结合引力测度和质心变异策略的混合粒子群优化算法

针对经典粒子群优化(PSO)算法在算法前期易陷入局部极值、后期收敛精度低的问题,提出一种结合引力测度和质心变异策略的混合粒子群优化算法(GMCMPSO).首先,在算法初始阶段采用精英分组策略,以方便获取种群的优秀信息;其次,对两个子群采用引力测度策略,以达到种群间信息的高效共享;最后,在引力测度的引导下对一部分普通粒子...     

一种新的改进粒子群优化算法

在现有文献研究的基础上,首先阐述标准粒子群优化算法的基本原理,并对它加以分析,指出标准粒子群优化算法初始粒子种群的产生速度慢、在优化过程中容易陷入局部最优等缺点,然后对其缺点进行改进,将改进的粒子群优化算法和标准粒子群优化算法进行实验对比分析研究,从实验结果中可知,改进粒子群优化算法在收敛速度及收敛精度上都明显好于标准粒子群优化方法.     

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。     

质心粒子群优化算法在云计算路径规划中的应用

云计算是一种为了解决海量数据处理要求的新型技术,云端数据资源的路由规划一直是研究的重点。粒子群优化算法具有智能搜索、全局优化、收敛速度快等特点。为了提高在云数据库路径选择的效率,在标准粒子群算法的基础上,提出了一种改进型的基于质心的粒子群优化算法模型,该算法能够在云中快速、合理地找到所需访问的数据库。仿真实验结果表明,该算法在采用合适的参数情况下具有良好的吞吐量,能有效地提高云计算的效率。     

混沌粒子群鸡群融合优化的RSSI质心定位算法

针对传统接收信号强度指示（RSSI）定位算法定位精度低及粒子群优化（PSO）算法容易陷入早熟和局部最优解的问题,提出一种RSSI质心定位算法。通过RSSI测距技术计算各传感节点之间的距离,选择离未定位节点最近的3个锚节点和已定位节点,建立以未知节点坐标为参数的数学模型。在PSO算法的基础上运用混沌优化思想避免搜索过程陷入局部极小,并利用鸡群算法进行优化从而得到质量更好的解。实验结果表明,与原始质心定位算法、加权RSSI质心定位算法和PSO-RSSI质心定位算法相比,该算法具有较快的收敛速度和较高的定位精度。     

基于粒子群优化的改进加权质心定位算法

针对无线传感器网络低成本、高精度的要求,在采用接收信号强度测距的基础上,提出一种基于粒子群优化的改进加权质心定位算法。该算法易于实现,可调参数少,通过多次选代寻优提高定位精度。采用锚节点之间相互测距和定位补偿测距误差和定位误差。仿真结果表明,该算法与质心算法和加权质心定位算法相比,节点定位精度得到显著提高。     

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。     

生态金字塔粒子群优化算法

为解决粒子群优化算法在处理高维复杂函数时容易陷入局部最优和早熟收敛的问题,提出生态金字塔粒子群优化算法(EP-PSO)。该算法引入生态金字塔系统,使粒子在搜索空间分等级、分子群寻优,有效增加了群体多样性;为增强算法的全局搜索能力,对处于停滞状态的个体极值和全局极值进行动态变异,以达到扩大种群潜在搜索空间的效果。选择15个测试函数验证算法的有效性,结果表明EP-PSO有着良好的寻优性能,能够得到较高精度解,具有较高的效率和可信度。     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

二次插值的粒子群优化算法

为了克服粒子群优化算法容易早熟的问题,提出了一种新的粒子群优化算法。算法在进行速度和位置更新后,随机选取两个个体历史最好位置（不含全局最好位置）与全局最好位置,利用二次插值产生新的位置,并与当前个体历史最好位置相比较,更新当前个体历史最好位置和全局历史最好位置。对6个经典测试函数进行数值实验,结果表明该算法提高了算法的寻优能力和收敛速度。     

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。     

学习-考试型的粒子群优化算法

标准的粒子群算法在进化后期常易于陷入局部最优。为提高粒子群算法的寻优性能,首先对学生学习-考试机制进行分析,得到学习-考试机制的基本原则,然后,利用该原则和粒子局部最优的信息,在粒子陷入局部最优时,对粒子的位置分量进行有机地组合,即考试策略。数值实验结果证明了新策略极大地提高了粒子的寻优性能。     

色彩量化的模糊粒子群优化技术

把粒子群算法应用到色彩量化中,结合已有的模糊C均值聚类量化方法,提出了一种基于粒子群优化的色彩量化算法。模糊C均值聚类量化算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解;PSO算法是一种基于群体的具有全局寻优能力的优化方法。将模糊C均值聚类量化算法和PSO算法结合起来,把模糊C均值聚类量化算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明,新算法在均方根误差和峰值信噪比评判准则下能够得到最优的量化结果。     

混沌粒子群优化算法研究

针对粒子群优化算法稳定性较差和易陷入局部极值的缺点,提出了一种新颖的混沌粒子群优化算法。一方面,在可行域中应用逻辑自映射函数初始化生成均匀分布的粒群,提高了初始解的质量和增加了算法的稳定性;另一方面,采用两组速度-位移更新策略,即对全局最优粒子单独使用特定的速度-位移策略更新,而对其余粒子则使用常规的速度-位移进行更新,从而有效避免了算法陷入局部收敛的缺点。将该算法应用在4个基准测试函数优化中,仿真结果表明其能有效提高全局寻优的性能,且稳定性好。     

层次环形拓扑结构的动态粒子群算法

粒子群算法（PSO）的拓扑结构决定粒子之间的信息交互方式,是影响算法性能的关键因素。为提高算法性能,提出了一种层次环形拓扑结构的动态粒子群算法（HRPSO）,粒子组成的环被分配在规则树中,算法运行时,环在层次中动态移动。通过6个标准测试函数优化,比较了HRPSO与几种基准算法的性能,实验结果证明HRPSO在精确性和稳定性上具有优势。     

融合模拟退火和混沌的混合粒子群算法

为了改善粒子群算法的全局搜索能力,把模拟退火思想融于惯性权重的选取之中,再利用混沌运动的特性来融合混沌算法,对早熟的种群进行自适应混沌变异。数值仿真结果表明,所产生的混合粒子群算法能更好地平衡局部寻优和全局寻优,提高了全局寻优的能力和计算的精度。     

一种混沌惯性权重的简化粒子群算法

惯性权值作为粒子群算法的一个全局参数,能够方便地控制算法的搜索能力和收敛速度,在算法运行过程中具有重要的作用。在分析惯性权值的作用基础上提出了一种混沌惯性权重的简化粒子群优化算法,利用混沌序列的内在随机性、遍历性和规则性,提高算法的寻优能力。测试结果表明,新算法具有更快的收敛速度和更强的全局寻优能力。     

新型多群体协同进化粒子群优化算法

在基本的MCPSO算法中除了主群与从群的信息交流,从群之间没有信息交流。为了解决这一问题,提出了一种具有中心交流机制的改进MCPSO算法,该策略可以实现各个从群之间的信息交流,从而加快算法收敛。仿真实验结果表明改进后的算法具有较好的求解精度和较快的收敛速度。     

粒子群算法的递推分析及改进

对带速度项的PSO算法和不具速度项的动态概率PSO算法进行了随机递推分析,给出了保证收敛的算法的参数取值依据以及相关条件,并基于此提出了改进的动态概率PSO算法（RSPSO）。数值实验分析结果表明,改进的PSO算法能有效避免过早收敛,具有较强的全局搜索能力,且优化能力有了进一步提升。     

基于聚集密度的粒子群多目标优化算法

为了改善粒子群多目标优化算法的分布性,引入了聚集密度以进行精英集的更新。其基本思想为：计算群体中每个个体的聚集密度,根据目标函数值和聚集密度定义一个偏序集,采用比例选择原则依次从偏序集中选择个体,更新精英集。通过数值实验用量化指标研究了新算法的收敛性和分布性,结果表明：新算法的收敛性与常规粒子群多目标优化算法相当,但分布性有了明显的提高。