基于扰动的自适应粒子群优化算法

【目的】针对标准粒子群优化算法在应用中暴露出的缺点,如在迭代后期收敛速度慢、搜索精度不高、容易陷入局部最优等,提出一种基于扰动的自适应粒子群优化算法。【方法】该算法将扰动因子加入速度更新公式中,使种群搜索范围扩大;采用自适应的惯性权重,以起到平衡全局和局部寻优能力的作用;对最优粒子进行自适应的柯西变异,拓展最优粒子的搜索空间,降低粒子陷入局部最优的可能性;最后对算法进行仿真实验。【结果】新算法能够增强全局搜索能力,有效避免局部最优,具有更快的收敛速度。【结论】新算法克服了标准粒子群优化算法的缺点,为进一步研究粒子群优化算法的改进和应用提供科学依据。     

一种新的变异粒子群算法

基于对现实中鸟的飞行方式的模拟,提出了一种新的变异粒子群优化算法(VPSO).该算法增加了粒子的飞行(搜索)模式,粒子具有随时调整其飞行(搜索)方式的能力.实验结果表明:笔者算法在一定程度上改善了标准PSO存在的易陷入局部最优之不足,具有比标准PSO更强的跳出局部最优的能力和更好的全局优化能力,可用于求解高维复杂优化问题.     

一种改进粒子群优化算法在入侵检测中的应用

针对现有的粒子群优化(PSO)算法大多存在早熟收敛、容易陷入局部最优值的问题,提出了一种新的协同粒子群优化(CPSO)算法。该算法拥有两个子群,一个用于全局搜索始终保持粒子多样性,另一个用于局部搜索保证搜索精度,通过相互协同合作在全局最优值附近实现精确搜索。最后把该算法应用到动态聚类入侵检测,通过优化聚类半径和聚类阈值,对训练数据进行正、异常类聚类,然后用测试数据进行攻击检测。试验结果表明该算法较粒子群和突变粒子群(MPSO)算法性能明显提高。     

基于佳点集构造的改进量子粒子群优化算法

针对粒子群优化算法易出现早熟收敛及局部搜索能力不足的特点,提出一种改进的量子粒子群优化算法(IQPSO).该算法在量子粒子群优化算法(QPSO)的基础上,引入佳点集初始化量子的初始角位置,提高初始种群的遍历性;在粒子角速度位置更新中,采用混沌时间序列数,促使粒子跳出局部极值点;为避免粒子陷入早熟收敛,在算法中加入变异处理.仿真实验结果表明:与标准粒子群优化(SPSO)算法和量子粒子群优化(QPSO)算法比较,提出的算法具有快速的收敛能力、良好的稳定性,其优化性能有较明显的提高.     

融合榜样学习和反向学习的粒子群优化算法

为了提高粒子群优化算法(Particle swarm optimization,PSO)的优化效率,降低其陷入局部最优的概率,提出了一种融合榜样学习和反向学习的PSO算法(PSO based on combing Example learning and Opposition learning,EOPSO).首先,对粒子群中的非最优粒子采用新颖的榜样学习机制更新,以便提高全局搜索能力,避免算法陷入局部最优;其次,对粒子群中最优粒子采用反向学习混合机制更新,提升该粒子的搜索能力,进一步避免算法陷入局部最优;最后,对粒子群中的最优粒子还采用了自身变异机制更新,有利于搜索前期的全局搜索和后期的快速收敛.在15个不同维度的基准函数上进行了仿真实验,实验结果表明,与最先进的PSO改进算法ELPSO、SRPSO、LFPSO、HCLPSO相比,EOPSO优化性能更好.     

一种改进的自适应粒子群算法

针对标准粒子群优化算法早熟收敛、易陷入局部最优、收敛精度低等缺点,提出了一种改进的自适应粒子群算法.该算法在每次进化后自适应地更新每个粒子的惯性权重和学习因子,并对粒子进行排序,实现了自适应调整局部搜索和全局搜索的功能.与标准粒子群算法在6个标准测试函数上的实验进行比较并进行了t检验分析.结果表明,该算法具有很好的性能.     

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.     

一种基于双子群的改进粒子群优化算法

针对粒子群优化算法易于陷入局部最优解并存在早熟收敛的问题,提出了一种基于双子群的改进粒子群优化算法(TS-IPSO),通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围,借鉴遗传算法的杂交机制,并采用惯性权值的非线性递减策略,加快算法的收敛速度和提高粒子的搜索能力,降低了算法陷入局部极值的风险.实验结果表明该...     

基于混沌搜索的简化粒子群优化算法

针对带有收缩因子的粒子群优化算法(CFPSO)容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,采用简化粒子群优化(sCFPSO)方程与混沌搜索技术相结合的方法,提出了基于混沌搜索的简化粒子群优化(CsCFPSO)算法.该算法利用分段线性混沌映射(PWLCM)的遍历性和类随机性来完成混沌搜索,从而加快sCFPSO算法跳出局部极值点而继续优化.经过6个经典测试函数对该算法进行实验,结果表明其对于粒子群优化具有很好的使用价值,它可以准确地消去局部极值,确保收敛速度和精度,该算法是通过缩小种群数和进化代数来实现的.     

一种自适应混合纵向多变异粒子群算法

为克服标准粒子群算法搜索后期收敛速度慢、容易陷入局部最优的缺点,通过引进自适应惯性权重因子平衡标准粒子群优化算法的全局搜索和局部改良能力,同时设计了均匀分布变异和高斯分布变异相结合的粒子群混合纵向多变异策略,来提高算法摆脱局部极值和局部寻优的能力.根据提出的改进算法流程,针对公认的Sphere,Rastrigin,Griewank和Salomon四种标准测试函数进行了收敛精度和收敛速度的测试.测试结果表明,在标准粒子群、自适应权重粒子群、自适应变异粒子群和自适应混合多变异粒子群4种算法中,提出的新算法具有最好的全局最优值搜索能力和最稳定的全局收敛特性,且在提高收敛速度的同时,有效地避免了早熟收敛问题.     

改进人工蜂群算法及在风电场群调度中的应用

针对遗传算法的停滞时间长以及粒子群算法容易陷入局部极值问题,引入一种EA和SWARM交叉算法即蜂群遗传算法(BSGA)。在蜂群算法局域搜索部分,应用遍历性较强的混沌搜索算法进行局域优化,以最大限度地避免最优解被排除的问题。将改进后的算法(BSGA-CAO)应用于我国内蒙古中西部地区风电场群的调度优化问题,与BSGA算法、粒子群算法以及遗传算法相比较,运行时间分别缩短69,23和40 s,总发电量实验结果改进率分别为8.49%,5.29%和3.36%。     

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.     

惯性权重线性调整的局部收缩微粒群算法

针对微粒群优化算法存在陷入局部极小点和搜索效率低的问题, 给出一个新的速度更新策略局部收缩策略, 并提出一种改进的微粒群优化算法, 该算法保持微粒群优化算法结构简单的特点, 改善了微粒群优化算法的全局寻优能力, 提高了算法的收敛速度和计算精度. 仿真计算结果表明, 改进的算法性能优于混沌微粒群优化算法、 微粒群优化算法和带有收缩因子的微粒群算法.     

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.       

基于Tent映射的混沌粒子群优化算法

针对粒子群算法在迭代后期易陷入局部最优的不足,采用Tent映射所产生的混沌序列在粒子个体最优点和全局最优点附近进行混沌搜索,利用混沌搜索的全局遍历性和随机性提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能。几个典型测试函数的仿真结果证明了该算法的可行性。     

基于独立权重和分级变异策略的粒子群算法

针对粒子群优化算法中存在的局部收敛问题,提出一种融合惯性权重调整和群体最佳位置变异两种策略的粒子群优化算法.该算法将个体粒子的状态信息引入惯性权重策略,独立调整每个粒子的惯性权值,体现个体粒子对权重需求的差异.在最佳位置变异策略中采用分级思想,根据粒子群的搜索状态选择相应的极值变异方式,使变异操作更具针对性.实验结果表明,该算法对多个测试函数都表现出良好的优化性能,能有效避免局部收敛问题,提高了粒子群的全局搜索能力.     

变尺度混沌粒子群与小波的地基沉降预测应用

针对粒子群算法易出现早熟,搜索精度低的问题,从惯性权重的确定和算法搜索精度两个方面进行了改进。其中惯性权重由随迭代次数非线性递减函数和一随机扰动项确定,利用这个扰动项的突变性来跳出极小值区域,同时为增加粒子的多样性,提高算法搜索精度,引入了变尺度混沌搜索,并将该方法和标准粒子群算法分别与小波去噪结合,预测地基累计沉降量并做了对比,实验表明本文方法具有良好的全局和局部搜索能力,预测精度高。     

一种混合拓扑结构的粒子群优化算法

为进一步提高粒子群优化算法的搜索性能,在分析不同拓扑结构对算法性能影响的基础上,针对不同拓扑结构粒子群优化算法的优缺点,提出一种混合使用全局版本和局部版本粒子群优化算法的方法,每一代粒子在速度更新时随机选择全局模型或局部模型方式进行.在典型测试函数上进行对比实验,结果验证了新算法不仅能有效地进行全局搜索,而且具有更好的收敛精度.     

禁忌粒子群算法

针对基本粒子群算法容易陷入局部最优的缺点,将禁忌搜索算法中的禁忌思想与粒子群算法结合,提出了一种新的粒子群算法——禁忌粒子群算法(TPSO)。该算法将粒子群算法找到的当前最优值禁忌一段时间后再释放,以此避免算法陷入局部最优,即使算法暂时陷入局部最优,该算法跳出局优的能力也很强。实验表明,TPSO在收敛速度以及收敛精度方面都比基本粒子群算法有了很大程度的提高,特别对于多极值问题搜索效果非常好,可以很好的解决算法陷入局部最优的问题。     

带非均匀动态变异的改进粒子群优化方法

针对基本粒子群(PSO)算法在前期收敛速度较快和搜索精度差的缺陷,提出了一种带非均匀动态变异的改进粒子群优化方法.该方法通过引入非均匀动态变异算子不但克服了粒子群算法在后期易陷入局部最优的缺陷,而且极大地增强了群体的多样性,进而提高了算法的搜索效率.最后,通过两个复杂多峰函数的计算仿真,其结果表明该方法是非常有效的.