基于T-S模型的模糊自适应PSO算法

惯性权重的取值对改善微粒群优化(Particle Swarm Optimization,PSO)算法的收敛性起着关键作用.针对惯性权重的取值问题,提出一种基于T-S模型的模糊自适应PSO(T-SPSO)算法.算法根据当前种群最优适应值和惯性权重,自适应更新惯性权重取值,改善了算法收敛性.最后以典型优化问题的实例仿真验证了所提出算法有效性.     

基于差分演化的改进多目标粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样挫;通过循环拥挤距离采控制归档集中非劣解的分布．提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘睹法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度...     

基于自适应混合算法的智能存取系统动态路径规划

研究了药房智能存取系统拣选路径的动态规划问题,提出了该问题的数学模型,并设计了一种新的自适应混合粒子群遗传算法(Adaptive hybrid particle swarm algorithm).该算法在粒子群遗传混合算法的基础上引入了动态调整和自适应进化的策略.在算法前期粒子群搜索阶段,建立了惯性权重系数、认知系数与收缩因子之间的联动关系,随着惯性权重的动态变化,认知系数与收缩因子也适时进行调整,提高了搜索效率和搜索精度.在算法的后期,采用了遗传算法的自适应交叉和变异的进化过程,对陷入局部最优的粒子群进行打散,使得每次迭代中都能最大限度的获取路径信息,使种群的搜索朝向解空间的不同区域发展.经过对某大型医院智能存取系统的路径规划仿真实验,验证了提出的算法相对于其他算法在求解速度和求解精度上都有较大的提高.     

城市区域多物流无人机协同任务分配

针对城市区域多无人机协同物流任务分配问题, 综合考虑不同无人机性能、物流时效性、飞行可靠性等影响因素, 以经济成本、时间损失和安全风险最小为目标函数, 构建多无人机协同物流任务分配模型。因问题规模大、求解复杂度高, 设计改进的量子粒子群算法进行求解。首先，为增强粒子遍历性和多样性, 采用均匀化级联Logistic映射进行粒子初始化; 其次，为避免算法陷入局部最优解, 引入基于高斯分布的粒子变异方式; 最后，为提高算法运行效率, 运用自适应惯性权重方法对粒子赋值。仿真实验结果表明，所构建的模型能够实现任务分配多目标优化, 贴近城市区域无人机物流配送实际; 所提算法与传统量子粒子群算法和遗传算法相比, 任务分配代价分别下降了5.9%和6.3%;并进一步对参数权重设置进行分析, 当3个子目标函数权重系数分别为0.225、0.275和0.500, 种群规模为150时, 算法规划的结果最优。     

一种自适应粒子群优化算法及其仿真研究

分析了粒子群优化(PSO)算法易于发生早熟收敛的原因。在此基础上提出的自适应粒子群优化(APSO)算法根据群体早熟收敛程度和个体适应值自适应地调整粒子的惯性权重,使群体在进化过程中始终保持惯性权重的多样性,在算法的全局收敛性和收敛速度之间做了一个很好的折衷。对两个经典函数仿真的结果表明APSO算法能够有效地避免PSO算法的早熟收敛问题,而且具有较快的收敛速度。     

具有动态步长和发现概率的布谷鸟搜索算法

为了进一步改善算法搜索过程中存在的求解精度偏低、收敛速度缓慢等现象,提出具有动态步长和发现概率的布谷鸟搜索算法。该算法通过引入步长调整因子动态约束每一代种群的莱维移动步长,使算法的莱维飞行机制具有自适应性。在发现概率上,使用具有均匀分布和F分布特性的随机惯性权重,改变发现概率的固定取值,加强种群的多样性,保持算法全局搜索、局部探索之间的平衡状态。通过实验证明,所提算法具有良好的可行性,其寻优结果、收敛速度均有提高。     

基于最优评价的改进自适应粒子群算法

在求解高维空间中复杂多峰函数的优化问题时,传统的粒子群算法在收敛速度和局部搜索能力等方面表现出严重不足。针对这些问题,提出了一种基于最优评价的改进自适应粒子群算法(IAPSO),引入了改进的速度迭代公式,利用对每次迭代后种群的一系列最优值的评价来控制惯性权重的增幅,并设置对速度和位置的变异机制来防止搜索陷入局部最优。相关实验表明,在对高维空间中的复杂多峰函数进行优化求解时,改进粒子群算法IAPSO的表现比常规粒子群算法更加优越。     

应用改进萤火虫算法求解基于学习退化效应的PFSP问题

为了提高基于学习退化效应的置换流水车间调度问题的求解效率,提出一种改进的萤火虫算法来增强算法性能。首先,给出一种基于目标函数的动态自适应惯性权重莱维飞行萤火虫算法,提高了算法收敛速度,易于快速搜索局部及全局最优解;其次,在标准萤火虫算法的基础上对每次移动后的萤火虫群引入差分进化算法,促进萤火虫个体决策域半径内的信息交换与共享,增加种群多样性,提升了算法收敛精度;最后,根据机器加工具有学习及退化效应的特性,通过Matlab对Car类和Rec类置换Flow-shop Benchmark问题的测试验证了改进萤火虫算法对于求解此类问题有很好的可行性及鲁棒性,并分析了不同学习率与退化效应因子组合对目标函数的影响。     

基于MAPSO算法的小波神经网络训练方法研究

为提高小波神经网络(Wavelet Neural Network,WNN)的建模质量,针对标准粒子群(Particle Swarm Optimization,PSO)算法优化WNN存在的早熟和局部收敛问题,提出一种基于多粒子信息共享(Multi-particle information share)和自适应惯性权重(Adaptive inertia weight)策略的PSO方法(MAPSO)用于WNN训练。多粒子信息共享采用多粒子信息来修正各粒子下一次的行动策略,以降低粒子陷入局部最优的可能性;惯性权重自适应调整根据群体早熟收敛程度,按个体适应度自适应调整惯性权重,以使陷入局部最优粒子跳出。同时,给出了算法实现的基本流程。仿真结果表明MAPSO算法既具有PSO算法的简捷性,又能够提高WNN学习速度和精度及全局搜索能力,是小波网络的有效训练方法。     

基于提前/滞后Flow Shop调度问题的混合微粒群算法

提出了一种混合微粒群算法,通过引入禁忌搜索算法和动态设置惯性权重等方法,提高了算法搜索全局最优解的能力并且能够有效避免早熟收敛问题。并将这种算法应用于求解实际的提前/滞后F lowShop调度问题,仿真实验结果表明了混合微粒群算法的可靠性与实用性。     

基于粒子群算法的无人机舰机协同任务规划

无人机舰机协同任务规划技术是指充分利用无人机与舰艇的优势互补,协同进行作战任务规划的新技术,它是无人机任务规划问题的研究新热点,对于提升海军海上作战能力具有重要意义。针对该问题提出了相应的数学模型,并利用自适应的粒子群算法(self adaptive particle swarm optimization, APSO)进行了求解,该算法能够自适应调整粒子群的惯性权重,更好的防止粒子群陷入局部最优。实验表明,在给定的实验样本中APSO相对于标准粒子群算法和带有压缩因子的粒子群算法能更有效的求解。     

一种快速收敛的改进粒子群优化算法

采用离散线性系统的状态方程,根据系统稳定性理论,推出了保证牡子群优化算法收敛性的参数设置压域。在收敛性理论分析的基础上,提出了一种快速收敛的改进粒子群优化算法,它是基于二阶系统按最佳胆尼比的思恕来设定粒子群速度更新公式中的惯性权重。通过标准测试函数的性能测试,验证了改进粒子群优化算法的收敛性和快速性,并和惯性权重线性递减的标准粒子群优化算法进行了比较。仿真结果表明,该算法具有可靠的收敛性能和更快的收敛速度。     

自适应杂交退火粒子群优化算法

为解决粒子群优化(particle swarm optimization, PSO)算法易早熟、后期收敛慢、收敛精度低等问题, 提出一种自适应杂交退火PSO算法。采用Sigmoid函数控制惯性权重, 平衡粒子的全局搜索和局部搜索能力; 采用双曲正切函数控制加速系数, 平衡粒子的自我认知和社会认知能力, 提高算法精度; 引入模拟退火算子, 使粒子在搜索过程中以一定概率接受差解, 增加粒子跳出局部最优的能力; 在算法后期引入杂交变异算子, 增加种群多样性, 进一步提高算法精度。基于3种标准测试函数对所提算法的性能进行了验证, 并与现有典型PSO算法进行了对比。结果表明, 所提算法在收敛精度及收敛速度上均具有一定提升。最后, 将所提算法应用于阵列天线方向图综合设计, 取得了较现有算法更优的结果。     

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索.PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值.通过对PSO算法的深入分析,基于传统的速度--位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力.测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能.     

基于自适应t分布变异的粒子群特征选择方法

在分析粒子群优化（particle swarm optimization, PSO）的基础上,提出了一种基于自适应t分布变异的简化粒子群特征选择方法。针对PSO容易陷入局部收敛的缺陷,通过对群体极值进行自适应t分布变异,使其跳出局部收敛。为了解决随机选择初始群体可能会延长搜索时间这一问题,将互信息引入到算法中。通过计算特征与类别的相关性来确定每个特征的入选概率,根据概率值生成一个近似最优粒子,使粒子群一开始就沿着比较合理的方向搜索,从而缩短进化时间。最后,以支持向量机（support vector machine, SVM）为分类器,通过仿真实验验证了算法的可行性和有效性。     

基于自适应粒子群优化的盲源分离

针对现有的盲源分离算法性能大多依赖于非线性函数的选取问题,提出了一种基于自适应粒子群优化(adaptive particle swarm optimization,APSO)的盲源分离算法。该算法以分离信号的负熵为目标函数,根据分离信号的状态自适应地调整惯性因子,克服了收敛速度和信号恢复质量之间的矛盾。仿真实验表明,该算法的性能对源信号的概率密度性质没有依赖性,因而能很好地分离亚高斯和超高斯信号的混合信号,并且能有效地避免早熟收敛问题,具有较快的收敛速度,分离效果好。     

Multilayered feed forward neural network based on particle swarmopti mizer algorithm

1 .INTRODUCTIONNowadays there are many algorithms used to trainand opti mize neural network.BPalgorithm,whichisbased on gradient vectors of nodes ,is the most popu-lar neural network training method. Once gradient in-formation is obtained, kinds of regression technologiesbased on gradient can be adopt to update parameters.However BP algorithm faces some problems :(1) speed of convergence ; (2) local mini ma ; (3)sensitivity of initial value ;(4) dependence on gradi-ent information. For s…