基于精英高斯学习的改进鱼群粒子群混合算法

为提高算法在高维函数上的寻优性能,提出改进鱼群粒子群混合算法。该算法将鱼群算法全局搜索性能好与粒子群算法局部搜索性能强的优点相结合,在寻优初始阶段采用鱼群算法获得最优群体,在后期用粒子群算法实现精搜索。针对初始种群随意性大、分布不均的问题,通过均匀初始化,优化初始种群的分布; 并对算法全局搜索方向性差、效率低的问题,采用仿照蛙跳算法的分组方式对种群进行分组,同时对组内优秀个体和一般个体使用不同搜索策略,提高搜索的目的性和效率。引入改进的精英高斯学习,从而提升最终结果的精度。利用该算法对6 个标准函数寻优并与其他算法比较,结果表明,该算法的改进有效且性能优于其他算法。     

加速度粒子群算法在多旅行商问题中的应用

标准粒子群算法(PSO)在求解多旅行商问题(MTSP)时易发生早熟收敛,为此提出一种新的加速度粒子群算法。借鉴力学思想将粒子的运动描述为受力以后在解空间中的搜索运动,粒子受个体最优、全局最优的牵引力,并受局部最优的排斥力,加速度由粒子所受的合力决定。通过审敛操作判断早熟收敛,当发生早熟时局部最优对所有粒子产生的排斥力使种群跳出局部最优继续搜索。为进一步提高算法效率,针对MTSP问题的特点设计了基于维度的粒子学习策略和编解码方法。仿真结果表明,该算法能够有效克服早熟收敛,从而提高解的收敛性和稳定性,为MTSP问题提供了一种可行的方法。     

混合精英学习的分组APO算法

为解决APO算法只遵循一种运动规则,过程单一,多样性较差,易使算法陷入局部最优的不足,借鉴精英学习策略,提出了分组精英学习策略对APO算法改进。该算法对种群个体进行分组,组内个体单独进化若干代,按适应值排序后选择最好的若干个体作为精英个体,精英个体即为组间个体,进行组间搜索,同时组内个体围绕各自精英个体局部精细搜索寻优,并引入反向学习和种群多样性指标动态调整各组个体的运动趋势,使个体间相似程度增大,寻找潜在的较好解,同时对组内组间不同个体遵循不同的作用力规则,有效地保持种群多样性,通过14个测试函数与APO算法比较,实验结果表明,该算法是有效的,在种群多样性与解的精度上较优。     

基于平均位置学习的改进粒子群算法研究

针对粒子群算法在求解复杂的多维多峰问题时,存在着局部搜索精度不高和易陷入局部最优等不 足,提出了一种基于平均位置学习的改进粒子群算法。 该算法在学习策略上采用比粒子自身适应值更好的邻 近粒子为学习对象,将该算法分两个阶段用不同更新速度公式,阶段一在更新速度公式中引入整个种群所有粒 子位置的平均位置;阶段二在速度更新公式中引入新平均位置,采用贪心策略选择,通过粒子每次更新后选择 的个体比种群历史最优适应值更优,且储存对应个体历史最优位置,在阶段一结束后开始求它们的平均位置。 将平均位置作为学习对象,可增强粒子间的信息交流,同时可平衡算法的局部开发性能与全局搜索能力。 在 CEC2017 测试函数实验中,实验结果显示所提改进算法与另外 4 个算法相比有一定的优势。     

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。     

约束优化问题的改进粒子群优化算法

提出一种求解约束优化问题的改进粒子群优化算法.该算法更多地考虑了当前全局最优粒子和个体最优粒子对粒子群搜索能力的影响,对速度更新公式做了改进;然后利用修正的可行基规则来更新个体极值和全局极值,从而引导不可行粒子尽可能到达可行的区域,以增加种群的多样性和提高全局搜索能力.数值实验表明,该算法是有效、稳定且计算精度高的全局...     

一种基于PSO思想的改进量子遗传算法

文章提出一种基于PSO思想的改进量子遗传算法.将PSO中的合作机制和记忆功能引入到QGA中,构造种群个体与当前最优解的距离参量,根据每个个体与当前最优解距离大小智能地控制旋转角的大小,使旋转角能够根据个体的进化差异选择不同旋转角的自适应调整进化过程,从而使算法始终保持合适的搜索网格,加快算法收敛,同时也可以保证能够收敛...     

变区域多种群遗传算法

考虑到在遗传算法应用中由于各决策变量取值范围的不同,造成计算个体间距离时产生虚假距离现象,在传统的海明距离基础上给出了改进的个体间距离和种群距离的定义。结合多种群协同进化的思想,采用种群搜索区域自适应变化的策略逐步缩小搜索范围,降低了空间搜索消耗,提高了搜索效率和最优解精度。同时,搜索范围的缩小间接地提高了优势基因的利用率,增强了种群的局部搜索能力。最后,通过三个典型的不对称函数优化验证了该算法的有效性。     

非线性混合整数规划问题的改进量子粒子群算法

提出了一种改进的量子粒子群算法,并将该算法用于求解非线性混合整数规划问题。构造了一种自适应调整的惯性权重,平衡了算法的全局搜索和局部搜索能力;针对混合整数规划问题,给定一定比例的初始可行解,提高了初始种群解的多样性;利用协同进化选择策略,对种群中的不可行解重新生成,使种群中每个粒子的信息充分利用,从而提高算法的收敛速度;为了抑制算法的早熟现象,给出了一种新的混沌搜索方式,对全局最优解进行局部搜索,增强算法的局部搜索能力。通过16个常见的测试函数测试结果表明,改进的量子粒子群优化算法对求解非线性混合整数规划问题,在成功率和精度方面得到很大的提高。     

基于合理信息共享机制的粒子群算法

本文基于合理的信息共享机制,提出了一种改进的粒子群算法。该算法一方面,将粒子群算法中粒子行为基于个体最优位置和种群最优位置变化为基于个体最优位置、种群最优位置和其余粒子的个体最优位置。另一方面,粒子根据适应值的大小来决定其余粒子个体最优信息的利用程度。因此,每个粒子利用了更多其它粒子的有用信息,加强了粒子之间的合作与竞争。3个基准测试函数的仿真试验表明了改进算法的有效性。