优化复杂函数的粒子群-鸽群混合优化算法

针对复杂函数优化问题,提出一种两阶段混合优化算法。对基本粒子群和鸽群算法进行改进,引入惯性因子和跳跃算子增强了粒子群算法的搜索能力,提出干扰算子增加了鸽群算法的种群多样性。将改进后的两种算法相结合,形成两阶段混合优化算法,同时定义了一种多样性函数对种群进行实时监测,以保证种群的多样性。采用两组经典测试函数,对算法性能进行测试。结果表明,算法适用于求解复杂函数优化问题,且具有较好的收敛速度和收敛精度。     

改进型PSO算法在VRP中的应用

运用罚函数法将约束优化问题转化为无约束优化问题,同时采用实数编码方案,将离散的车辆路径问题转化成准连续优化问题,在此基础上,用改进的粒子群优化算法求解最优值.改进的粒子群算法引入了杂交PSO模型和变异算子.仿真实验结果表明,该算法在保持粒子种群多样性、提高收敛速度和搜索精度、扩大搜索范围、避免过早收敛于局部极值点等方面...     

改进的耗散量子粒子群优化算法及其应用*

针对量子粒子群优化算法(QPSO)存在着保持种群多样性差、容易陷入局部最优等缺陷,将耗散操作算子引入到QPSO量子角度更新中,提出了改进的耗散量子粒子群优化算法(DQPSO)。为验证算法的有效性,将DQPSO算法应用于标准函数优化问题。仿真结果表明,改进的耗散量子粒子群算法的优化性能优于传统的量子进化算法(QEA)和QPSO算法。可见,在量子角度更新策略中引入耗散操作算子能够使算法更好地保持种群的多样性、摆脱局部最优的限制、提高算法的搜索能力。     

基于克隆选择的免疫粒子群优化算法

粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题.针对这一问题,在粒子群算法中引入免疫克隆选择算法的思想,提出了基于克隆选择的免疫粒子群优化算法(Immune Particle Swarm Optimization,ImmunePSO),即在算法进化过程中,引入克隆复制算子、克隆高频变异算子、克隆选择算子.成比例克隆复制可以使优良个体得到保护,加快算法收敛;高频变异为新个体的产生提供了新的途径,可以增加种群的多样性;克隆选择算子从所有子代、父代中选择出最优个体,避免算法退化.最后通过对基本测试函数的仿真试验,验证了算法不仅可以增加种群的多样性,加快算法的收敛速度,而且提高了最优解的精度,有效地避免算法陷入到局部极值.     

基于边界变异的量子粒子群优化算法

将边界变异操作引入到量子粒子群优化算法中,提出基于边界变异的量子粒子群优化算法QPSOB。该算法将越界粒子随机分布在边界附近的可行域内,以增加种群的多样性、提高算法的全局搜索能力。仿真实验证明其全局收敛性能优于量子粒子群优化算法。     

基于粒子群参数优化的同构双种群蚁群算法

针对蚁群算法易陷入局部最优、收敛速度较慢的问题,提出一种基于粒子群参数优化的同构双种群蚁群算法。将蚂蚁均分为两个子群,第一子群引入单位距离信息素路径构建算子,加强距离因素和信息素因子的协同作用;第二子群引入粒子群优化算法,对蚁群算法的多个参数在三维空间中进行优化,提高了解的质量。两个种群在参数方面优势互补并进行协同交流,共同促进算法找到全局最优解。针对TSP问题,实验表明,所设计的算法增强了算法的种群多样性。     

引入改进鸽群搜索算子的粒子群优化算法

随着迭代计算过程的推进,标准粒子群算法后期容易出现收敛速度较慢、精度较低、早熟及开发探索能力较弱等问题.针对上述不足,文中提出引入改进鸽群搜索算子的粒子群优化算法,采用Beta反向学习策略进行种群的初始化,实现种群粒子分布的多样性.首先采用线性和非线性变异策略改进鸽群算法中的地图罗盘算子,提高鸽群算法的开发和探索能力.然后采用改进后的组合优化鸽群算子更新粒子群中粒子位置和速度,提高收敛速度和计算精度,避免算法陷入局部最优.实验表明,文中算法提高收敛计算速度,精度达到函数设定的理想值.     

基于指数衰减惯性权重的分裂粒子群优化算法

针对粒子群优化算法因种群多样性丧失而陷入局部最优、早熟收敛的问题,提出一种基于指数衰减惯性权重的分裂粒子群优化算法（EDW-DPSO）。首先,采用半均匀初始化种群,使种群以整体均匀、局部随机的方式分布;其次,引入动态分裂算子,对满足分裂条件的粒子执行分裂操作,增加种群多样性,避免粒子陷入局部最优;最后,采用指数衰减的惯性权重,平衡粒子全局搜索和局部开发能力。实验结果表明,该算法在前期有较大的搜索空间,种群多样性增加,后期则强调局部开发,提高收敛精度和优化能力,加快粒子跳脱局部极值逼近全局最优。     

内嵌区域震荡搜索的粒子群优化算法

针对粒子群优化算法早熟收敛现象,提出了一种改进的粒子群优化算法。新算法在粒子群中的每个粒子吸引子的基础上引入了区域震荡搜索因子。每个粒子在协同收敛的同时,震荡搜索粒子极值位置周围区域,增加种群的多样性,提升算法的全局寻优能力,有效避免算法陷入局部收敛。仿真结果表明,改进后的算法在收敛精度上得到显著的改善。     

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。     

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。     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

基于试探的变步长自适应粒子群算法

针对粒子群算法容易陷入局部最优的缺陷,在分析惯性因子在算法中的作用机理的基础上,设计了一个根据种群多样性和进化代数自适应调节的惯性因子,并运用试探法,通过变换搜索步长,提高算法的局部搜索能力.最后,给出了3个典型函数的模拟例子,通过与APSO的对比结果显示,改进后的算法其性能得到极大提高.     

基于粒子群优化算法的电力系统无功优化

针对粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题,结合全局-局部最优模型,提出一种改进的全局-局部参数最优粒子群优化算法。利用全局-局部最优惯性权重及全局-局部最优加速度常数,简化速度更新方程,使算法性能得到改善。将该算法应用于电力系统无功优化中,仿真结果表明,网损平均值更低,寻优性能更好,优化的网损值集中在较小的区间。     

合作的具有量子行为粒子群优化算法

通过对具有量子行为的粒子群优化（Quantum-behaved Particle Swarm Optimization,QPSO）算法深入分析,把协作机制引入到QPSO算法中,提出了协作的具有量子行为的粒子群优化（Cooperative Quantum-behaved Particle Swarm Optimization）算法,并详细阐述了这种算法的主要思想。测试结果表明,这种改进算法能够克服QPSO算法中的不足,增强了粒子群的优化能力。     

基于局部远亲差分增强的扰动粒子群优化算法

针对粒子群优化（PSO）算法在搜索过程中因个体间缺乏交互,使种群逐渐丧失多样性、导致算法陷入局部极值的问题,提出了一种基于局部远亲差分增强的扰动粒子群优化算法（LFDE-PPSO）。首先,为扩大种群搜索空间,在速度更新过程中引入扰动因子,使惯性权重、学习因子在小范围内波动;其次,引入重构概率,选择适应度值低的个体重建中间种群;最后,为增加种群多样性,使较差个体的优秀基因得以保留,引入粒子不相关性及远亲个体,利用不相关性选择与差分个体基因差异性较大的远亲进行差分增强。实验结果表明,所提算法能够使中间种群中适应度值高的个体得以保留,有效增加种群多样性,使种群具备较强的跳脱局部极值能力,加快粒子逼近全局最优,同时具有收敛快、精度高等优点。     

基于MAPSO算法的水库优化调度与仿真

提出改进的自适应粒子群优化算法(MAPSO),引入种群熵判断粒子群优化算法(PSO)是否陷入局部最优,动态改变算法惯性权重,并将该算法用于单个水库的优化调度。建立水库优化调度的数学模型,给出基于MAPSO算法的水库优化调度的实现步骤。仿真实验证明,讲该算法用于水库的优化调度是可行、有效的,与PSO、APSO相比,收敛速度更快,与遗传算法相比,性能提高了1.13%。     

Parameter estimation of bilinear systems based on an adaptive particle swarm optimization

Bilinear models can approximate a large class of nonlinear systems adequately and usually with considerable parsimony in the number of coefficients required. This paper presents the application of Particle Swarm Optimization (PSO) algorithm to solve both offline and online parameter estimation problem for bilinear systems. First, an Adaptive Particle Swarm Optimization (APSO) is proposed to increase the convergence speed and accuracy of the basic particle swarm optimization to save tremendous computation time. An illustrative example for the modeling of bilinear systems is provided to confirm the validity, as compared with the Genetic Algorithm (GA), Linearly Decreasing Inertia Weight PSO (LDW-PSO), Nonlinear Inertia Weight PSO (NDW-PSO) and Dynamic Inertia Weight PSO (DIW-PSO) in terms of parameter accuracy and convergence speed. Second, APSO is also improved to detect and determine varying parameters. In this case, a sentry particle is introduced to detect any changes in system parameters. Simulation results confirm that the proposed algorithm is a good promising particle swarm optimization algorithm for online parameter estimation.     

基于排斥技术的QPSO算法在纳什均衡中的应用

基于量子行为的粒子群优化算法(QPSO)是一种随机的全局优化搜索新方法。文章系统地介绍了PSO算法、QPSO算法和“repulsion”技术。在对QPSO算法和基于“repulsion”技术的PSO算法分析的基础上,提出了基于“repulsion”技术的QPSO算法。将该算法用于求解混合纳什均衡。实验表明,新算法在解的收敛性和稳定性等方面优于QPSO算法。     

动态环境下的种群扩散粒子群优化算法

传统的粒子群优化算法在优化过程中难以有效地监测环境的动态变化和响应。针对上述问题,通过增加外围监测粒子加强监测有效性,提出一种可以动态响应环境变化的种群多样性扩散函数,在此基础上设计一种扩散粒子群优化算法(DPSO),在动态环境中与APSO、CPSO进行比较,实验结果表明,DPSO可以更有效地跟踪动态环境下极值的变化并快速收敛。