粒子群算法在多目标优化中的应用综述

粒子群优化算法是一种基于群体智能的全局随机寻优算法。它通过粒子搜寻自身的个体最优解和粒子群体的全局最优解来完成更新优化。粒子群算法在很多领域得到了广泛的应用。本文主要论述了多目标PSO约束优化的基本思想、实现情况,并展望了PSO算法在多目标优化中的未来发展方向。     

基于改进CMOPSO挠性卫星姿态机动路径优化

针对挠性卫星姿态快速机动快速稳定控制中的路径优化问题,研究了一种基于云多目标粒子群算法(CMOPSO)的姿态机动路径优化方法.为了解决云多目标粒子群算法寻优初期可能出现粒子陷入局部最优的问题,提出了一种随迭代次数呈反正切函数变化调整惯性权重的改进云多目标粒子群算法.针对挠性卫星大角度姿态机动问题,考虑挠性卫星姿态机动过程中角加速度和角速度的限制,建立了姿态机动路径参数的多目标优化模型,并采用改进的CMOPSO进行优化.仿真结果验证了所提改进的云多目标粒子群算法在挠性卫星姿态快速机动快速稳定控制中的有效性.     

大时滞系统全参数自适应预测控制策略

针对大时滞系统纯滞后时间长、参数时变的特点,提出一种基于改进的粒子群优化的自适应预测控制算法.利用改进的粒子群优化算法对时变大时滞系统模型的全部参数进行辨识,从而克服预测模型失配对系统控制性能的影响,并且将粒子群优化算法用于预测控制滚动寻优,有效解决系统存在约束条件下的最优值求解问题.仿真结果验证所提方法的有效性和优越性.     

多目标车辆路径问题的粒子群优化算法研究

针对粒子群算法(PSO)及其变种在约束多目标等复杂问题优化过程中所遇到的易陷入局部最优和收敛性问题,提出了一种基于动态学习和突变因子的粒子群算法(DSPSO)。首先,通过分析粒子群群体的学习机制,采用动态的学习策略,使粒子自适应动态调整认知成分和社会成分在迭代更新中的权重,以引导自身向最优解的方向探索,有效改善了群体的收敛速度;其次,通过引入阶梯突变因子的概念,使粒子在陷入局部最优时进行试探跳跃,阶梯突变赋予粒子突破更新步长限制的能力,使粒子在当前位置速度矢量方向上的二维空间邻域内进行试探寻优,当发现更优解时则跳出当前局部最优;最后,通过在BenchMark基准函数测试集中典型函数上的实验,证明了DSPSO的求解精度和收敛速度均优于对比算法。在多目标车辆路径问题实例优化中,解的可接受率和成功率分别为0.91和0.66,远优于对比算法中最优解的0.16和0.11,体现了所提改进算法在车辆路径问题中的优越性。     

粒子群—禁忌搜索的FMS多智能体调度

针对柔性制造系统调度问题的复杂性,提出以最小化最大完工时间为目标的多智能体调度系统,系统包含全局、工件和机器三类智能体.系统通过基于合同网协议的工件智能体和机器智能体产生初始解,然后机器智能体以初始解为基础进行局部寻优,所获得的局部最优解集由全局智能体进一步全局寻优,从而获得比一般方法更好的调度解.在进行优化模块设计时,分别引入禁忌搜索和粒子群优化作为机器智能体和全局智能体的优化算法.针对多智能体能够交互的特点,对禁忌搜索算法进行改进,提出了双禁忌表搜索算法,使得各机器智能体寻优结果更具多样化,更适合作为全局智能体优化的初始粒子群.仿真结果表明:调度系统在求解时收敛速度快、精度高,通过对10个经典柔性job-shop问题求解,所有结果均优于单独使用遗传算法和禁忌搜索算法的已知结果.     

一种改进粒子群算法及其在风电场中的应用

针对传统粒子群寻优速度慢的缺点,引进了种群平均速度的定义。用平均速度表征粒子群的活跃程度,并作为粒子群惯性权重和学习因子调节的依据,加快了粒子群的寻优速度。针对粒子群容易陷入局部极值的缺点,提出将模拟退火算法引入粒子群算法,将粒子群的平行快速寻优能力和模拟退火的概率突跳特性相结合,保持了群体多样性,有效地避免了局部收敛。对2个典型测试函数的寻优问题进行仿真实验,实验结果验证了该算法的有效性。将改进的粒子群算法用于风电场风速概率分布模型的优化,与常规的统计方法相比,该方法具有更高的拟合精度。     

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。     

嵌入不动点迭代法的粒子群算法

针对利用粒子群优化算法寻找最优极值的问题,本文提出了一种对粒子群优化算法的改进方式.在粒子群优化算法中,加入不动点迭代法,即在进行粒子群迭代寻优之后,再利用不动点迭代策略再次进行迭代寻优计算.通过两次迭代寻优计算,让算法更加快速的收敛到最优值,并且能够找到更小的极值,且不易陷入局部极值.让粒子群算法更加稳定,寻优更加优化.     

基于粒子群优化算法的协同空战导弹目标分配

为了取得协同空战的最佳攻击效果,在协同攻击的过程中进行导弹-目标最优分配是一种有效的解决方法。首先运用作战效能和运筹学理论建立多目标协同攻击的导弹-目标最优分配模型,其次在分析基本粒子群优化算法特点的基础之上提出了一种改进粒子群优化算法,其中的主要改进有3点:惯性权自适应调整、粒子速度与位置自动更新以及优化策略改进。然后将该改进粒子群优化算法应用于协同空战导弹-目标最优分配问题的迭代求解。仿真结果表明所采取的改进策略加快了算法的收敛速度,提高了粒子的局部求解精度与全局寻优能力,并且与基本粒子群算法、遗传算法相比较,该改进粒子群优化算法能够更加快速、有效地求出多目标协同攻击的导弹-目标分配最优解。     

基于改进粒子群优化算法的结构元形态综合

结构元形态综合是与功能元形态综合类似的多最值组合优化问题,在软件中间件和控制算法功能块设计方面有重要的用途.为了解决问题规模较大时经典算法效率不高的问题,提出了一种改进粒子群优化算法.先采用了自然数循环编码技术对粒子位置和速度进行描述,然后在自然数循环编码技术的基础上采用贪婪策略把组合优化问题转化为单峰函数的优化问题.在搜索技术上,采用了分段惯性权重技术和保收敛算法改进算法的寻优能力,最后采用每轮记录多个全局最好值的方法获得多最值.给出了一个组合方案数为378 000的算例对所提算法的有效性进行了验证.算例表明,从多最值求解的角度来说,所提出的改进粒子优化算法要比生境技术简单,从寻优能力的角度来说,所提算法要优于基本的粒子群算法.     

基于改进粒子群算法优化电梯群控系统

给出的粒子群优化算法是一种群智能优化技术，利用群体和个体的智能行为来求解组合优化问题，并将多目标问题分别在粒子的各子种群中以内在并行的方式搜索多个非劣解，同时对各子种群粒子的适应度采用积分排序，较好地解决了电梯群控系统的多目标问题。充分弥补了传统方法解决多目标问题出现的不足。针对不同客流强度进行分析，分别得到不同平均的候梯时间和乘梯时间，结果表明采用此种改进的粒子群算法充分保证了算法的收敛速度和精度。     

二维不规则零件排样问题的粒子群算法求解

提出了一种基于粒子群算法求解二维不规则零件排样问题的方法．该方法首先将二维不规则零件的排样问题转化为矩形件的排样问题，然后利用粒子群算法优化求解，在求解过程中运用自适应调整策略对零件的排样位置进行微调．最后用该优化排样算法对文献中的两个算例求解，排样结果表明该算法是有效的．     

基于改进粒子群优化算法求解带时间窗的车辆路径问题研究

针对粒子群优化算法易出现早熟收敛、陷入局部最优的问题,提出了在粒子群搜索解的过程中监控粒子健康度的方法,对健康度低的粒子进行交叉操作。该方法既保证了健康粒子继续搜索最优解,又有效地改变了非健康粒子的状态,提高了粒子群的寻优能力以及跳出局部最优解的能力。最后通过实验数据集验证了新算法,实验结果表明与标准粒子群算法相比新算...     

基于粒子群和蚁群算法的船舶机舱规划方法

基于粒子群算法和蚁群算法,提出了一种优化算法用于求解船舶机舱布局规划问题.船舶机舱规划问题主要包括设备布置和管路敷设.由于船舶机舱空间有限,设备和管路数量繁多,约束条件复杂,在进行具体设计过程中,需要反复多次校核修改,才能获得可行的设计方案.为了充分考虑设备布置和管路敷设设计两者之间的耦合作用,建立数学模型,从而获得全局最优的设计方案.模拟实验的结果证明,所提出的优化方法在求解船舶机舱布局规划问题中的可行性和有效性.     

一种基于运动方向变异的混合粒子群算法研究

针对粒子群算法搜索精度不高、易早熟收敛、搜索后期多样性下降快等问题,提出一种基于运动方向变异的混合改进粒子群算法.该算法通过改变部分粒子的运动方向增加种群多样性,扩大粒子的搜索范围;利用非线性减小惯性权重的方法增加搜索后期的精度;用线性地增大和减小两个学习因子来平衡搜索的范围和精度,使得在搜索前期能够迅速定位到全局最优点附近,在搜索后期能够收敛到全局最优点.将该方法应用于函数优化中,仿真结果表明,该算法能够使粒子均匀分布在最优值空间范围内,调整和平衡粒子的全局搜索和局部精细搜索能力,同时能延缓粒子多样性的下降速度,使粒子能够跳出局部最优值.     

求解一类不可微优化问题极大熵微粒群混合算法

针对一类不可微优化问题,本文提出了一个新的算法—极大熵微粒群混合算法.首先利用极大熵方法把带约束的不可微优化问题转换成无约束的单目标最优化问题,然后利用微粒群算法对其进行求解.利用4个测试函数对其进行测试并于其它算法进行比较,计算结果表明,本文提出算法在求解的准确性和有效性方面均优于其它算法.     

基于自适应网格混合机制的多目标粒子群算法

当粒子群算法(PSO)解决多目标优化问题时,由于PSO有较快的收敛效果,使得种群在寻优过程中多样性不足,易使算法早熟收敛.为有效设计多目标粒子群算法,提出基于自适应网格混合机制的多目标粒子群算法(ammmMOPSO).该算法采用自适应网格和混合机制的一种双重维护策略,以保证外部存档中的非劣解分布均匀,避免种群快速退化,...     

一种新的求解多目标问题的分组粒子群优化算法

用粒子群优化算法求解多目标问题容易陷入局部最优,为此本文提出了一种分组粒子群多目标优化算法。该算法将决策空间分成Q个子空间,每个子空间随机的分配N个粒子,这Q个粒子群分别在各自的空间进行独立搜索。为保证每个种群的搜索多样性和遍历性,用混沌序列对各组粒子位置进行初始化,同时对各组进行基于聚集距离的粒子择优进化。由典型多目标函数的优化实验结果表明,经过适当的分组,该算法能迅速逼近非劣最优解集,效果令人满意。     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

一种新的粒子群算法与人工鱼群算法的混合算法

通过分析粒子群算法和人工鱼群算法的优缺点,利用粒子群算法收敛速度快及人工鱼群算法能较好地收敛到全局最优解的特点,提出了一种新的混合算法.算法以粒子群为基础进行设计,根据人工鱼群的公告板、群聚和随行策略的模式对粒子群进行速度与位置变更,使原有的粒子群变成具有一定智能的粒子,从而达到提高搜索精度及效率的目的.通过Generalize-Schwefel等3个经典函数进行优化仿真后发现,该混合算法具有搜索精度更高及收敛速度更快的特点,同时该算法在求解高维问题时具有明显优势.