基于K-均值聚类的协同进化粒子群优化算法

针对粒子群优化（PSO）算法优化高维问题时,易陷入局部最优,提出一种基于K-均值聚类的协同进化粒子群优化（KMS-CCPSO）算法。该算法通过引入K-均值算法扩大种群的局部搜索范围,采用柯西分布和高斯分布相结合的方法更新粒子的位置。实验结果表明,该算法具有较好的优化性能,其优势在处理高维问题上更为明显。     

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。     

自适应双群微粒群优化算法

针对微粒群优化算法PSO（Particle Swarm Optimization Algorithm）容易陷入局部最优点的缺陷,提出一种自适应双群微粒群优化算法（ATS-PSO）。该算法将种群分成两个子群,分别采用全局版本和局部版本两种不同的搜索策略,共同更新种群的历史最优解,并且在算法迭代期间根据群体适应值方差自适应调整两个子群的规模和结构。为了分析算法的性能,对几种典型的非线性函数进行了测试。结果表明,新算法的全局收敛能力有了明显改善,而且能有效缓解早熟收敛问题。     

引入萤火虫行为和Levy飞行的粒子群优化算法

粒子群优化（PSO）算法具有易陷入局部最小值和全局搜索能力差的缺陷,对PSO算法的改进大多只是在某一方面利用单一搜索策略进行改进,针对这种改进策略不能全面优化PSO算法性能的问题,提出一种引入萤火虫行为和Levy飞行的粒子群优化（FBLFPSO）算法。根据改进的自调节步长的萤火虫搜索策略改善PSO的局部搜索能力,避免PSO陷入局部最小值;后期利用Levy飞行策略增强种群多样性,提高PSO全局搜索能力,跳出局部最优解。仿真实验结果表明,与现有相关算法相比,FBLFPSO的全局搜索能力和搜索精度都有较大提高。     

基于竞争学习的粒子群优化算法设计及应用

针对传统PSO算法容易陷入局部最优的问题,提出一种基于竞争学习的粒子群优化算法(CLPSO);在CLPSO中,首先通过动态计算粒子的适应度值将种群分成优选、合理和疏离3个子群;其次,根据3个子群中粒子的进化特性,为3个子群分别设计了不同的更新变异方式;然后,利用12个基准测试函数对算法的性能进行了验证;实验结果表明,所提的竞争学习策略能够有效克服经典PSO算法在处理复杂多峰问题时容易陷入局部最优的缺陷;最后,利用CLPSO算法优化模糊神经网络的参数设计CLPSO-FNN算法,并利用其建立出水氨氮软测量模型,实验表明,CLPSO-FNN软测量模型能够更精确、更实时地测量出水氨氮浓度.     

电力系统机组组合问题的动态双种群粒子群算法

针对标准粒子群优化算法易陷入局部最优点的缺点,提出了动态双种群粒子群优化算法（DDPSO）。该算法中两个子种群规模随进化过程不断变化,进化中分别采用不同的学习策略且相互交换信息。将该算法应用于机组组合问题中,采用实数矩阵编码方法对发电计划进行编码,将两层优化问题转化为单层优化问题,直接运用DDPSO算法求解。仿真结果表明,用该方法解决机组组合问题具有良好的精度和鲁棒性。     

基于动态邻居拓扑结构的PSO算法

粒子群优化(PSO)算法在求解复杂的多峰问题时极易陷入局部最优解,通过分析种群多样性与局部最优解间的关系,提出一种基于动态邻居拓扑结构的粒子群算法。该算法在运行过程中,每间隔若干代,根据粒子间的距离更新每个粒子的邻居,该策略增加种群的多样性,进而提升粒子跳出局部最优解的能力。实验结果表明,该算法比其他PSO算法具有更好的性能。     

基于分层自主学习的改进粒子群优化算法

针对粒子群优化（PSO）算法容易陷入局部最优、收敛精度不高、收敛速度较慢的问题，提出一种基于分层自主学习的改进粒子群优化（HCPSO）算法。首先，根据粒子适应度值和迭代次数将种群动态地划分为三个不同阶层；然后，根据不同阶层粒子特性，分别采用局部学习模型、标准学习模型以及全局学习模型，增加粒子多样性，反映出个体差异的认知对算法性能的影响，提高算法的收敛速度和收敛精度；最后，将HCPSO算法与PSO算法、自适应多子群粒子群优化（PSO-SMS）算法以及动态多子群粒子群优化（DMS-PSO）算法分别在6个典型的测试函数上进行对比仿真实验。仿真结果表明，HCPSO算法的收敛速度和收敛精度相对给出的对比算法均有明显提升，并且算法执行时间和基本PSO算法执行时间差距在0.001量级内，在不增加算法复杂度的情况下算法性能更高。     

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。     

一种新的双予群PSO算法

提出一种新的双子群粒子群优化（PSO）算法。充分利用搜索域内的有效信息,通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围。在不增加粒子群规模的前提下,提高解高维最优化问题的精度,降低粒子群优化算法陷入局部最优点的风险。3种典型函数的仿真结果及与2种经典PSO算法的比较结果验证了该算法的有效性。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

一种高效粒子群优化算法

针对标准粒子群算法收敛速度慢和易出现早熟收敛等问题,提出一种高效粒子群优化算法．首先利用局部搜索算法的局部快速收敛性,对整个粒子群目前找到的最优位置进行局部搜索;然后,为了跳出局部最优,保持粒子的多样性,给出一个学习算子．该算法能增强算法的全局探索和局部开发能力．通过对10个标准测试函数的仿真实验并与其他算法相比较,结果表明了所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力,优化性能得到显著提高．     

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。     

基于事件触发的全信息粒子群优化器及其应用

针对标准粒子群优化算法存在早熟收敛和容易陷入局部最优的问题, 本文提出了一种基于事件触发的全信息粒子群优化算法(Event-triggering-based full-information particle swarm optimization, EFPSO). 首先, 引入一类基于粒子空间特性的事件触发策略实现粒子群优化算法(Particle swarm optimization, PSO) 的模态切换, 更好地维持了算法搜索和收敛能力之间的动态平衡. 然后, 鉴于引入历史信息能够降低算法陷入局部最优的可能性, 提出一种全信息策略来克服PSO算法搜索能力不足的缺陷. 数值仿真实验表明, EFPSO算法在种群多样性、收敛率、成功率方面优于其他改进的PSO算法. 最后, 应用EFPSO算法对变分模态分解(Variational mode decomposition, VMD)去噪算法进行改进, 并在现场管道信号去噪取得了很好的效果.     

改进的二阶振荡粒子群算法

针对粒子群算法易陷入局部最优等问题,分析了粒子群算法的进化方程,提出了一种改进的粒子群优化算法。算法在振荡环节采用互不相同的参数取值来调节粒子群算法的全局和局部搜索能力,并通过对测试函数和机器人路径规划问题仿真模拟,与标准PSO、标准二阶PSO、二阶振荡PSO算法的实验结果进行对比分析,验证了所提出算法的有效性和可行性。     

人工鱼群与微粒群混合优化算法*

针对人工鱼群算法局部搜索不精确、微粒群优化算法易发生过早收敛等问题,提出一种新的人工鱼群与微粒群混合优化算法。算法的主要思想是先利用人工鱼群的全局收敛性快速寻找到满意的解域,再利用粒子群算法进行快速的局部搜索,所得混合算法具有局部搜索速度快,而且具有全局收敛性能。最后,以五个标准函数和一个应用实例进行测试,测试结果表明,提出的算法在一定程度上避免了陷入局部极小,加快了收敛速度且提高了搜索精度。     

具有拓扑时变和搜索扰动的混合粒子群优化算法

粒子群优化（PSO）算法在求解复杂多峰函数时极易早熟,陷入局部最优无法跳出。研究表明改变粒子间的拓扑结构和调整算法的迭代机制有助于改善种群的多样性,提高算法的寻优能力。因此,提出一种具有拓扑时变和搜索扰动的混合粒子群优化（HPSO-TS）算法。该算法采用K-medoids聚类算法对粒子群进行动态分簇,形成多个异构子群,以利于子群内粒子间进行信息流通。在速度更新中,增加簇最优粒子的引导,并引入非线性变化极值扰动,帮助粒子搜索更多的区域。而后在位置迭代中引入花授粉算法（FPA）中的转换概率,使粒子在全局搜索和局部搜索之间转换。在全局搜索时结合狮群算法中的母狮觅食机制对粒子的位置进行更新;在局部搜索时引入正弦扰动因子,帮助粒子跳出局部最优。实验结果表明所提算法在求解精度和鲁棒性方面明显优于FPA、PSO、改进粒子群算法（IPSO）、具有动态拓扑结构的粒子群算法（PSO-T）;并且随着测试维度和次数的增加,这种优势更加明显。HPSO-TS算法所引入的拓扑时变策略和搜索扰动机制能有效地提高种群的多样性和粒子的活性,从而改善寻优能力。     

一种含驻留粒子的改进粒子群算法

为了避免粒子群算法过早收敛,提出一种包含局部驻留粒子的改进粒子群算法（CRPSO）。该算法将基本的粒子群算法的粒子称为主粒子,而当算法每找到一个新的全体最优点之后,将会在这个最优点附近产生几个称为驻留粒子的搜索粒子。2种粒子分工协作,主粒子负责全局搜索而驻留粒子负责局部搜索。驻留粒子帮助主粒子群避免过早收敛,提高整个粒子群多样性。仿真结果表明,该算法能有效地改善粒子群算法在非线性全局优化问题上的早熟现象,增强粒子群算法的全局搜索能力。