和局部学习能力的粒子群算法

为解决粒子群优化（Particle Swarm Optimization,PSO）算法中存在的种群多样性和收敛性之间的矛盾,该文提出了一种具备反向学习和局部学习能力的粒子群优化算法（Reverse-learning and Local-learning PSO,RLPSO）。该算法保留了初始种群中满足排异距离要求的多个较差粒子以及每个粒子的历史最差位置。当检测到算法陷入局部最优时,利用这些较差粒子的位置信息指导部分粒子以较快飞行速度进行反向学习,将其迅速牵引出局部最优区域。反向学习过程可改善粒子种群的多样性,保证了算法的全局探测能力;同时,利用较优粒子间的差分结果指导最优粒子进行局部学习与搜索,该过程可与粒子群的飞行过程并行执行,且局部学习的缩放因子可随进化过程动态调节。局部学习可提高算法的求解精度,保证算法的迅速收敛。实验结果表明,RLPSO 算法同其他 PSO 算法相比,在高维函数优化中具有收敛速度快、求解精度高的特点。     

基于自适应驱散机制的粒子群优化算法

为克服粒子群优化算法（PSO）易陷入局部最优导致早熟收敛的问题,提出了一种新型的基于自适应驱散机制的粒子群优化（ADMPSO）算法。基本的粒子群优化算法易陷入局部最优,一般的改进算法在搜索过程之中对个体最优和全局最优结果进行调整,虽然避免了粒子群陷入局部最优,但会很大程度减慢收敛速度。提出的改进算法只有在种群快要陷入局部最优时,才会对粒子群进行有效驱散,这样不仅保证了收敛速度,又不会使粒子群陷入局部最优。对维度30的12个标准测试函数进行测试的结果表明ADMPSO算法相较于经典粒子群（General PSO,GPSO）算法、综合学习粒子群优化算法（Comprehensive Learning PSO,CLPSO）算法和动态多粒子群协调搜索优化算法（Dynamic Multi-Swarm PSO with sub-regional Harmony Search,DMS-PSO-HS）,可以更有效避免陷入局部最优,稳定地找到最优值,同时又能保证一定的收敛速度。ADMPSO算法不容易陷入局部最优和迭代次数更少的特点使得PSO算法更加实用化。     

一种催化粒子群算法及其性能分析

针对粒子群算法（PSO）在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种新颖的混合算法—催化粒子群算法（CPSO）。在CPSO优化过程中,种群中的粒子始终保持其个体历史最优值pbests。CPSO种群更新由改造PSO、横向交叉以及垂直交叉三个搜索算子交替进行,其中,每个算子产生的中庸解均通过贪婪思想产生占优解pbests,并作为下一个算子的父代种群。在CPSO中,纵横交叉算法（CSO）作为PSO的加速催化剂,一方面通过横向交叉改善PSO的全局收敛性能,另一方面通过纵向交叉维持种群的多样性。对6个典型benchmark函数的仿真结果表明,相比其它主流PSO变体,CPSO在全局收敛能力和收敛速率方面具有明显优势。     

基于遗传算子的改进粒子群优化算法

为了克服PSO算法容易陷入局部最优的缺陷,提出一种基于遗传算子的改进PSO算法。该算法借鉴常规的遗传算法中的选择交叉操作,在优化搜索过程中更新粒子的位置时,进行交叉操作,可以扩大全局搜索范围,避免局部最优,提高粒子的多样性。对改进后的算法使用几个典型的测试函数进行了仿真实验,实验结果表明,相比于标准PSO该算法的全局搜索能力和收敛精度都有较大提高,有效地改善了优化性能。     

具有快速收敛和自适应逃逸功能的粒子群优化算法

为了克服标准粒子群优化算法(PSO)后期收敛速度慢、容易陷入局部最优等缺点,借鉴人工蜂群算法的思想,提出了一种提高收敛速度并且带有自适应逃逸功能的粒子群优化算法(FAPSO)。算法中每进化一次粒子搜索两次：一次全局搜索,一次局部搜索。当粒子陷入局部最优时,通过逃逸功能使粒子重新搜索。8个经典基准测试函数仿真结果表明,改进的粒子群优化算法在收敛速度和寻优精度上均有提高,相对于目前常用的改进粒子群优化算法如CLPSO等,t检验结果说明,新算法具有明显的优势。     

结合质心思想和柯西变异策略的粒子群优化算法

针对基本粒子群优化（PSO）算法收敛精度低、容易陷入局部最优的问题,提出了一个结合质心思想和柯西变异策略的粒子群优化算法。首先,在粒子的初始化阶段采用混沌初始化策略,以提高初始粒子的均匀分布能力;其次,为了提高粒子群的收敛速度和寻优能力,引入了质心的概念,通过计算获得种群中所有粒子所构成的全局质心和所有个体极值构成的个体质心,使得粒子群内部可以实现充分的信息共享;为避免粒子陷入局部最优解,在粒子群算法中引入了柯西变异运算对当前最优粒子进行扰动,并依据柯西变异运算的规律,适应性地调整扰动步长,该算法以群体多样性为依据,动态调整惯性权重;最后,使用7个经典的测试函数对算法进行验证,通过函数运行结果的均值、方差和最小值能够表明,新算法在收敛精度上有较好的优越性。     

基于聚集度控制的PSO算法研究

针对粒子群优化（PSO）算法在处理复杂优化问题时,容易早熟收敛的问题,将比例控制器用于粒子群算法种群聚集度控制．粒子种群可以在任一聚集范围内保持任意时间的搜索,这样能够更好地平衡种群聚集度和搜索精度,从而提高PSO算法处理复杂优化问题的效率．对多零点和低旁瓣约束情况下的阵列天线方向图优化进行仿真实验,结果表明所提算法可在处理复杂优化问题上取得更好的优化效果．     

具有高斯扰动的局部引导粒子群优化算法

为解决粒子群优化算法PSO存在的早熟收敛问题,提出了一种具有高斯扰动的局部引导粒子群优化算法(LGPSO)。该算法在粒子的速度更新公式上采取两种措施改进PSO:一是移除社会认知部分,使粒子仅受局部引导;二是增加全局最优粒子控制的高斯扰动项。两种改进措施相结合,可有效解决早熟收敛的问题,加快收敛的速度。本文算法通过与经典及新近改进PSO算法的多次对比实验测试,均展现出较好的寻优性能及稳定性。两种改进措施的效果分析实验测试数据和社会认知项与高斯扰动项的对比实验测试数据也进一步验证了本文算法的有效性。     

全变异粒子群优化算法

针对粒子群优化算法容易早熟、收敛精度低等缺点,通过采用全变异策略、最大搜索速度自适应调整等策略得到了一种全变异粒子群优化算法,其中的全变异策略是在陷入早熟的条件下全体粒子参加变异,并且当把粒子看成染色体时,每一个基因等概率地参加变异,可以克服算法的早熟而继续优化,提高了算法的收敛精度。对Shubert函数进行实验的结果表明了算法的有效性。     

基于相似度的改进粒子群优化算法

针对粒子群算法易于过早收敛的不足,通过引入粒子间新的相似度的概念来度量粒子群的多样性程度,并用自适应变化阈值手段来控制调整粒子群算法的收敛速度,使其缓缓趋向于全局最优,在粒子群算法迭代过程中以相似度为基础,通过高斯等噪声扰动来重新调整粒子的位置从而避免算法陷入局部最优,从而得到了一种PSO算法的改进算法,实验和性能分析表明,新算法可以有效提高算法的全局搜索能力,并有效回避收敛早熟问题。     

一种改进的粒子群优化算法及其仿真

粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。     

一种高速收敛粒子群优化算法

针对粒子群优化算法早熟问题,提出一种克服早熟的高速收敛粒子群算法．该算法首先采用混沌序列初始化粒子位置,以增强搜索多样性;其次,在算法中嵌入有效判断早熟停滞的方法,一旦检索到早熟迹象,便随机地选择最优解任意一维的分量值,用一个随机值取代它,以扰乱粒子的当前搜索轨迹,使其跳出局部最优．大量仿真实验表明,大多数连续函数的寻优过程只需用几个粒子、迭代几十次便能完成,可实现全局寻优过程的高速收敛．     

基于改进粒子群优化算法的TSP问题研究

针对标准粒子群优化算法易出现问题,提出一种改进粒子群算法。该算法为不同的粒子分配不同的任务,对性能较好的粒子使用较小的惯性权重,对性能较差的粒子采用较大的惯性权重,惯性权重根据适应度函数自适应调整,更好地平衡算法的全局与局部搜索能力,提高算法的多样性与搜索效率。用14点TSP标准数据对算法性能进行测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。     

基于灰狼优化的反向学习粒子群算法

针对粒子群算法（PSO）易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法。     

具有量子行为的粒子群优化算法的改进

为改善基本粒子群的全局、局部搜索能力和收敛速度、计算精度,基于标准PSO算法和量子理论基础之上,提出一种改进的基于量子行为的PSO算法—WbQPSO算法。新算法中,采用全同粒子系更新位置,并引入混沌思想,对每个粒子进行混沌搜索,另外通过在Mbest_i中加入权重系数,试图改善粒子群的全局、局部搜索能力和收敛速度以及计算精度。对经典函数的测试计算表明：改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。