Opposition-Based Differential Evolution

Evolutionary algorithms (EAs) are well-known optimization approaches to deal with nonlinear and complex problems. However, these population-based algorithms are computationally expensive due to the slow nature of the evolutionary process. This paper presents a novel algorithm to accelerate the differential evolution (DE). The proposed opposition-based DE (ODE) employs opposition-based learning (OBL) for population initialization and also for generation jumping. In this work, opposite numbers have been utilized to improve the convergence rate of DE. A comprehensive set of 58 complex benchmark functions including a wide range of dimensions is employed for experimental verification. The influence of dimensionality, population size, jumping rate, and various mutation strategies are also investigated. Additionally, the contribution of opposite numbers is empirically verified. We also provide a comparison of ODE to fuzzy adaptive DE (FADE). Experimental results confirm that the ODE outperforms the original DE and FADE in terms of convergence speed and solution accuracy.     

Enhancing particle swarm optimization using generalized opposition-based learning

Particle swarm optimization (PSO) has been shown to yield good performance for solving various optimization problems. However, it tends to suffer from premature convergence when solving complex problems. This paper presents an enhanced PSO algorithm called GOPSO, which employs generalized opposition-based learning (GOBL) and Cauchy mutation to overcome this problem. GOBL can provide a faster convergence, and the Cauchy mutation with a long tail helps trapped particles escape from local optima. The proposed approach uses a similar scheme as opposition-based differential evolution (ODE) with opposition-based population initialization and generation jumping using GOBL. Experiments are conducted on a comprehensive set of benchmark functions, including rotated multimodal problems and shifted large-scale problems. The results show that GOPSO obtains promising performance on a majority of the test problems.     

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。     

独立自适应调整参数的粒子群优化算法

针对传统粒子群优化算法在求解复杂优化问题时易陷入局部最优和依赖参数的取值等问题,提出了一种独立自适应参数调整的粒子群优化算法。算法重新定义了粒子进化能力、种群进化能力以及进化率,在此基础上给出了粒子群惯性权重及学习因子的独立调整策略,更好地平衡了算法局部搜索与全局搜索的能力。为保持种群多样性,提高粒子向全局最优位置的收敛速度,在算法迭代过程中,采用粒子重构策略使种群中进化能力较弱的粒子向进化能力较强的粒子进行学习,重新构造生成新粒子。最后通过CEC2013中的10个基准测试函数与4种改进粒子群算法在不同维度下进行测试对比,实验结果验证了该算法在求解复杂函数时具有高效性,通过收敛性分析说明了算法的有效性。     

一种动态调整惯性权重的粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖于参数的选取等缺点,提出了一种非线性指数惯性权重粒子群优化算法(Exponential Inertia Weight in Particle Swarm Optimization,EIW-PSO)。在每次迭代的过程中, 采用粒子最大适应值和最小适应值的指数函数来动态调整 算法中的惯性权重,更有利于算法在寻优过程中跳出局部最优;同时,引入随机因子以确保种群的多样性,使粒子更快地收敛到全局最优位置。为了验证该算法的寻优性能,通过8个基准测试函数将标准PSO、线性递减惯性权重LDIW-PSO、均值自适应惯性权重MAW-PSO在不同维度和种群规模下进行测试比较。实验结果表明,提出的EIW-PSO算法具有更快的收敛速度和更高的求解精度。     

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。     

粒子群优化算法的分析与改进

分析了惯性权值对粒子群优化(PSO)算法优化性能的影响，进而提出选择惯性权值的新策略．在随机选取惯性权值的同时，自适应地调整随机惯性权值的数学期望，有效地调整算法的全局与局部搜索能力．测试表明基于随机惯性权(RIW)策略的PSO算法，其全局搜优的速率与精度有明显提高．     

基于局部搜索的反向学习竞争粒子群优化算法

为提升粒子群优化算法在复杂优化问题,特别是高维优化问题上的优化性能,提出一种基于Solis&Wets局部搜索的反向学习竞争粒子群优化算法(solis and wets-opposition based learning competitive particle swarm optimizer with local se...     

多策略协同进化粒子群优化算法

为了提高粒子群优化(PSO)算法的优化性能, 提出了一种多策略协同进化PSO(MSCPSO)算法。该方法引入了多策略进化模式和多子群协同进化机制, 将整个种群划分为多个子群, 每个子群中的粒子按照不同的进化策略产生新的粒子。子群周期性地更新共享信息, 以加快算法的收敛速度。通过六个基准函数实验, 仿真结果表明, 新算法在计算精度和收敛速度方面均优于其他七种PSO算法。     

一种单个粒子自适应修正的粒子群算法

在各类优化问题的解决过程中,群智能优化算法的局部搜索与全局搜索性能都起着重要的作用。在粒子群优化算法中,惯性权值的引入对粒子群算法的收敛性与稳定性都具有一定的影响。因此,在分析现有权值递减策略的基础上,提出一种基于单个粒子适应值的权值修正策略,区别对待同次迭代中适应值好与差的粒子,通过不同的权值赋值策略,以充分发挥各粒子的优势,以增强全局搜索和跳出局部最优的能力。通过对标准测试函数所做的对比实验,该策略可以使粒子在搜索初期获得更好的多样性,使粒子具有更强的摆脱陷入局部极值点的能力;在搜索末期可以加快粒子收敛速度以提高粒子群优化算法的快速性能。改进算法有效减少了早熟的发生,提高了粒子的收敛性能,取得了比较满意的仿真结果。     

一种改进的简化粒子群优化算法

针对粒子群优化算法(PSO)容易陷入局部极值、进化后期收敛速度慢和精度低等缺点,提出了一种改进的简化粒子群优化算法(YSPSO)。该算法采用黄金分割法平衡惯性与经验之间的相互影响;同时,为避免错过全局最优值,增加反向随机惯性权重,使粒子在一定程度上具有反向搜索的能力。最后,对几个经典基准测试函数进行实验,结果表明,YSPSO算法在提高算法收敛速度和精度的同时,降低了陷入局部极值的可能性,提高了PSO算法的实用性。     

一种均衡各速度项系数的多目标粒子群优化算法

粒子群优化算法已成为求解多目标优化问题的有效方法之一,而速度更新公式中的惯性、局部和全局3个速度项的系数的动态合理设置是算法优化效率的关键问题。为解决现有算法仅单独设置各速度项系数导致优化效率不高的问题,提出了一种均衡各速度项系数的多目标粒子群优化算法。该方法旨在通过粒子的局部最优和全局最优的信息来引导种群的进化方向,动态调整每一个粒子速度项系数来均衡惯性、局部和全局3个速度项在搜索中的作用,从而更为准确地刻画算法的搜索能力和搜索精度,更好地平衡算法的探究和探索能力,进一步提高粒子群优化算法解决复杂多目标优化问题的效率。在7个标准测试函数上进行实验,并与5种经典的进化算法进行对比,结果表明新算法在综合指标IGD以及多样性评估指标Δ评分上具有更好的收敛速度和分布性,验证了新算法的有效性。     

带有权重函数学习因子的粒子群算法

粒子群算法(PSO)中惯性权重和学习因子的独自调整策略削弱了算法进化过程的统一性和粒子群的智能特性,很难适应复杂的非线性优化,为此提出一种利用惯性权重来控制学习因子的PSO算法。该算法将学习因子视作惯性权重的线性、非线性以及三角函数,在惯性权重随时间线性或非线性递减的过程中,学习因子发生相应的递减或递增变化,进而通过增强两者之间的相互作用来平衡算法的全局探索和局部开发能力,更好地引导粒子进行优化搜索。同时为了分析惯性权重和学习因子的融合性能,采用线性和非线性权重法进行比较,测试函数的优化结果表明了采用非线性递减权重的优越性。最后通过对多个基准测试函数的优化分析,并与带有异步线性变化和三角函数学习因子调整方法的PSO进行比较发现,该策略利用惯性权重调整学习因子,能达到平衡粒子个体学习能力和向群体学习能力的作用,提高了算法的优化精度。     

一种新的位置变异的PSO算法

针对标准粒子群优化算法在优化高维复杂函数时易产生早熟收敛的问题,提出一种新的位置变异的PSO算法。为平衡算法的全局和局部搜索能力,新算法按一定概率交替使用随机惯性权重和标准PSO算法的惯性权重;为增强种群多样性和抑制算法早熟,新算法在每次迭代中,对满足一定条件的粒子都进行一种有效脱离局部最优区域的位置变异。最后,通过对5个标准测试函数在60维和90维的性能对比实验证实：新算法收敛精度高,且有效克服了早熟收敛问题。     

微粒群算法中惯性权重的调整策略

惯性权重是微粒群算法中的关键参数,可以平衡算法全局搜索能力和局部搜索能力的关系,提高算法的收敛性能。该文分析了惯性权重对微粒群算法收敛性能的影响,为了进一步提高算法的全局最优性,提出了几种对惯性权重的调整策略。通过对4个测试函数的仿真实验,验证了这些策略的可行性,表明这些策略能够简便高效地提高算法的全局收敛性和收敛速度。     

应用反向学习和差分进化的群搜索优化算法

针对标准群搜索优化算法在解决一些复杂优化问题时容易陷入局部最优且收敛速度较慢的问题,提出一种应用反向学习和差分进化的群搜索优化算法(Group Search Optimization with Opposition-based Learning and Diffe-rential Evolution,OBDGSO)。该算法利用一般动态反向学习机制产生反向种群,扩大算法的全局勘探范围;对种群中较优解个体实施差分进化的变异操作,实现在较优解附近的局部开采,以改善算法的求解精度和收敛速度。这两种策略在GSO算法中相互协同,以更好地平衡算法的全局搜索能力和局部开采能力。将OBDGSO算法和另外4种群智能算法在12个基准测试函数上进行实验,结果表明OBDGSO算法在求解精度和收敛速度上具有较显著的性能优势。     

混沌惯性权值调整策略的粒子群优化算法

粒子群优化算法是一种新颖的智能优化算法。惯性权值对粒子群优化算法的性能有着重要的影响。在分析已有的惯性权值调整策略的基础上,提出了混沌惯性权值调整策略,该策略将惯性权值用一个混沌变量来描述。标准测试函数实验表明,在不影响优化结果精度的情况下,混沌惯性权值调整策略的粒子群优化算法收敛速度较已有方法有了明显的提高。     

Grey particle swarm optimization

With the help of grey relational analysis, this study attempts to propose two grey-based parameter automation strategies for particle swarm optimization (PSO). One is for the inertia weight and the other is for the acceleration coefficients. By the proposed approaches, each particle has its own inertia weight and acceleration coefficients whose values are dependent upon the corresponding grey relational grade. Since the relational grade of a particle is varying over the iterations, those parameters are also time-varying. Even if in the same iteration, those parameters may differ for different particles. In addition, owing to grey relational analysis involving the information of population distribution, such parameter automation strategies make an attempt on the grey PSO to perform a global search over the search space with faster convergence speed. The proposed grey PSO is applied to solve the optimization problems of 12 unimodal and multimodal benchmark functions for illustration. Simulation results are compared with the adaptive PSO (APSO) and two well-known PSO variants, PSO with linearly varying inertia weight (PSO-LVIW) and PSO with time-varying acceleration coefficients (HPSO-TVAC), to demonstrate the search performance of the grey PSO.     

一种惯性权重动态调整的新型粒子群算法

在简要介绍基本PSO算法的基础上,提出了一种根据不同粒子距离全局最优点的距离对基本PSO算法的惯性权重进行动态调整的新型粒子群算法（DPSO）．并对新算法进行了描述。以典型优化问题的实例仿真验证了DPSO算法的有效性。     

基于Cubic映射的灰狼优化算法及应用

针对标准的灰狼优化算法GWO对于复杂优化问题的求解易陷入局部最优的缺点,从混沌初始化和非线性控制策略2个角度,提出一种基于Cubic映射和反向学习的灰狼优化算法COGWO。首先,利用Cubic映射和反向学习策略对种群进行初始化,并通过非线性参数控制策略来调节寻优过程中的参数;然后,对6种基准测试函数进行寻优实验,实验结果表明,COGWO算法具有更好的收敛精度、收敛速度和稳定性;最后,将COGWO算法应用到了实际的工程优化问题中。