基于定常线性迭代法的PSO算法收敛性分析

PSO算法本身是线性时变离散系统,现有的PSO算法收敛性条件的研究都是通过一定的假设将其转化为线性定常离散系统,线性定常离散系统的数学模型与求解线性方程组的单步定常线性迭代法的数学模型完全一致,这样对线性定常离散系统的稳定性分析就转化为对单步定常线性迭代格式的收敛性分析,为PSO算法的收敛性研究提供了一种新的思路和方法。     

全局收敛的PSO算法的种群多样性特征

PSO算法的早熟收敛与种群多样性有着密切的关系,传统观念认为,多样性丧失导致了算法的早熟收敛.为了避免早熟收敛现象的发生,很多学者提出了很多控制、保持或增大多样性的措施,但是并不是增大了多样性之后早熟收敛现象就会改善.那么,到底什么样的多样性才会有利于算法的持续收敛?通过对6个测试函数用3种算法做实验,深入探讨了PSO的收敛性与种群多样性的关系,描述了PSO算法理想的种群多样性曲线,对改进算法提出了指导性建议.主要观点是,一个好的算法应该是能够保持比较大的多样性曲线的震动频率和振幅,尤其是算法前期的震动频率和振幅,而不是保持比较大的多样性,因为比较大的多样性曲线的震动频率和振幅有利于算法寻找全局搜索和局部搜索的平衡点.     

自适应信息选择PSO算法及其特性分析

针对粒子群优化过程中容易出现早熟收敛或停滞的问题,在全信息粒子群优化（FIPSO）算法的基础上结合社会心理学原理提出了一种新的粒子群优化算法——自适应信息选择粒子群优化算法（API-PSO）。在API-PSO算法中,粒子根据其邻域粒子不同表现,自适应地选择群体共享经验。实验表明,新的优化算法具有较好的收敛精度和收敛速度。分别对API-PSO算法的种群多样性和收敛性进行了数学分析,分析结果为合理选择算法参数,解决算法种群多样性匮乏,促进种群进化发展,改善算法性能提供了理论依据。     

基于小生境算法和聚类分析的快速收敛遗传算法

摘要：针对遗传算法中存在的早熟收敛和后期收敛速度慢的问题,在讨论种群多样性表示方法和早熟原因的基础上,提出了一种基于小生境技术和聚类分析的遗传算法快速收敛算法．利用小生境技术保持种群的多样性,有效防止早熟收敛．当种群进化到一定程度后,进行聚类分析,从而获得分布在各个极值点附近的聚类区域．在各个聚类中心处,利用局部搜索算法获得极值点;其余个体按照小生境技术在聚类区域外进一步搜索．仿真结果表明,这种算法能够有效地防止早熟收敛,可以极大提高遗传算法的搜索效率,有利于并行实现,并在一定程度上有助于骗问题的解决．     

基于余弦函数改进的PSO算法及其仿真

粒子群算法具有简单、易于实现等优点在科学与工程领域得到了很好的验证,但是粒子群优化算法与其他进化算法一样存在容易陷入局部极小和早熟收敛等缺点。分析了其存在缺点的主要原因,并此基础上提出了一种改进的粒子群算法(CPSO)。利用余弦函数非线性改变惯性权重、对称改变学习因子进一步提高了粒子的学习能力,同时引入了细菌趋化操作用以维持种群多样性,使得CPSO算法性能在一定程度上优于标准粒子群(SPSO)算法。利用五个标准测试函数对三种算法的仿真结果进行可对比分析,分析结果表明：CPSO算法能在一定程度上跳出局部最优,有效地避免了SPSO算法早熟收敛问题,并具有较快的收敛速度。     

基于PSO算法的测试信号模型参数提取

为了提高自动测试系统的自动化水平,提出了基于粒子群算法的测试信号模型参数提取方法.阐述了采用PSO算法提取测试信号模型参数的原理,针对参数提取过程中的早熟收敛问题,提出了一种改进算法.该算法监控粒子群多样性,采用局部初始化的方法,克服了早熟收敛的缺点,提高了参数提取的稳定性.仿真实验验证了基于PSO算法的测试信号模型参数提取方法具有较高的稳定性和精度.     

基于改进PSO算法的测试数据自动生成研究

为了提高软件测试中测试数据自动生成的效率,提出了一种基于改进PSO算法的测试数据自动生成的方法。通过在标准的PSO算法中引入人工免疫的思想,保持了群体的多样性,从而有效避免标准PSO算法易陷入局部最优的问题,提高了算法全局搜索的能力,增强了算法的整体性能。实验结果表明,利用改进后的PSO算法寻找最优解所需的迭代次数和时间明显少于标准粒子群算法,生成测试数据的速度快、效率高。     

改进PSO算法的电力系统无功优化分析

对电力系统进行无功优化是指在将指定的条件控制在约束范围内的前提下,通过对控制变量优化的途径使电力系统的各方面的性能指标达到最优的目的。文中结合电力系统的实际问题以及存在的缺点提出了PSO算法的改进,让问题得到了解决。     

改进PSO算法的性能分析与研究*

分析了粒子群优化(PSO)算法的进化式,针对其容易发生早熟、收敛速度慢、后期搜索性能和个体寻优能力降低等缺点,结合遗传算法的思想,提出一种新的混合PSO算法——遗传PSO(GAPSO)。该算法是在PSO算法的更新过程中,对粒子速度引入遗传算法的变异操作,对粒子位置引入遗传算法交叉操作。对速度的变异降低了算法后期因种群过于密集而陷入局部最优的可能,对位置的交叉使得父代中优良个体的基因能够更好地遗传给下一代,从而得到更优、更多样化的后代,加快进化过程,提高了收敛速度和群体搜索性能。选取了其他几种典型的改进PS     

基于粒子群算法的遗传算法研究

针对传统遗传算法存在的早熟收敛和易陷入局部最优解的问题,提出了一种基于粒子群算法的遗传算法,其原理是用粒子群算法来构造变异算子和进行种群分割.通过对三个典型多峰值函数的优化来评估算法性能.实验结果表明,该算法能很好地保持种群的多样性和克服早熟现象,显著提高遗传算法的收敛速度.     

基于改进粒子群算法的聚类算法

K-均值算法是一种传统的聚类分析方法,具有思想与算法简单的特点,因此成为聚类分析的常用方法之一.但K-均值算法的分类结果过分依赖于初始聚类中心的选择,对于某些初始值,该算法有可能收敛于一般次优解.在分析K-均值算法和粒子群算法的基础上,提出了一种基于改进的粒子群算法的聚类算法.该算法将局部搜索能力强的K均值算法和全局搜索能力强的粒子群算法结合,提高了K均值算法的局部搜索能力、加快了收敛速度,有效地阻止了早熟现象的发生.实验表明该聚类算法有更好的收敛效果.     

一种改进的粒子群算法稳定性证明及其应用

针对改进的粒子群算法缺乏理论上稳定性证明及其相应的参数选择问题．利用李雅普诺夫稳定性理论对个体决策粒子群算法给予稳定性证明,并给出相应的参数选择方式,改变传统粒子群算法只能从仿真角度说明该算法的稳定性。采用几个常用的测试函数进行仿真实验,与其他改进的粒子群算法相比,结果表明该算法具有更好的性能。     

结合禁忌搜索的改进粒子群优化算法

为提高粒子群优化算法的全局搜索和局部开采能力,提出一种结合禁忌搜索(TS)的改进粒子群优化算法。在搜索过程中,以线性递增的概率对最优粒子实施随机扰动,在全局搜索收敛到一定程度后,引入TS算法进行局部搜索,使算法快速收敛到全局最优解。分析结果表明,该算法收敛精度较高,能有效克服早熟收敛问题。     

基于稳定策略的粒子群优化算法

为了解决传统粒子群算法易陷入局部最优解的问题,在借鉴生物学中“进化稳定策略”的基础上,对传统粒子群算法进行了改进,提出了基于稳定策略的粒子群算法.该算法的核心在于,通过稳定参数的设定,使种群中较优的一部分个体按照标准粒子群算法进行寻优,而对种群中其余部分的个体进行随机突变,以达到快速扩大搜索空间、稳定种群中个体多样性的...     

一种新的聚类算法--粒子群聚类算法

在分析K均值聚类算法存在不足的基础上,该文提出了一种新的聚类算法:基于粒子群的K均值聚类算法。实验结果证明,该算法有很好的全局收敛性,不仅有效地克服了传统的k均值算法易陷入局部极小值和对初始值敏感的问题,而且具有较快的收敛速度。     

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。     

一种改进的小波变异粒子群优化算法

为提高粒子群优化(PSO)算法的优化性能,提出一种改进的小波变异粒子群算法(IPSOWM)。在每次迭代时以一定的概率选中粒子进行小波变异扰动,从而克服PSO算法后期易发生早熟收敛和陷入局部最优的缺点。数值仿真结果表明,IPSOWM算法的搜索精度、收敛速度及稳定性均优于PSO和PSOWM算法。     

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。     

基于改进PSO算法的Rosenbrock函数优化问题的研究

Rosenbrock函数优化属于无约束函数优化问题,其全局极小值位于一条平滑而狭长的抛物线形状的山谷底部,且为优化算法提供的信息很少,因此找到其全局极小值就显得很困难.根据Rosenbrock函数的这种特性,专门提出了一种改进的PSO算法(PSO-R),该算法引入三角函数因子,利用三角函数具有的周期振荡性,使每个粒子获得较强的振荡性,扩大每个粒子的搜索空间,引导粒子向全局极小值附近靠近,避免算法过早地收敛,陷入局部最优,从而找到Rosenbrock函数的全局极小值.大量实验结果表明,该算法具有很好的优化性能,为某些领域某些特定的类似于Rosenbrock函数的优化问题提供了一种新的思路.