一种求解TSP问题的改进粒子群优化算法

针对基本粒子群优化算法(PSO)容易陷入局部最优的缺点,将遗传算法、模拟退火算法与粒子群算法结合,提出一种改进的粒子群优化算法.在PSO的快速寻优基础上,融入遗传算法的交叉与变异操作,使粒子群具有变异能力,同时引入模拟退火算法的Metropolis准则,允许粒子在目标函数有限范围内变坏,防止陷入局部最优,形成一种新的算法模型,应用于TSP问题求解.采用TSPLIB中burma 14和att 48作为实验数据,对算法求解旅行商问题进行模拟与分析.仿真实验结果表明该改进算法提高了求解质量,全局搜索能力得到增强.     

基于频域滤波模型的PSO算法

当前对于粒子群优化算法(简称基本PSO)的改进主要从控制参数与数学模型入手,但这可能导致会陷入局部最小值。针对这个问题,本文提出一种基于频域滤波模型的PSO算法(简称FPSO)。FPSO是对粒子种群多样性进行定量分析,当粒子集中度低于设定阈值时,以当前最优粒子为中心,在一定半径范围内进行傅里叶变换,通过预设的低通滤波器,削弱当前找到的最优值;然后对当前粒子群施加以最优粒子为势能中心的辐射力,所有粒子在滤波范围外部的空间以较大的速度继续搜索。结果分析表明：基于频域滤波模型的PSO算法提升了种群多样性,有效的提高了全局搜索能力,在求解多峰函数问题的解的精度上优于带电PSO算法与变异PSO算法。     

频域滤波模型的粒子群优化算法

当前对于粒子群优化算法(简称基本PSO)的改进主要从控制参数与数学模型入手,但这可能导致陷入局部最小值。针对这个问题,提出一种基于频域滤波模型的PSO算法(简称FPSO)。FPSO是对粒子种群多样性进行定量分析,当粒子集中度低于设定阈值时,以当前最优粒子为中心,在一定半径范围内进行傅里叶变换,通过预设的低通滤波器,削弱当前找到的最优值;然后对当前粒子群施加以最优粒子为势能中心的辐射力,所有粒子在滤波范围外部的空间以较大的速度继续搜索。实验分析表明:基于频域滤波模型的PSO算法提升了种群多样性,有效地提高了全局搜索能力,在求解多峰函数问题时解的精度优于带电PSO算法与变异PSO算法。     

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.     

改进的PSO算法在重油热解模型参数估计中的应用

针对传统的粒子群算法(PSO)在解决复杂的优化问题时易陷入局部最优这一情况,提出了一种改进的粒子群算法(EPSO),该算法在传统的粒子群算法陷入局部最优的情况下引入了单个粒子的"Hooke-Jeeves模式搜索"操作和粒子之间的"启发式交叉"操作。仿真结果表明:EPSO算法的全局搜索性能和收敛速度比传统的PSO算法有明显的提高。采用EPSO算法进行非线性参数估计所得到的重油热解模型,其预报的平均相对误差比传统的PSO算法得到的模型提高了11.98%,比遗传算法(GA)得到的模型提高了38.76%。     

基于混合蛙跳粒子群算法的 TSP 问题求解

为提高粒子群算法求解TSP(Travelling Salesman Problem)问题的性能, 在算法搜索初期, 将混合蛙跳算法和 粒子群算法相融合, 针对初始粒子群随意性大、 粒子分布不均的问题, 利用混合蛙跳算法的分组策略将种群分 组, 采用改进的蛙跳更新公式优化次优个体, 并抽取各层次个体得到新种群, 从而提高最优个体的获得速度; 在算法后期, 引入3 重交叉策略和基于疏密性的引导变异操作, 解决粒子多样性降低、 易陷入局部最优的问题。 利用改进算法求解 TSP 问题, 并与其他算法进行对比。 结果表明, 改进算法是有效的且性能优于其他算法。     

粒子群算法在求解优化问题中的应用

粒子群优化(PSO:Particle Swarm Optimization)算法是一种新兴的优化技术,其思想来源于人工生命和进化计算理论.PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成优化.为了避免PSO算法在求解最优化问题时陷入在局部最优及提高PSO算法的收敛速度,提出了对PSO算法增加更新概率.对无约束和有约束最优化问题分别设计了基于PSO算法的不同的求解方法和测试函数,并对PSO算法求解多目标优化问题进行了研究.仿真实验表明了改进的PSO算法求解最优化问题时的有效性.     

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,成功地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,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.     

EM与PSO算法在图像统计模型拟合中的应用

针对期望最大值算法(EM)对图像统计模型初始值敏感和容易陷入局部极值的弱点,结合粒子群优化算法(PSO)全局寻优的特点,提出一种有效解决此问题的EM-PSO混合算法.该算法将粒子分为最优种群和进化种群,分别用EM算法和PSO算法进行更新.然后选取最优粒子群作为EM算法的初始值.仿真结果表明,用EM-PSO算法拟合图像统计模型比用EM算法拟合图像统计模型更准确.     

融入免疫思想的改进型粒子群优化算法

针对粒子群算法收敛速度慢、在收敛后期容易陷入局部最优解的缺陷,提出一种改进的免疫粒子群算法。改进后的算法借鉴了免疫系统中的免疫进化机理,通过引入免疫算法中的抗体浓度调节机制和免疫选择操作来提高粒子群算法(PSO)中粒子种群的多样性,扩大解的搜索空间;采用免疫记忆和免疫疫苗等操作来提高PSO算法的收敛速度和精度;定义新的抗体浓度选择方法和免疫疫苗等操作,用来帮助提高算法的求解效率。将改进后的算法用于求解经典的旅行商问题(TSP),结果表明该算法在收敛速度和收敛精度等方面等均有明显提高。     

基于高斯学习多峰延迟粒子群优化算法

为克服粒子群在解决多峰函数复杂问题时存在收敛速度慢和极易陷入局部最优值的缺点,提出了一种基于高斯学习多峰延迟粒子群混合算法。首先引入改进的高斯学习提高算法的收敛速度,然后在此基础上,针对4 种进化状态在算法中引入延迟因子避免局部最优问题。通过对6 个单峰多峰测试函数进行仿真实验,验证了GLPSO( Gaussian Learning PSO) 算法具有更好的收敛速度,同时验证了GLMDPSO( Gaussian Learning Multimodal Delayed PSO) 算法在处理多峰函数复杂问题时具备更好的全局搜寻能力。因此,改进算法在解决多峰函数寻优问题时可有效跳出停滞状态,提高收敛速度并具有较好的寻优能力。     

面向多模态函数的自适应混沌爬山微粒群算法

针对微粒群算法在多模态函数优化中难以找到全部极值点以及陷入局部最优和后期收敛速度慢等缺陷,提出了一种基于熵的自适应混沌爬山微粒群算法.算法根据熵的值来衡量种群多样性,当发现种群多样性匮乏时,采用动态混沌机制增强多样性;后期融入了局部收敛速度较快的爬山算法提高微粒群算法的后期收敛速度.4种典型多模态函数测试结果表明该算法在求解复杂多模态函数优化问题方面的可行性.     

动态改变惯性权重的新模式粒子群算法

针对标准粒子群算法在求解复杂优化问题时易陷入局部最优、收敛精度不高和收敛成功率低的不足,提出了一种改进的粒子群算法.通过算法所处的迭代阶段和粒子的分布情况动态改变惯性权重的值,并根据每个粒子的更新情况调整其飞行的起点.最后4个测试函数仿真结果表明,在求解复杂优化问题时,改进后算法的收敛精度和收敛成功率均有明显提高.     

Particle Swarm Optimization with Directed Mutation

In the standard particle swarm optimization(SPSO),the big problem is that it suffers from premature convergence,that is,in complex optimization problems,it may easily get trapped in local optima.In order to mitigate premature convergence problem,this paper presents a new algorithm,which is called particle swarm optimization(PSO) with directed mutation,or DMPSO.The main idea of this algorithm is to "let the best particle(the smallest fitness of the particle swarm) become more excellent and the worst particle(the largest fitness of the particle swarm) try to be excellent".The new algorithm is tested on a set of eight benchmark functions,and compared with those of other four PSO variants.The experimental results illustrate the effectiveness and efficiency of the DMPSO.The comparisons show that DMPSO significantly improves the performance of PSO and searching accuracy.     

基于信赖域技术的局部收缩的微粒群算法

为了改善标准的微粒群优化算法(SPSO)的性能,给出一个新的速度更新策略——局部收缩策略,且把信赖域技术引入PSO算法中进行惯性权重的动态调整,提出一个新的微粒群优化算法——基于信赖域技术的局部收缩的微粒群算法.新算法(NPSO)保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度.利用10个测试函数测试新算法的性能,并分别与SPSO、与混沌相结合的微粒群算法(PSOC)、具有被动聚集的微粒群算法(PSOPC)、SPSO的全局版本及带有收缩因子的微粒群算法(CPSO)比较,实验结果表明,新算法(NPSO)大大地改善了实例测试函数的表现.       

全局粒子群优化算法

针对粒子群优化算法在解决大维数的无约束优化问题时具有较差的收敛性和稳定性,提出了一种全局粒子群优化(GPSO)算法.GPSO算法引入了一种新的惯性权重,它被定义为一个指数型函数与一个随机数的乘积,这有利于维持算法的全局搜索和局部搜索.同时,GPSO算法对全局最优解进行了小的扰动,这可以有效地避免算法早熟.使用三种粒子群优化算法来解决6个无约束优化问题.仿真结果说明,与其他两种粒子群优化算法相比,GPSO算法具有更快的收敛速度和更强的逃离局部最优的能力.     

基于粒子群算法的多项目资源均衡方法研究

针对传统粒子群算法容易陷入局部最优的缺点,提出利用动态惯性权重参数和模拟退火算法修改突变概率,进而改进传统粒子群算法,探讨各项目工期最短情况下的多项目资源均衡分配问题。通过对比试验表明,改进的粒子群优化(particle swarm optimization,PSO)算法很好地实现了多项目的资源均衡优化,通过同比试验验证了改进PSO算法在解决不同规模多项目的资源均衡问题时的算法时间复杂度的线性增长性,很好地表达了人们的调度意图。     

改进的粒子群算法在求解条件非线性最优扰动的应用

通过对影响粒子群算法性能的两个关键因素进行改进,将一种改进的粒子群算法应用于条件非线性最优扰动(CNOP)的求解中,并与传统的基于梯度下降算法进行比较。比较数值结果显示,在非光滑情形下,传统的基于伴随模式提供梯度信息的SPG2求解出的CNOP绝大部分是局部的,只有少数是全局的。而改进的粒子群算法则在200次数值实验中均能够较好地求解出全局CNOP。     

基于动态和谐搜索的混合粒子群优化算法

针对粒子群优化算法随维数增大群体多样性相对减小而早熟收敛的问题,在对和谐搜索算法进行适应性改进的基础上,将其引入粒子群算法中,提出一种动态和谐搜索混合粒子群优化算法(DHSPSO).该方法使得粒子在搜索初期更具遍历性,降低算法对初始值的敏感性,并通过和谐搜索算法搜索的随机性和优胜劣汰机制改善粒子群的多样性,使得算法具有更快的收敛速度与更好的全局搜索能力.以多个标准测试函数优化进行仿真测试,结果表明,DHSPSO算法在进行高维优化问题时,在寻优速度、精度和成功率等方面均显示出良好的优化效果.     

基于学习与竞争的改进PSO算法研究

针对普通PSO算法收敛速率慢,难以收敛到全局最优解的问题,提出了一种基于学习与竞争的改进PSO算法.该算法通过将种群内部学习和竞争的思想与PSO算法相结合,让种群中个体通过竞争和学习策略来替代原有的PSO算法迭代公式.该方法在不增加PSO算法计算复杂度的基础上,能够克服基本PSO算法的不足.最后基于动态系统的稳定性分析理论,给出了该PSO算法收敛性的证明.在7种不同的测试函数上对改进后的算法进行了实验测试.实验结果表明该改进算法比传统的PSO算法有着更好的搜索精度.结果证明,新算法比普通的PSO算法具有更高的搜索精度和较低的时间复杂度.改进算法求解函数优化问题更加有效,收敛速率更快.