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。     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,并成功的运用于广泛的数值优化问题。PSO算法在求解高维复杂函数优化问题时容易陷入局部最优。有鉴于此,本文提出了一种基于信息熵的粒子优化算法。该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性。实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度。     

局部随机搜索扰动的粒子群优化算法

在粒子群优化（PSO）算法中,gBest粒子的行为对算法的收敛性能有较大的影响。提出一种新的改进粒子群优化算法——SLS-PSO算法。该算法以基本PSO算法为框架,融合随机局部搜索算法（SLS）对进化中的gBest粒子进行局部寻优计算,以改善PSO算法在进化中特别是进化后期的收敛性能。通过典型测试函数的计算表明,该算法在收敛速度和精度上都有不同程度的改善。     

一种新的基于三种进化模型的粒子群优化算法

针对标准粒子群优化算法在优化多极值点复杂问题时容易陷入局部极值的缺陷,提出了一种新的采用不同进化模型分阶段进化的粒子群优化算法。该方法将粒子群进化过程分成三个阶段,第一阶段按cognitiononly模型进化,第二阶段按标准模型进化,第三阶段按socialonly模型进化。在不同进化阶段利用不同模型进化可以增加种群的多样性,达到降低群体陷入局部极值点的效果。仿真实验结果表明,对于复杂多极值函数优化问题,本文算法比标准算法的全局寻优性能更好。     

基于自适应扰动的粒子群优化算法

为了避免粒子群优化算法（PSO）早熟收敛,提出了一种自适应扰动的PSO算法（ADPSO）,以帮助停滞的粒子跳出局部最优。为了验证算法的有效性,实验测试了九个多峰函数,包括四个旋转函数。仿真结果表明,该算法优于其他五种PSO算法。     

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。     

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。     

基于差分进化和粒子群优化算法的混合优化算法

为了发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,提出了一种混合优化算法(简称DPA).该算法首先利用差分进化的变异和选择算子产生新的群体,然后通过使用粒子群优化算法和交叉、选择算子进行局部搜索.在整个算法过程中,群体寻优范围先扩散再收缩,反复迭代渐进收敛.通过3个标准算例的测试表明,新的混合优化算法与差分进化和粒子群优化算法相比,具有收敛速度快、搜索能力强、鲁棒性好的特点.     

一种基于差异演化变异的粒子群优化算法

为了保持粒子种群的多样性而避免发生“早熟”的问题,提出一种基于差异演化变异的粒子群优化算法（PSO）,该方法通过粒子聚集性判断如果粒子群中的粒子过于聚集,则使用差异演化算法对PSO算法中各个粒子的自身历史最佳位置进行变异,以实现保持粒子群种群多样性的目的。对4种常用函数的优化问题进行测试并进行比较,结果表明：所改进的粒子群优化算法比标准粒子群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。     

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。     

改进的混合粒子群算法

从研究分析粒子群算法和郭涛算法的特点出发,提出一种综合两算法优点的混合算法。新算法改变了粒子的更新方式,以子空间搜索和串行搜索相结合的多点并行搜索,扩大了算法的搜索范围,减少了粒子对初值的依赖,增强了算法跳出局部最优的能力;通过后代较优个体变异产生子群,提高了算法局部寻优能力;实验证明,该算法正确高效。     

基于多样性反馈的自适应粒子群优化算法

为了进一步提高种群多样性在粒子群优化执行中的效率,提出一种基于多样性反馈的自适应粒子群优化算法(APSO)。APSO采用一种新的种群多样性评价策略,使惯性权值在搜索过程中随多样性自适应性地调整,从而均衡算法的勘探和开发过程。此外,最优粒子采用精英学习策略跳出局部最优区域,从而在保证算法收敛速度的同时能够自适应地调整搜索方向,提高解的精确度。通过一组典型测试函数的仿真结果,验证了APSO的有效性。     

一种基于粒子群的聚类算法

针对K-中心点算法对初始化敏感和容易陷入局部极值的缺点,提出一种基于粒子群算法和密度初始化改进的K-中心点聚类算法。该算法初始化时选择距离较远的k个候选范围作为k个聚类中心的选择范围,即粒子的初始值都在该k个范围内。通过粒子群算法优化聚类中心,以解决K-中心点算法因为聚类中心迭代计算较为复杂而导致的时间复杂度较高的问题。实验结果表明,该算法具有较高的正确率,较小的时间复杂度,综合性能更加稳定。     

自学习的量子粒子群优化算法改进

分析了量子行为粒子群优化算法,着重研究了算法中群体粒子的搜索行为,对算法中局部吸引点进行了分析,提出针对粒子在搜索过程中所处的不同搜索环境,将粒子的搜索行为分为四种类型,并能够自适应地学习优化问题环境,采用合适的学习模式,提高算法整体优化性能;将改进后的自学习量子粒子群算法与其他一些改进方法通过CEC2005 benchmark测试函数进行了比较,最后对结果进行了分析,仿真结果显示自学习方法能够显著改善量子粒子群优化算法的性能。     

基于改进粒子群算法的变异体选择优化

变异测试是常用的测试方法之一,变异测试分析的过程中计算开销会比较大,问题主要集中于测试过程中会产生大量的变异体,为了减少变异体的数量,提出用标准粒子群聚类算法进行选择优化,但标准粒子群算法在被测数据量增加到一定数量的时候,它的迭代次数就会增加、收敛速度就会下降。针对以上问题提出基于改进的粒子群算法对变异体进行选择优化。通过对变异体集合进行聚类分区,增强变异体集合的多态性,从而对粒子群算法改进优化。实验结果表明在不影响测试充分度的前提下,使变异体的数量大幅度减少,同时与K-means算法以及标准粒子群算法相比之下,改进后的方法具有更好的优化效果。     

基于改进粒子群优化算法的排课问题

深入分析了排课问题,提出一种基于离散粒子群的排课算法,构建了相应的解题框架。针对粒子群算法有后期收敛速度慢、易收敛于局部最优的缺点,结合排课问题的特点,对粒子群算法作了改进。在三维空间中建立模型,采用避免冲突的种群初始化加快收敛,并且引入变异操作避免陷入局部最优等。实践表明改进后的粒子群算法能有效地解决排课问题。     

粒子群局部优化的反距离权重插值算法

参考点与参数的选取会对反距离权重（IDW）的精度产生影响。针对多参数协同优化反距离权重算法（PIDW）忽略局部特性的问题,提出一种利用粒子群对IDW进行局部优化的改进算法——PLIDW。首先,分别对研究区域中各个样本点的参数进行寻优,利用交叉验证方法进行评估,记录各自最优取值的一组参数;同时,为提高查询效率,使用K维树（KD-Tree）保存空间位置与最优参数;最后,根据空间邻近程度从K维树选取最近的一组参数优化IDW。基于模拟数据与真实的温度数据集上的实验结果表明,相较于PIDW,PLIDW在真实数据集上的准确度提高4.18%以上,改善了PIDW存在的因忽略局部特性导致部分场景准确度低的问题,适应能力更强。