基于均匀设计和惰性变异的改进微粒群算法

微粒群算法(PSO)是一种随机群体优化算法,相对于遗传算法等其它的进化算法,它模型简单、操作参数少、智能程度高、运算速度快,已受到许多相关领域学者的关注与研究。但是,标准微粒群算法在寻优过程中往往陷入局部最优解,而不是全局最优解。在研究均匀设计与惰性变异的基础上,提出了改进的微粒群算法(UMPSO)。该算法利用均匀设计的思想来确定算法的初始粒子,以使其均匀分布于解空间,从而使算法以更高的概率、更快的速度找到全局最优解;在进化过程中,对惰性粒子以概率为1进行随机变异,则能够更好地保证微粒群的多样性。仿真结果表明,与标准的PSO相比,UMPSO的寻优精度更高、寻优速度更快。     

一种动态调整的改进微粒群算法

微粒群算法是一种新型的进化计算方法，已在许多领域得到了广泛的应用．通过对基本微粒群算法的分析，发现基本微粒群算法在计算过程中使用Lebesgue测度为0的线段进行搜索，较易得到过旱收敛现象．据此，提出了一种改进的微粒群算法，该算法在运行过程中能动态调整极限位置，从而使得每个微粒的极限位置在其所经历的最好位置与整体最好位置所形成的动态圆中分布，由于在搜索空间中使用测度为正的区域对定义域空间进行搜索，能以较大概率跳出局部最优点．实例仿真结果验证了方法的正确性和有效性．     

微粒群算法的可视化仿真及算法改进

微粒群算法是一种群体智能算法,它是通过模拟以鸟类、昆虫等为微粒的自然界的群体行为,来构造的一种随机寻优的进化算法。现有的微粒群算法在某些情况下存在收敛速度慢、而且不能收敛于全局最优解的问题。通过采用可视化的仿真方法对微粒群的搜索运动轨迹进行分析,我们提出了变尺度微粒群算法。变尺度微粒群算法将变尺度方法引入微粒的搜索过程中,采用不同的尺度动态地改变微粒群的搜索空间、速度限制区间等,通过对一些典型的试验函数的测试,结果表明,变尺度微粒群算法在收敛速度和全局寻优能力等方面都有较大的改进。     

一种随机微粒群混合算法求解约束优化问题

将微粒群算法（Particle Swarm Optimization,PSO）与随机优化方法-Alopex算法相结合,提出一种随机微粒群混合算法（APSO）求解约束优化问题。该算法使PSO算法中微粒的飞行速度无记忆性,结合Alopex算法重新生成停止进化微粒的位置;采用双群体搜索机制,一个群体保存具有可行解的微粒,用APSO算法使微粒逐步搜索到最优解,另一个群体保存具有不可行解的微粒,并且可行解群体以一定的概率接受性能较优的不可行解微粒,这种简单的群体多样性机制使微粒能够快速、准确地找到位于约束边界上或附近的最优解。结果表明该算法寻优性能优良且具有较好的稳定性。     

优化差异工件单机批调度问题的混合微粒群算法

研究了单机环境下具有动态到达时间的差异工件批调度问题,设计了微粒群算法对此类问题进行求解,并结合动态规划进行优化.首先给出了问题的微粒表达形式,并根据问题的离散优化特性对微粒状态的更新方法进行了改进;然后将微粒群算法和动态规划算法进行有效结合,改善近似解的质量.在实验中,对各类不同规模的算例均进行了仿真,验证了该算法的有效性.     

基于改进离散微粒群优化算法的混流装配线多目标排序

产品投产排序是混流装配线有效运作的关键,它是标准微粒群算法无法直接应用的离散空间问题.提出改进离散微粒群优化算法来解决混流装配线多目标排序问题.提出了适应离散编码的粒子位置编码方式,有效避免了不可行解的产生,提高算法效率.引入了动态参数及自适应逃逸机制增强了粒子的多样性和搜索性能.分析了装配线参数变化对目标函数和相应投产序列的影响,并确定出了能够获得最优解的合理参数范围.提出评价指标对改进离散微粒群优化算法与基本离散微粒群优化算法进行了对比,对实际混流装配线的仿真实验表明提出的改进微粒群优化算法可以直接应用于离散排序问题,是一种高效的混流装配线排序算法.改进微粒群优化算法与遗传算法的仿真实验对比显示了提出方法在混流装配线排序问题中的优越性.     

微分进化微粒群算法及其控制

通过对微粒群优化算法的分析,提出了一种用微分方程组描述的微粒群优化算法——微分进化微粒群优化(DEPSO)算法,并利用传递函数对DEPSO算法的收敛性进行分析.在此基础上,通过引入PID控制器以控制DEPSO算法的动态进化行为,以增强微粒产生的多样性,从而改进微粒群优化算法的全局收敛性.仿真结果表明了此方法的有效性.     

基于文化微粒群Elman网络的航煤干点软测量模型

将微粒群算法用于文化算法种群空间的优化,形成文化微粒群算法,并用常用测试函数检验该算法的性能;结果表明,文化微粒群算法具有比基本微粒群算法更好的优化性能。然后,籽文化微在群算法用于Elman网络连接权值和阎值的寻优,构成文化微粒群Elman网络,并将其应用于加氢裂化航煤于点软测量建模。结果表明,此模型精度高,应用前景广阔。     

具有自组织种群结构的微粒群算法

为了提高微粒群算法(P SO)的性能,模仿人类解决问题时的交互方式,提出一种基于适应值驱动,以朋友机制局部择优自组织种群结构的微粒群算法.以环形结构作为算法的初始结构,每代算法执行后,微粒根据其适应值,采用不同的阈值来决策是否需要建立新连接,并通过选择邻居的邻居中适应值最优且优于算本身的微粒,以概率P进行连接.通过这样的演化机制,逐步增加结构的平均聚集系数和降低平均路径长度,以达到近似小世界特性的网络结构.实验结果表明无论采用何种阈值,概率P对结构演化过程及算法性能的影响都非常大.在适当的概率P值下,基于该演化机制的微粒群算法获得了比基于其他结构的微粒群算法更好的性能.     

基于子群混合与变异的微粒群算法及其应用

提出一种子群混合与变异的微粒群算法(SSMPSO),按适应值大小将微粒均匀分为两个子群分别进行目标优化,当子群在一定进化代数内未满足收敛条件时重新混合为一个种群.对混合种群中部分适应值差的微粒实施变异,用适应值好的微粒替代.微粒群反复进行分群进化、子群混合和种群变异操作,直至算法满足终止条件.SSMPSO算法通过几种典型高维非线性函数进行了测试,结果表明其性能明显优于基本微粒群算法.将SSMPSO算法用于常压塔汽油干点软测量,实验表明SSMPSO算法建立的汽油干点软测量模型比用基本微粒群算法所建软测量模型有了很大提高.     

改进PSO算法及在PID参数整定中应用研究

针对粒子群优化算法(PSO)存在早熟和局部收敛的问题,提出了一种带变异算子的改进粒子群优化算法(IPSOM),该算法在搜索中以一定变异概率对选中的粒子进行变异,同时对飞离搜索区域的粒子用新产生的粒子取代,以克服粒子群优化算法易陷入局部最优解的缺陷。用一典型的Rastigrin复杂函数对新算法进行测试,结果表明改进的算法较之粒子群优化算法(PSO)和常规遗传算法(SGA)不但提高了全局寻优能力,而且有效避免了早熟收敛问题。在此基础上将这种改进算法应用于高阶带时滞对象的PID控制器设计中进行仿真研究,结果表明了所提出算法的有效性和所设计控制器的优越性。     

求解约束优化问题的动量粒子群算法

为解决约束优化问题,提出使用双可行域吸引子策略改进动量粒子群算法。该算法只需初始种群中有一个粒子位于可行域内,随着搜索过程的进行,整个种群自动进入可行域内搜索。一方面,在搜索过程早期,由于可行域内粒子少,所有粒子移向相同的吸引子,整个种群迅速进入可行域内。另一方面,随着进入可行域粒子的增多,由于每个粒子使用距本身最近的可行域吸引子,较好地维持了种种群的多样性,避免早熟现象的发生,使算法具有较好的寻优性能。与国际上当前解决约束优化问题的粒子群算法在4个标准约束优化函数上测试比较,实验结果表明本算法取得的最优值要优于其它粒子群算法。

Abstract：

The strategy that two good positions in feasible region worked as attractors was incorporated into momentum particle swarm optimization algorithm in order to resolve constrained optimization problems. The resulting algorithm only requires that one of the initial particles is in the feasible region, and then all particles in the swam automatically move into the feasible region. On the one hand, in the early iterations few particles appear in the feasible region and hence all particles move toward the same attractors, so the particles soon enter into the feasible region. On the other hand, as the number of particles in the feasible region increases, each particle adopts the most near attractor so that each particle has different attractor. Therefore, the algorithm maintains the diversity of the population, alleviates the premature, and hence achieves good performance. The algorithm is compared with other particle swarm optimization algorithms on four benchmark functions. The experimental results show that the solution of the algorithm is better than that of others.     

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.     

搜索能力自适应增强的群智能粒子滤波

针对传统粒子滤波的退化、样本枯竭现象及其导致的状态推理精度差的问题,提出了一种新型粒子滤波算法。利用群智能优化算法中的粒子群优化算法作为优化手段,改进粒子的先验分布。通过自适应地调节粒子的惯性权值增强粒子群的探索和开发能力,减少粒子群优化算法的早熟现象,使得采样后的粒子朝着高似然区域移动,从而有效地提高系统状态推理精度。利用Crame′r Raolowerbound定义了算法有效性的度量。通过仿真实验证明该算法是有效和稳定的。     

求解Job Shop调度问题的粒子群算法研究

为解决单一粒子群算法求解Job shop调度问题存在的不足,提出一种基于交换序的混合粒子群算法,提高了这类问题的求解质量.在混合粒子群算法中,采用粒子群算法进行大范围全局搜索.根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种方法的禁忌搜索算法作为局部搜索算法,增强了粒子群算法的搜索能力.采用混合粒子群算法对13个难解的benchmark问题进行求解,在较短的时间内,得到的最优解和10次求解的平均值优于并行遗传算法和粒子群算法.由此说明本文所提出的混合粒子群算法是有效的.     

解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。     

基于信息素机制的离散粒子群算法及其应用

借鉴蚁群算法的信息素机制,提出了一种基于信息素机制的离散粒子群算法。采用信息素机制的主要作用是使飞行在空间中的各个粒子不但要根据自己的信息来判断飞行方向,还可以根据其它粒子留下的信息进行方向判断。背包问题实验结果显示,该算法可以获得较优解。然后,将该算法应用到乳腺癌病人识别问题的特征选择上,结果显示,采用特征选择后的属性数据,所训练的网络可以获得较高的识别率。     

Momentum particle swarm optimizer

1.INTRODUCTION Engineeringandscientificactivitiesinvolvemanyop timizationproblems.Mostofthemcanbegenerally formulizedasfollows min(ormax)f(xi),Xmin≤xi≤Xmax;i=1,2,…,D where[Xmin,Xmax]Disareal valuedsearch space.Thetraditionaloptimizationalgorithms,such asgradientdescentandNewton’smethods,findlocal minimaefficientlyandworkbestwhenobjectfunc tionf(xi)isunimodal.However,theobjectfunc tionisusuallynon convexandhasmanylocalminima inthefeasibleregion.Insuchcases,thetraditional optimizatio…     

应用改进微粒群算法求解Job-shop调度问题

针对微粒群算法在求解实际问题过程中会出现早熟的现象,提出一种改进的微粒群算法。该算法利用记忆库来动态调整惯性权重值,增快了算法的收敛速度。同时结合进化、灾变机制避免了算法陷入局部极值的问题。在列出改进算法的具体步骤基础上,通过实际的车间调度仿真实例证明了算法的有效性,可以得到比启发式、遗传算法更佳的调度效果。