嵌入隔离小生境技术的混沌粒子群算法

针对标准粒子群算法(standard particle swarm optimization,SPSO)无法很好平衡全局与局部搜索能力,且收敛速度较慢、易于早熟收敛等问题,提出了嵌入隔离小生境技术的混沌粒子群算法(isolation niches em-bedded in chaos particle swarm optimization,INCPSO)。利用隔离小生境技术,保证了解的多样性,同时,引入混沌搜索策略,提高了解的搜索精度和收敛速度,且避免早熟收敛。仿真试验结果表明,与标准粒子群算法和只嵌入隔离小生境技术的粒子群算法(isolation niches particle swarm optimization,INPSO)相比,嵌入隔离小生境技术的混沌粒子群算法对复杂问题的求解能力较强,寻优性能较好。     

基于粒子能量的自适应粒子群优化算法

群优化是一种随机的群体搜索策略.针对粒子群算法易陷入局部最优和收敛速度慢等不足,提出了根据粒子的能量自适应调整参数的改进算法.该算法基于动力学和热力学的理论,计算每个粒子的能量值,并将优化过程中的群体视为热力学的某一状态,通过退火温度和粒子的能量动态调整算法中的惯性参数,达到对"惰性"粒子的原速度方向给予较大的牵引力的目的.优化过程中,随着系统温度的降低,惯性参数逐渐减小,有利于问题的收敛.算法中采用了带极值扰动策略,加速粒子跳出局部最优的能力.数值实验结果表明,该算法具有收敛精度高和收敛速度快的特点,可快速有效的求解约束和非约束优化问题.     

基于MAPSO算法的小波神经网络训练方法研究

为提高小波神经网络(Wavelet Neural Network,WNN)的建模质量,针对标准粒子群(Particle Swarm Optimization,PSO)算法优化WNN存在的早熟和局部收敛问题,提出一种基于多粒子信息共享(Multi-particle information share)和自适应惯性权重(Adaptive inertia weight)策略的PSO方法(MAPSO)用于WNN训练。多粒子信息共享采用多粒子信息来修正各粒子下一次的行动策略,以降低粒子陷入局部最优的可能性;惯性权重自适应调整根据群体早熟收敛程度,按个体适应度自适应调整惯性权重,以使陷入局部最优粒子跳出。同时,给出了算法实现的基本流程。仿真结果表明MAPSO算法既具有PSO算法的简捷性,又能够提高WNN学习速度和精度及全局搜索能力,是小波网络的有效训练方法。     

一种自适应粒子群优化算法及其仿真研究

分析了粒子群优化(PSO)算法易于发生早熟收敛的原因。在此基础上提出的自适应粒子群优化(APSO)算法根据群体早熟收敛程度和个体适应值自适应地调整粒子的惯性权重,使群体在进化过程中始终保持惯性权重的多样性,在算法的全局收敛性和收敛速度之间做了一个很好的折衷。对两个经典函数仿真的结果表明APSO算法能够有效地避免PSO算法的早熟收敛问题,而且具有较快的收敛速度。     

基于二进制编码QPSO算法的移动机器人路径规划

在分析量子粒子群算法的基础上,针对离散搜索空间的问题,提出了二进制编码的量子粒子群算法.在算法中,重新定义了粒子的位置距离矢量,调整了搜索空间的迭代方程,并引入了多点交叉和精英保留的策略,保证全局收敛的同时加快粒子的收敛速度.并使用De Jong's测试函数对本算法和二进制粒子群算法进行了比较,最后使用二进制编码量子粒子群算法对机器人路径规划进行了仿真实验.     

带全局判据的改进量子粒子群优化算法

针对现有量子粒子群优化算法的多参数(≥5)优化问题易收敛到局部最优解、且无法判定优化结果全局性的问题,提出了带全局判据的改进量子粒子群优化算法。在惯性权重自适应调整的量子粒子群优化算法基础上,进行了粒子位置周期性变异,以及随粒子进化速度和聚集度变化的搜索范围变异。依据粒子聚集度大小,建立了判定优化结果全局性的全局收敛判据。以典型标准函数和乘波体外形多参数优化问题为算例,验证了改进算法和全局判据的可靠性。结果表明,改进算法的全局搜索能力明显提高,优化结果真实可靠,全局判据实用性强。     

一种具有捕食逃逸的粒子群优化算法

早熟收敛是粒子群优化算法面临的一大难题,其主要原因是群体最优gBest的唯一支配性信息供香模式无法对称调整社会认知能力,因此,借鉴生物界普遍存在的捕食与被捕食现象,提出一种具有捕食逃逸的粒子群优化算法。算法通过在群体中引入捕食粒子来增大逃逸粒子的捕食风险,各逃逸粒子根据捕食风险和自身能量状态的权衡结果产生相应逃逸行为,提高了粒子群对称调整社会认知能力,能有效保持群体多样性,平衡群体的探索和开发能力,使群体避免陷入早熟收敛。实验结果表明新算法能够有效抑制早熟收敛。     

一种排异竞争的粒子群优化算法

提出一种基于排异竞争机制的粒子群优化算法。算法取消传统PSO算法中的全局最优值＂gbest＂,通过设定竞争区域,使得当前种群中所有粒子和上一代种群中的精英粒子,一同参与竞争。并采取适应值竞争策略、适应度选择策略和粒子间的排异策略,来保证种群的多样性,避免了算法初期陷入局部极值的可能;并通过对排异策略的动态调整,提高了算法后期的收敛速度和精度。通过对几类典型函数的仿真测试表明,算法具有较好的全局搜索能力和收敛速度。     

基于改进粒子群算法的飞行控制器参数寻优

提出了一种自适应参数策略的混沌粒子群优化算法。该方法将自适应加速度系数调整策略引入到PSO中,以有效地控制全局和局部搜索,并利用混沌运动的遍历性在解空间产生较大规模的初始群体,从中择优选出分布均匀的初始种群以提高粒子的质量,同时根据种群适应度方差对陷入早熟收敛的粒子进行混沌扰动,提高算法收敛的精度。将该方法用于飞行控制器的参数优化设计中。仿真结果表明:使用该方法能够有效地解决飞行控制系统的参数优化设计,极大地提高了飞行控制器参数的设计效率。     

双尺度变异离散粒子群算法求解背包问题

针对传统离散粒子群算法求解背包问题早熟收敛、精度低等缺点提出一种解决背包问题的双尺度变异离散粒子群算法.利用对当前最优解进行双尺度速度变异,可以实现提高算法局部最优解搜索能力的同时,保持算法的全局搜索能力和逃出局部极值的能力.在算法初期利用粗尺度速度变异可使粒子快速定位到最优解区域,算法后期则通过逐渐减小的细尺度变异可提高算法最优解的精度.粒子位置初始化过程中,把采用贫心策略所得的结果作为一个粒子的初始位置.将改进算法与其他算法比较证明该算法不仅能够有效解决其他算法搜索能力差的问题,同时还提高了最优解的精度和收敛速度.     

自适应并行机制的改进蚁群算法

针对蚁群算法存在停滞现象的缺点,以及如何有效提高蚂蚁代理的搜索能力问题,提出了一种具有自适应并行机制的选择和搜索策略。该策略通过将蚁群划分为若干个子群,不同子群的蚂蚁释放不同类型的信息素,引入了吸引因子和排斥因子,实现了一种多蚁群并行选择策略,以加强其全局搜索能力。以对称旅行商问题(traveling salesman problem, TSP)测试集为对象,将改进算法与现有蚁群优化算法进行了测试比较。实验结果表明,改进后的算法具有优良的全局优化能力,有效防止了停滞现象。     

基于育种系统管理全局优化算法及其性能

针对遗传类算法收敛精度差和收敛速度慢等问题,本文将育种系统的管理运作思想引入遗传算法,构造了一种新的全局优化算法—育种算法。通过对搜索和进化操作过程进行分析,指出了算法收敛到全局最优的途径和方法,提出了利用简单的随机采样实现全局搜索和采用基因置换技术实现交叉进化的思想策略,建立了算法模型并确定了相应的控制参数和终止准则。实验表明,该算法能够实现精确搜索并实现计算精度和成本之间的平衡,可以避免遗传算法的早熟收敛问题和大量的冗余运算,提高了优化计算的速度和可靠性。     

改进萤火虫算法及其收敛性分析

萤火虫算法因具有结构简单、控制参数少、易于实现的特点而得到广泛的关注和应用,但其易陷入局部最优导致过早收敛,从而影响寻优精度.针对这一问题,本文在位置更新规则中加入随机扰动因子,并剔除了冗余的随机项,以提高算法搜索能力;引入位置置换变异和差分进化算法中的最优变异策略,在保持种群多样性的同时,增强算法跳出局部最优的能力....     

基于改进螺旋更新位置模型的鲸鱼优化算法

针对鲸鱼算法后期种群的多样性丢失问题,通过螺旋更新位置模型的改进并结合对立学习策略、随机调整参数、正态变异操作等已有方法改进鲸鱼优化算法.采用对立学习策略对鲸鱼种群初始化,为全局搜索奠定基础;利用随机调整控制参数的策略,避免了算法后期陷入局部最优;正态变异算子与改进螺旋更新位置对鲸鱼种群进行干扰,避免种群后期向某个最优区域靠拢,增大算法的全局搜索能力.选取文献[4]中23个国际标准测试函数,包括单峰、多峰以及固定维数函数,对改进的算法进行低维测试;选取文献[12]中的25个单峰和多峰国际标准测试函数,对改进的算法进行高维测试.结果表明,IMWOA算法在收敛精度、收敛速度上均明显优于原WOA算法且具有普遍适用性、稳定性和解决超大规模优化问题的能力.     

一种改进的原子搜索算法

原子搜索算法(atom search algorithm,ASO)是模仿自然界中原子运动而提出的一种新型优化算法,针对ASO在求解复杂函数时存在易早熟及收敛速度慢的问题,提出了一种改进ASO算法(improved atomic search algorithm,IASO).I ASO加入了原子个体历史最优解产生的约束力...     

基于特异性免疫策略的遗传算法及应用

针对标准遗传算法在进化后期收敛速度慢,易陷入未成熟收敛的问题,借鉴免疫应答机理,提出一种基于特异性免疫策略的遗传算法.算法的核心在于保持种群的多样性和执行特异性免疫策略,即引入小生境技术维持种群的多样性,对遗传参数自适应调节以适应种群的实际变化;利用高亲和度抗体搜寻更优秀的抗体,并发掘低亲和度抗体寻优的潜力;通过优良记忆库实现精英保留策略,保证算法搜索的快速性及有效性.理论上证明了算法的收敛性.仿真结果表明,算法能有效地改善种群多样性,具有较强的全局收敛能力.以二级倒立摆为被控对象,将该算法应用于Takagi- Sugeno模糊神经网络控制器的优化,实物控制结果表明该方法具有良好的动稳态性能和抗干扰能力.     

基于混合策略的引力搜索算法

为了提高引力搜索算法(gravitational search algorithm, GSA)在处理单目标优化问题上的综合能力,提出了一种基于混合改进策略的GSA。依照种群个体自身的进化情况,提出个体进化率的进化策略,以提高算法的收敛速度;采取方向性的变异策略,较好地平衡了全局搜索能力和局部开采能力,最大限度地降低了种群陷入局部最优的可能。基于标准测试函数的仿真实验表明,基于混合策略的GSA算法可有效避免早熟收敛,在收敛精度和收敛速度上与标准的GSA算法以及相应的改进算法相比有显著提高。     

结合局部理想点搜索的多目标粒子群算法

提出了一种结合约束二次逼近优化(bound optimization by quadratic approximation,BOBYQA)搜索算法的理想点法对非支配解进行局部优化的混合多目标粒子群方法(local search with multiobjective particle swarm optimization, LSMOPSO),以提高多目标粒子群算法的收敛性能和非支配解集的精度与多样性。LSMOPSO算法使用拥挤距离选择领导粒子组成领导粒子集,并对其进行理想点局部搜索;分析比较了全局理想点和局部理想点对算法性能的影响,提出基于局部理想点的局部搜索策略;在粒子的设计空间的多个维度上引入均匀变异操作,降低算法陷入局部最优的可能。基本测试函数的求解结果表明,算法的收敛速度很快,而且搜索到的非支配解集的精度高、多样性好。     

模拟退火算法的一种参数设定方法研究

模拟退火算法在有限计算量条件下的收敛性能对自身参数有很大的依赖性,这使得参数设定问题成了算法应用过程中的一个关键环节。考虑到模拟退火算法本身的随机性,将其参数设定问题描述为随机优化问题,提出一种系统可靠地解决该问题的混合优化算法,即基于序的巢分区算法,该算法继承了序优化算法的快速收敛性及巢分区算法的全局搜索特性,能够有效解决复杂的随机组合优化问题。以典型旅行商问题为算例的仿真结果检验了方法的高效性与可靠性。     

Multi-objective fuzzy particle swarm optimization based on elite archiving and its convergence

A fuzzy particle swarm optimization （PSO） on the basis of elite archiving is proposed for solving multi-objective optimization problems. First, a new perturbation operator is designed, and the concepts of fuzzy global best and fuzzy personal best are given on basis of the new operator. After that, particle updating equations are revised on the basis of the two new concepts to discourage the premature convergence and enlarge the potential search space; second, the elite archiving technique is used during the process of evolution, namely, the elite particles are introduced into the swarm, whereas the inferior particles are deleted. Therefore, the quality of the swarm is ensured. Finally, the convergence of this swarm is proved. The experimental results show that the nondominated solutions found by the proposed algorithm are uniformly distributed and widely spread along the Pareto front.