微粒群算法研究进展

微粒群算法是一种新型的进化计算技术．本文首先介绍了微粒群算法的基本原理、流程和相关参数，并分析了关键因子对算法搜索性能的影响，然后结合目前国内外算法的研究现状对几种改进算法和微粒群算法的应用进行综述，最后提出微粒群算法存在的问题和将来有待研究的内容。     

异步随机微粒群算法

在研究微粒群算法生物特征的基础上，提出了一种异步随机微粒群算法——ASPSO．该方法是在微粒的进化过程中，采用异步模式使全局最好位置信息以异步方式在种群中传播。从理论上证明了ASPSO与同步模式微粒群算法SPSO相比较具有更快的局部收敛速度，并对四个经典测试函数进行了仿真测试，测试结果表明：与SPSO相比，ASPSO算法具有更快的收敛速度。     

基于Powell搜索法的简化微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部强搜索能力强等优点,在简化微粒群算法的基础上,结合Powell搜索法,提出一种新型简化微粒群算法—Powell-SPSO算法.改进算法将Powell搜索法融合在简化微粒群算法中,让Powell搜索法与简化微粒群算法进行交替搜索.同时微粒的迭代利用了Powell搜索法的强搜索能力,使得算法改善了简化微粒群算法因每个微粒采用相同迭代公式进行进化而造成的微粒间的弱差异性,避免了易出现早熟、搜索速度慢等缺点.仿真结果表明,与标准微粒群算法(PSO)、简化微粒群算法(SPSO)、文献[10]算法相比较,不论是对高维函数还是低维函数,改进的算法都能够有效地避免早熟问题,并能显著地提高收敛速度和收敛精度.     

一种改进的自适应微粒群优化算法

为了提高微粒群算法(PSO)优化高维目标的性能,提出了个体惯性权重自适应调整微粒群算法(PSO-IIW).PSO-IIW中微粒拥有个体的惯性权重以满足不同微粒对全局和局部搜索能力的不同需求,此权重在对微粒每次进化后的适应值进行评价的基础上被自适应地调整,以加快其收敛速度并逃离局部最优.用该方法与其他两种不同微粒群优化算法对3个经典函数在80,120和160维数进行仿真的结果进行比较,证明在解决高维度目标时可以有效提高微粒群算法的性能.     

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.       

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法,已在许多领域得到了非常成功的应用。本文以约束优化问题为对象,首先介绍了采用罚函数法将约束优化问题化为无约束优化问题,和将约束优化问题转化为minmax问题,然后对无约束优化问题和minmax问题,采用PSO算法进行进化求解;在此基础上,以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

一个与信籁域搜索技术相结合的微粒群算法

微粒群优化算法(PSO)是一种有效的随机全局优化技术.文章针对利用微粒群优化算法进行多极值点的函数优化时,存在陷入局部极小点和搜索效率低的问题,把信籁域搜索技术引入到PSO算法中,提出了基于信籁域搜索的微粒群优化算法(TRPSO).该算法保持了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.仿真计算结果表明,该算法的性能优于混沌微粒群优化算法(CPSO)和基本微粒群优化算法(PSO).     

基于组合混沌策略自适应量子微粒群的Volterra核辨识算法

针对非线性Volterra泛函级数的参数辨识问题,提出了一种基于组合混沌策略自适应量子微粒群算法(CCSAQPSO算法)的Volterra时域核辨识方法.该方法在量子微粒群算法(QPSO)的基础上,采用混沌策略分两个阶段对QPSO进行优化,在初始化时以混沌序列初始化种群,在搜索过程中则引入混沌变异机制,利用混沌变异算子空间遍历特性对个体进行变异操作,同时按照各微粒适应度的优劣程度对其进化过程中的收缩扩张系数进行自适应调节,有效避免了早熟收敛现象的发生,提高了算法的全局寻优能力,保证了算法的准确性和精度.最后将该Volterra核辨识方法与基于标准微粒群算法(PSO算法)和QPSO算法的Volterra核辨识方法进行了对比分析.仿真结果表明,提出的方法具有参数辨识精度高、抗噪声能力强等优点,且在全局优化能力和快速收敛能力上都有较大提高.     

复杂函数优化中的一种扩展微粒群算法

为了提高标准微粒群算法处理复杂函数时的优化性能,引入了一种扩展形式的新微粒群算法。该算法充分利用了微粒群算法中两个量的优点：群体最优位置利于引导个体快速进化、个体最优位置的中心利于增强群体的多样性。新算法是标准微粒群算法的扩展形式,同时保持了迭代公式的简洁形式。通过复杂函数优化的数值模拟表明,扩展的微粒群算法较标准微粒群算法在寻优能力上有明显的提高。     

混合量子算法在旅行商问题中的应用研究

针对旅行商问题(TSP)的特点提出了一种新的解码方式,结合了进化计算(EA)和微粒群算法(PSO)的思想,构造了独特的混合量子算法(HQA).为进一步提高算法的性能,构造了改进混合量子算法(IHQA).IHQA在更新个体时能够指导惯性权重进行动态变化,决定个体在下一代被吸引或扩散.经测试证明,两种混合算法均表现出强大的寻优能力,IHQA效率更高.     

具有遗传特性的粒子群优化算法及在非线性盲分离中的应用

粒子群优化算法是一种新的基于群智能的随机优化进化算法.文章将变异和交叉思想引入到粒子群优化算法中,其基本思想是利用粒子群优化算法每次迭代的最优粒子位置及速度为基础对部分粒子进行变异,然后对变异前后粒子的分量进行随机交叉操作,从而产生新一代粒子群.通过这种处理使得粒子群体的进化速度加快,从而提高了算法的收敛速度和精度.该算法应用于盲信号分离中而获得一种非线性盲信号分离算法.计算机仿真结果表明该算法的收敛性能优于粒子群优化算法,并且在非线性盲信号分离中是有效的.     

惯性权自适应调整的量子粒子群优化算法

针对量子粒子群的惯性权值β线性递减不能适应复杂的非线性优化搜索过程的问题,提出了一种惯性权自适应调整的量子粒子群优化(DCWQPSO)算法.在该算法中,引入了量子粒子群进化速度因子sd和聚集度因子jd,并将惯性因子β表示为sd,jd2个参数的函数.在每次迭代时,算法可根据当前量子粒子群进化速度因子和聚集度因子动态地调整惯性权值,从而使算法具有动态自适应性.对典型的标准函数的测试结果表明,与量子粒子群算法相比,改进后的量子粒子群优化算法的收敛速度明显提高.     

一种动态改变惯性权的自适应粒子群算法

针对惯性权值线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权的自适应粒子群算法(DCW).在该算法中引入了参数粒子群进化速度因子和聚集度因子,并根据这2个参数对粒子群算法搜索能力的影响,将惯性因子表示为粒子群进化速度因子和聚集度因子的函数.在每次迭代时算法可根据当前粒子群进化速度因子和聚集度因子动态地改变惯性权值,从而使算法具有动态自适应性.对几种典型函数的测试结果表明,DCW算法的收敛速度明显优于LDW算法,收敛精度也有所提高.     

精英竞争和综合控制的多目标粒子群算法

目的 多目标粒子群算法虽然极易实现且收敛速度快,但在平衡其收敛性和多样性方面仍需进一步改善。方法 针对上述问题,提出一种精英竞争和综合控制的多目标粒子群算法(ECMOPSO)。一方面,算法采用全局损害选择精英粒子集,然后将两两竞争引入多目标粒子群算法中,通过精英竞争选取优胜者粒子,将其与全局领导者融合形成更全面的社会综合信息,以增强种群中粒子之间信息的交互性,更好引导种群中的粒子飞行,提升算法全局探索能力;另一方面,结合全局损害和基于位移密度估计对外部存档进行维护,从而提高外部存档中非劣解的质量,平衡算法的收敛性和多样性。结果 将ECMOPSO算法与4个多目标粒子群算法和4个多目标进化算法在ZDT和UF系列基准测试问题上进行仿真实验,并采用Wilcoxon秩和检验和Friedman秩检验比较ECMOPSO算法与所选对比算法的整体性能。实验结果表明：相比其他几个对比算法,ECMOPSO算法的收敛能力、解的分布性以及稳定性都得到了一定的提升。结论 ECMOPSO算法可以很好地平衡收敛性和多样性,提升其整体性能,能有效求解大多数多目标优化问题。     

一种可用输电能力量子粒子群优化算法

以量子行为与粒子群优化相融合的量子粒子群算法解决可用输电能力计算的优化问题.利用Matlab软件平台,以IEEE-30节点标准系统为算例进行仿真计算,比较本算法与传统粒子群算法的仿真结果,分析两种算法的寻优性能和收敛速度.仿真结果验证了量子粒子群算法解决可用输电能力优化问题的有效性.     

基于粒子群算法的盲源分离算法

简要地介绍了粒子群算法(PSO)及其改进算法和盲源分离算法(BSS),改进的粒子群算法具有并行性、易实现等优点。将改进的粒子群算法与盲源分离算法相结合,提出了基于粒子群算法的盲源分离算法。该算法以混合信号的峰度为目标函数,采用独立分量分析的方法,用改进的粒子群算法代替常规的最陡梯度下降法,对瞬时混合的信号进行盲分离,解决了梯度算法收敛速度慢的问题。实验仿真表明:该算法具有收敛速度快、分离效果好等特点。     

基于改进粒子群优化的多无人机协同航迹规划

由于航迹规划可以为多无人机飞行控制提供参考指令,且当前粒子群航迹规划算法存在收敛速度慢,成功率不高的缺点,故提出了一种综合改进粒子群的多无人机协同航迹规划算法,考虑了无人机性能约束、障碍与威胁约束、空间协同与时间协同约束。首先,通过对学习因子线性化调整,实现了粒子惯性和最优行为的平衡;其次,引入混沌初始化,改善了粒子分布质量;然后,基于遗传变异思想设计了取代策略,同时提出了调速机制,提升了算法收敛速度。最后,将综合改进粒子群算法进行仿真验证,规划结果成功率高、收敛速度快且航迹代价小,可见改进算法的有效性。     

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。     

基于分群式粒子群算法的压裂水平井试井曲线自动拟合

为提高压裂水平井试井多参数自动拟合的计算精度、速度和稳定性,将传统方法、智能算法和并行算法相结合,提出并行分群式粒子群优化算法,并将高斯-牛顿法与粒子群算法相结合,同时采用OpenMP并行算法求解。结果表明:在粒子群优化算法中,通过粒子分群使粒子搜索方向趋近于线性,避免了粒子群算法易陷入局部最优的问题,加快了搜索速度;与高斯-牛顿法相结合保证了计算的稳定性;采用OpenMP并行算法求解降低了模型的复杂度,提高了计算效率;分群式粒子群优化算法比其他优化算法计算速度更快,计算精度更高,并可在一定程度上为多裂缝水平井试井解释划分流动阶段。     

一个关于无约束最优化的Powell搜索法和微粒群算法的混合算法

该文提出一种求解无约束最优化问题新的混合算法--Powell搜索法和微粒群算法的混合算法.主要目的是通过加入混合策略证明标准微粒群算法是能够被改进的.仿真结果证明了新算法是求解无约束最优化问题的一个高效的算法.