惯性权自适应调整的量子粒子群优化算法

针对量子粒子群的惯性权值β线性递减不能适应复杂的非线性优化搜索过程的问题,提出了一种惯性权自适应调整的量子粒子群优化(DCWQPSO)算法.在该算法中,引入了量子粒子群进化速度因子sd和聚集度因子jd,并将惯性因子β表示为sd,jd2个参数的函数.在每次迭代时,算法可根据当前量子粒子群进化速度因子和聚集度因子动态地调整惯性权值,从而使算法具有动态自适应性.对典型的标准函数的测试结果表明,与量子粒子群算法相比,改进后的量子粒子群优化算法的收敛速度明显提高.     

基于混合优化算法的最大功率点追踪方法

针对部分阴影条件下粒子群优化（PSO）算法追踪最大功率点时间较长与功率波动大的问题,提出一种基于万有引力与粒子群混合优化(GPSHO)算法的最大功率点追踪（MPPT）方法。该方法将万有引力搜索算法引入粒子群算法,在迭代过程中通过调节PSO算法的惯性权重、认知因子和社会因子提高算法的收敛速度,实现追踪全局最大功率点。仿真与实验结果表明:该方法能够在不同光照情况下精准地追踪全局最大功率点,其搜索速度大约比基于自适应惯性权重粒子群(APSO)算法的MPPT方法快１倍,功率振荡亦更小。     

基于样本均值和中位值的粒子群优化定位算法

针对室内LOS/NLOS混合环境,提出基于假设检验的方法确定NLOS状态,并采用具有收缩因子的粒子群优化算法进行定位.在采样值存在异常情况时,样本中位值性能优于样本均值.因此,在LOS和NLOS状态下,分别采用样本均值和样本中位值建立最小平方误差代价函数.为了增强算法的全局和局部搜索能力,在粒子群优化算法的基础上引入收缩因子.仿真实验表明,在NLOS遮挡比较严重的情况下,所提出的基于样本均值和样本中位值改进的粒子群优化定位算法较只采用样本均值改进的粒子群优化算法和一般的粒子群优化算法定位精度高.     

基于PPSO算法的电力系统无功优化

电力系统无功优化可以降低系统的有功损耗,保证系统运行的安全性和经济性.采用向量粒子群优化（PPSO）算法求解电力系统无功优化问题,在算法中通过初始化得到向量的相位角,并将相位角引入速度更新过程,这样可以更有效地提高搜索精度.在IEEE-14节点系统中,采用PPSO算法、标准粒子群优化算法、随机惯性权重粒子群优化算法和改进吸引排斥粒子群优化算法进行无功优化仿真实验对比,结果表明,PPSO算法可以更好地降低有功损耗.     

一种动态改变惯性权的自适应粒子群算法

针对惯性权值线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权的自适应粒子群算法(DCW).在该算法中引入了参数粒子群进化速度因子和聚集度因子,并根据这2个参数对粒子群算法搜索能力的影响,将惯性因子表示为粒子群进化速度因子和聚集度因子的函数.在每次迭代时算法可根据当前粒子群进化速度因子和聚集度因子动态地改变惯性权值,从而使算法具有动态自适应性.对几种典型函数的测试结果表明,DCW算法的收敛速度明显优于LDW算法,收敛精度也有所提高.     

应用粒子群优化的高斯粒子滤波

针对高斯粒子滤波(GPF)在多峰高斯假设条件下不能满足贝叶斯估计精度的问题,提出一种基于粒子群优化的高斯粒子滤波算法(PSO-GPF).该算法用粒子群优化算法更新高斯建议分布的参数,解决粒子退化和多峰高斯下的粒子精度问题.同时,带压缩因子的粒子群优化算法能有效平衡粒子的全局探测与局部开采.实验结果表明,新算法的滤波精度比高斯粒子滤波精度平均可提高93.9%,具有更高的稳定性.     

一种改进的混沌粒子群优化混合算法

提出了一种改进的混沌粒子群优化混合算法.该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力.通过对3个标准函数进行测试,仿真结果表明该算法与差分进化粒子群优化（DEPSO）算法相比,全局搜索能力和抗早熟收敛性能大大提高.     

带自适应压缩因子粒子群优化算法

针对函数全局优化问题,提出了一种自适应压缩因子粒子群优化算法。研究的结果是对粒子群优化算法定义了一个与迭代步有关的压缩因子,随着迭代步不断增大压缩因子逐渐减小,使得在算法初期,压缩因子较大,提高算法的全局搜索能力,在算法后期,压缩因子较小,提高算法的局部搜索能力,另外,把差分进化算法中的交叉与变异思想引入到该粒子群优化算法中,改善了粒子的多样性。最后把算法应用到两类测试问题中,并与其他粒子群优化算法进行比较分析,数值结果表明,算法是可行的、有效的。该成果对全局优化问题的求解具有一定的参考价值和指导意义。     

Logistic动态粒子群优化算法的改进及分析

分析了Kennedy最新提出的高斯动态粒子群优化算法（GDPSO）的寻优模式,针对GDPSO的特点,结合粒子群优化算法的新寻优模式,提出了Logistic动态粒子群优化算法（LDPSO）;并基于LDPSO和GDP—SO的特性,设计了LDPSO算法的两种改进策略——混合优化策略和最优粒子变异策略,混合优化策略用以提高收敛速度,最优粒子变异策略用以保持群体多样性,避免算法陷入局部最优。实验结果显示了LDPSO及其改进算法的有效性。     

PSO和GA的混合算法解分形插值反演问题

在分形插值拟合反演问题中,垂直比例因子的选取将影响到插值拟合的精度,提出了一种整合粒子群优化算法和遗传算法选择和交叉操作的混合算法（HPSOCS）来求分形插值的逆问题最优解,通过混合算法对weierstrass函数进行实验仿真并与粒子群优化算法比较,结果表明混合算法具有更好的优化性能,实现了分形插值函数与实际函数的更好拟合．     

应用粒子群优化-条件随机域的文本生物实体识别

针对生物医学文本中传统生物实体识别算法的精确度不高的问题,提出了一种新的基于粒子群优化-条件随机域的生物实体识别算法.新算法利用改进的粒子群优化算法训练条件随机域模型,并将训练后的条件随机域模型应用到生物实体的识别上.改进的粒子群优化算法引入粒子群聚集度来防止粒子群过早地陷入局部收敛,用迭代间对数似然相对变化率来控制算法的收敛,用线性变化的惯性因子和学习因子来控制搜索范围.实验结果表明,基于改进粒子群优化的条件随机域模型较隐马尔科夫模型、最大熵马尔科夫模型、支持向量机以及传统条件随机域模型等方法具有更高的精确率和召回率.     

一种基于复合惯性权值的粒子群优化算法

在研究神经网络优化的问题上,粒子群优化算法被广泛应用.针对基本粒子群优化算法收敛速度慢和易陷入局部最优等问题,提出了一种改进的粒子群优化算法.该算法除了采用线性惯性权值和进化速度-聚集度动态惯性权值相结合的方式来调整其权值,还将一种新颖的收缩因子引入到算法中.通过对4种典型测试函数进行仿真测试,实验结果表明新算法在收敛速度、收敛精度、改善优化性能上完全优于基本的粒子群优化算法,有效避免了基本群优化算法的缺陷.     

基于增量式PID的改进粒子群算法

基于粒子群优化(PSO)算法的简单模型和增量式PID控制原理,引入PID增量算子和4个新随机因子,对标准粒子群优化(SPSO)算法进行了扩展.扩展粒子群算法(EPSO)提升了粒子自身认知能力和社会认知能力,增加了粒子共享的信息量,粒子在运动过程中更加智能化.4个新随机因子的引入,提高了种群的多样性,一定程度上克服了PSO容易陷入局部最优的缺陷,提高了PSO算法全局搜索能力.对6个常用目标函数进行优化仿真,结果表明EPSO算法较SPSO算法收敛速度显著加快,且不易陷入局部极值点.SPSO算法是EPSO算法的一种特殊情形;EPSO算法作为SPSO的扩展,可应用于所有SPSO求解的优化问题.     

邻域自适应的微分变异约束分数阶粒子群优化

分数阶粒子群算法（FOPSO）是一种具有路径记忆的改进型粒子群优化算法。在多峰约束优化问题中,针对FOPSO易于早熟和依赖于初始参数的问题,文中提出了一种邻域自适应的约束分数阶粒子群优化方法（NAFPSO）。在算法中,依据进化状态来动态调整邻域拓扑从而更新粒子位置和速度,以提高可行解的全局寻优能力和收敛速度;采用带惩罚因子的罚函数约束处理技术,迫使粒子趋向可行区域;设计了微分变异策略以增加种群多样性,增强粒子逃脱局部最优的能力。用9个约束优化基准函数实验验证了NAFPSO的有效性和收敛性能,并应用于2个约束工程设计问题,结果表明,提出的算法寻优能力强、收敛快、精度高、稳定性好,可用于有效地解决复杂的约束工程设计优化问题。     

基于模糊推理的粒子群优化算法

针对无约束优化问题,提出了基于模糊推理的粒子群优化算法,该算法针对粒子群优化算法搜索能力的不足,先引入平均粒子,然后引入模糊推理来改进粒子群的速度更新公式,再利用模糊推理动态地改进算法惯性权重和速度更新公式的权重因子,再结合混沌扰动增加算法后期的局部搜索能力.数值试验采用12个测试函数并有5个算法进行对比,数值试验证明,改进算法的搜索能力有较大的提高.     

城市灾区无人机基站部署优化

通过优化无人机基站（UAV-BS）三维空间部署位置，以最小化满足通信需求的UAV-BS部署数量.针对城市灾区中UAV-BS的部署优化方法较少考虑到建筑的具体形状及位置对通信影响情况，在构建一个建筑物对UAV-BS视距（LoS）链路的遮挡模型的基础上，提出一种UAV-BS部署算法——PSO-PPGE.该算法首先采用粒子群算法（PSO）在目标区域搜索全局部署方案，然后基于相邻UAV-BS部署间的势博弈关系，根据遮挡信息及UAV-BS负载制定博弈策略，局部调整每个粒子中的UAV-BS位置，以提高UAV-BS的用户覆盖率，进而确定所需UAV-BS的最小数量.仿真结果表明，所提出的算法与PGE、PSO等优化算法相比，在最小化UAV-BS数量同时最大化用户覆盖率方面具有明显优势.     

时空众包环境下时效均衡改进粒子群优化算法

针对时效均衡改进粒子群优化算法受到求解方法的影响,容易出现收敛效果差、超体积指标出现异常值以及算法运行时间较长的问题,提出时空众包环境下时效均衡改进粒子群优化算法.在时空众包环境下,首先,根据惯性权重参数对学习因子进行动态调整,增强算法的统一性,结合最大速度参数的设置,完成粒子群参数的选择;其次,利用粒子个体之间的支配关系选择个体最优粒子,结合全局最优粒子的选择要求,完成时效均衡最优粒子的提取;最后,通过优化时效均衡改进粒子群优化算法设计,实现时效均衡粒子群的优化.实验结果表明,与其他两种算法相比,时空众包环境下的粒子群优化算法的性能更好,具有更好的收敛效果,超体积指标未出现异常值,且解集质量好,运行时间较短.     

基于搜索空间划分和Sharing函数的粒子群优化算法

传统粒子群优化算法PSO（Particle Swarm Optimization）概念简单,适应性强,但存在早熟等问题.本文提出了新的基于搜索空间划分（Search Space Division）和Sharing函数的智能分布粒子群优化算法（SDSIR-PSO）.创新点包括：(1)保优的重布粒子算法；(2)引入Sharing函数阻止重分布的粒子陷入同一局部最优；(3)划分搜索空间，子空间中寻优，再优中选优，作全局最优.通过对典型测试函数的详细测试验证了新算法的有效性，在相同条件下较传统算法的解精度提高了8     

噪声环境下函数优化问题的混合优化算法

针对噪声环境下的函数优化问题提出一种混合粒子群优化算法UPSOOHT, 并考察了最优计算量分配（OCBA）和噪声幅度对算法性能的影响. 该算法将粒子群优化算法与假设检验及OCBA有效地结合, 具有很好的全局搜索能力和局部精化能力. 与其他优化算法比较的测试结果表明, UPSOOHT算法的性能和抗噪声能力都具有明显的优势.     

基于改进粒子群优化算法的CDMA多用户检测

采用改进的粒子群优化算法,引入因子w,利用sigmoid函数离散粒子群设计CDMA多用户检测系统.针对不同信噪比和用户数,对其误码率和抗远近效应性能进行仿真分析,证实在CDMA系统中安装基于离散型粒子群优化算法的多用户检测系统具有可行性,且算法效率高,加快了运行的收敛速度.