PSOSA混合优化策略

本文提出了一种微粒群算法与模拟退火算法相结合的混合优化方法，该方法在群体进化的每一代中，首先通过微粒群算法的进化方法来控制微粒的飞行方向，然后利用模拟退火算法来拓展其搜索领域。这样既可以利用微粒群算法的收敛快速性，又可以利用模拟退火算法的全局收敛性。本文还证明了该混合优化方法依概率1收敛于全局最优解。仿
真结果表明，在搜索空间维数增大时，该方法的全局收敛性明显优于基本微粒群算法。     

一种结合自适应局部搜索的粒子群优化算法

本文提出一种结合自适应局部搜索的混合粒子群优化算法.该方法在粒子群优化算法的全局搜索过程中,使用能根据当前种群搜索状态自适应地调整局部搜索空间大小的局部搜索算法加强其局部搜索能力.采用了著名的基准函数对算法的性能进行测试,并与其他已有算法进行了比较.结果表明,这种混合粒子群优化算法能获得更高的搜索成功率和质量更好的解,特别在高维复杂函数优化上具有很强的竞争力.     

一种基于单纯形搜索的粒子群优化算法

为了改善粒子群优化算法的求解性能,提出了一种基于单纯形搜索和粒子群优化的混合算法。该算法一方面自适应地确定惯性权重、认知以及社会参数来达到免参数目的,另一方面利用单纯形搜索来引导部分粒子的搜索方向,从而加速算法收敛。数值实验结果表明,与传统的粒子群算法和其他基于单纯形的粒子群算法相比,提出算法在评估次数、求解精度方面表现良好。     

改进混合粒子群算法的立体车库存取调度

为了进一步提高立体车库存取效率，提出一种改进混合粒子群算法，应用于立体车库存取策略时间模型，寻找存取车最优时间和最优排序。该算法主要在粒子群算法前期引入遗传算法，改善全局搜索能力，后期引入模拟退火算法弥补其局部搜索能力弱的特点。与目前应用于立体车库存取车调度的遗传算法相比，改进混合粒子群算法存取效率提高了24.5%~36.07%，并优于其他车库调度算法，提高了车库运营效率。     

混合粒子群算法及在可靠性优化中的应用

针对粒子群算法搜索精度低和早熟收敛的缺陷,通过算法混合,提出了基于混沌与和声搜索算法思想的混合粒子群优化算法。该算法采用Tent映射,利用混沌特性提高种群的多样性和粒子搜索的遍历性,同时采用和声策略对解空间进行开发,引入了柯西变异,帮助粒子跳出局部陷阱,采用云模型的自适应策略来调整惯性权重。最后将该优化算法应用于可靠性优化设计中,仿真实验表明,改进后的混合粒子群优化算法较基本粒子群算法收敛速度加快,且不易陷入局部极值点。     

一种改进的求解TSP混合粒子群优化算法

为解决粒子群算法在求解组合优化问题中存在的早熟性收敛和收敛速度慢等问题,将粒子群算法与局部搜索优化算法结合,可抑制粒子群算法早熟收敛问题,提高粒子群算法的收敛速度。通过建立有效的局部搜索优化算法所需借助的参照优化边集,提高了局部搜索优化算法的求解质量和求解效率。新的混合粒子群算法高效收敛于中小规模旅行商问题的全局最优解,实验表明改进的混合粒子群算法是有效的。     

并行定向扰动的混合粒子群优化算法

针对全向变异易使粒子失去已有的有利搜索信息的问题, 提出了一种并行定向变异的混合粒子群优化算法。该算法以当前群体最优位置为基准, 用变异信息矩阵和混沌位置变异矩阵对群体进行并行定向扰动, 有效利用了现有的有利搜索信息。该算法将并行定向变异与序列二次规划法融为一体, 实现了全局搜索和局部寻优的统一。仿真实验和比较分析结果表明并行定向变异混合粒子群优化算法具有良好的、稳定的优化效果。     

粒子群算法求解连续优化问题的性能分析

粒子群优化(PSO)算法是一类有效的随机全局优化技术,适用于求解连续优化问题.它利用一个粒子群搜索解空间,通过粒子间的相互作用发现复杂搜索空间中的最优区域.本文介绍了基本的PSO算法,使用3类代表性的标准测试函数对粒子群算法进行了实验分析,并进一步讨论了PSO算法的寻优性能,提出了PSO求解连续优化问题的性能分析策略.     

一种引入单纯形法算子的新颖粒子群算法

提出一种将单纯形法SM与粒子群算法PSO混合的新颖优化算法,在10个著名测试函数上与其他已有算法进行了广泛的比较实验,并研究了不同参数选择对算法的影响.实验结果表明,这种混合算法对传统PSO求解的收敛率和解的质量有较明显的改善,在多峰函数优化问题上优势更突出.算法实现简单,具有很高的可靠性,是一种求解多峰连续函数极值的有效方法.     

Particle swarm optimization with selective particle regeneration for data clustering

This paper presents selective regeneration particle swarm optimization (SRPSO), a novel algorithm developed based on particle swarm optimization (PSO). It contains two new features, unbalanced parameter setting and particle regeneration operation. The unbalanced parameter setting enables fast convergence of the algorithm and the particle regeneration operation allows the search to escape from local optima and explore for better solutions. This algorithm is applied to data clustering problems for performance evaluation and a hybrid algorithm (KSRPSO) of K-means clustering method and SRPSO is developed. In the conducted numerical experiments, SRPSO and KSRPSO are compared to the original PSO algorithm, K-means, as well as, other methods proposed by other studies. The results demonstrate that SRPSO and KSRPSO are efficient, accurate, and robust methods for data clustering problems.     

A particle swarm–BFGS algorithm for nonlinear programming problems

This article proposes a hybrid optimization algorithm based on a modified BFGS and particle swarm optimization to solve medium scale nonlinear programs. The hybrid algorithm integrates the modified BFGS into particle swarm optimization to solve augmented Lagrangian penalty function. In doing so, the algorithm launches into a global search over the solution space while keeping a detailed exploration into the neighborhoods. To shed light on the merit of the algorithm, we provide a test bed consisting of 30 test problems to compare our algorithm against two of its variations along with two state-of-the-art nonlinear optimization algorithms. The numerical experiments illustrate that the proposed algorithm makes an effective use of hybrid framework when dealing with nonlinear equality constraints although its convergence cannot be guaranteed.     

基于遗传粒子群算法的高维复杂函数优化方法

针对高维复杂函数优化的特点,提出了一种遗传算法与粒子群算法相结合的主-从结构算法。算法中,主级为全局搜索的遗传算法;从级为局部邻域搜索的粒子群算法。通过主-从协调机制和从级转换函数设计,使算法不依赖复杂的编码方式和进化算子进行全局精确搜索。通过仿真和比较实验,验证了算法对高维复杂函数优化的有效性。     

批量无等待调度问题的微粒群蛙跳混合优化算法*

将离散微粒群与蛙跳算法相结合解决以最大完工时间为指标的批量无等待流水线调度问题.结合微粒群算法较强的全局收敛能力和蛙跳算法较强的深度搜索能力,设计了三种混合算法,平衡了算法的全局开发能力和局部探索能力.对随机生成不同规模的实例进行了广泛的实验,仿真实验结果的比较表明了所得混合算法的有效性和高效性.     

嵌入局部一维搜索技术的混合粒子群优化算法*

通过将粒子群优化算法(PSO)与经典局部一维搜索技术相结合,提出一种嵌入局部一维搜索技术的混合粒子群优化算法(LLS-PSO)。该算法在基本粒子群优化算法中引入一维搜索技术,选取最优粒子进行局部一维搜索,增强了在最优点附近的局部搜索能力,以加快算法的收敛速度。对三个经典复杂优化问题进行数值实验,并与基本PSO算法进行比较。实验分析和结果表明,LLS-PSO具有更好的优化性能。     

一种基于适应值分析的智能粒子群算法

标准粒子群算法在求解多维多峰函数问题时,存在局部寻优精度不高、全局寻优能力不强和收敛速度慢的缺点,为此提出一种基于适应值分析的智能粒子群算法。该算法引入“局部适应值参数”、“全局适应值参数”和“坐标轮换法”思想,经过对3个多维多峰函数的测试,表明该算法兼顾了局部和全局搜索,并拥有较快的收敛速度。     

一种新的求解动态连续优化的分层粒子群算法

为了高效求解动态连续优化问题,提出一种分层粒子群优化算法。该算法将动态函数定义域分成Q个子空间,每个空间用一个粒子群作为第一层进行独立搜索,Q个子空间的最优粒子再组成一个全局粒子群进行全局搜索,以达到全局牵引的作用,同时提出探测环境和响应环境的策略。利用经典的动态函数对算法进行测试,结果表明所提出算法能够迅速适应环境变化和跟踪最优解的变化,效果令人满意。     

基于改进粒子群算法的三维路径规划

针对粒子群算法解决建造项目中的无人机三维路径规划问题时,易陷入局部最优问题,提出了一种混合惯性牵引力的粒子群优化算法。通过在初始阶段起始点与目标点位置关系,引入自适应初始化机制,对粒子群的初始种群进行优化;采用线性递减的惯性权重方式,加强算法前期的全局搜索与后期的局部搜索性能;借助万有引力思想在速度更新中引入加速度,加强搜索的性能。采用有无自适应初始化机制的改进算法进行对比试验,结果验证了该机制更有利于提高算法的求解质量;通过IPSO算法、IHPSO算法与改进算法进行仿真实验,结果表明改进算法所的求解质量上更好,稳定性相对于IPSO较好69.75%,相对于IHPSO较好17.41%。     

粒子群Memetic算法求解多峰函数优化

针对目前多峰函数优化问题较难找到全部局部最优解的情况,提出了一种粒子群Memetic算法。算法结合了粒子群优化的全局搜索能力和爬山法的局部搜索能力,增强了算法搜索最优解的能力。实验结果表明,该算法求解精度较高,且收敛速度较快。     

基于多种群进化与粒子群优化混合的频谱分配算法

为了解决认知无线网络中的频谱分配问题,提出一种基于多种群进化与粒子群优化混合的频谱分配算法。它采用图论着色模型,首先使用遗传算法将多个种群进行独立进化,以提高种群的全局搜索能力;然后选出每个种群中的最优的个体作为粒子群优化的粒子,并通过控制每个粒子的初始速度方向来加快算法的收敛速度。最后以系统总收益最大化和用户间的公平性为优化目标与遗传算法和粒子群算法进行了对比实验,仿真结果表明,该算法在收敛速度、认知用户接入公平性和系统总收益3个方面的性能均优于遗传算法和粒子群算法。     

基于Bloch 球面坐标编码的量子粒子群算法及应用

为提高粒子群算法的优化效率,在分析粒子群优化算法的基础上,提出了一种基于Bloch球面坐标编码的量子粒子群优化算法。该算法每个粒子占据空间三个位置,每个位置代表一个优化解。采用传统粒子群优化方法的搜索机制调整量子位的两个参数,可以实现量子位在Bloch球面上的旋转,从而使每个粒子代表的三个优化解同时得到更新,并快速逼近全局最优解。标准测试函数极值优化和模糊控制其参数优化的实验结果表明,与同类算法相比,该算法在优化能力和优化效率两方面都有改进。