基于模糊聚类的粒子群优化算法

粒子群优化算法(PSO)的基础上,提出了基于模糊C-均值聚类(FCM)算法的粒子群优化算法.该算法在每次迭代过程中首先通过FCM算法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和子群中的最优粒子更新自己的速度和位置值.通过典型复杂函数测试表明,基于模糊C-均值(FCM)的粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法.     

基于分层多子群的教与学优化算法

文章针对教与学优化(teaching-learning-based optimization,TLBO)算法在求解高维函数优化问题时易陷入局部最优与"早熟"现象、迭代后期收敛速度慢、求解精度低的缺点,提出了一种基于分层多子群的教与学优化算法(hierarchical subpopulation TLBO,HSTLBO),对平均学生水平进行重新定义,并根据适应度值对教学因子动态取值;通过预设的一个等级层次结构,将种群划分为若干个子群,构成层次结构的底层;底层子群粒子相对独立进化,保证种群多样性,每个子群的最优粒子则构成层次结构的上一层,提升算法的全局收敛能力,子群自下而上更新。通过10个Benchmark函数将提出的算法与其他算法进行对比实验,结果表明,HSTLBO在求解精度和收敛速度方面均优于其他算法。     

云模型和混沌粒子群算法的多目标无功优化

为了克服基本粒子群算法易陷入局部最优值和后期收敛速度慢的不足,提出一种基于云模型的自适应粒子群算法。该算法首先采用混沌优化策略对粒子群进行初始化,增加粒子取值的多样性;其次根据粒子的适应度值将种群中的粒子分成靠近最优值、较靠近最优值和远离最优值3个子群,并分别采取不同的惯性权重生成策略进行处理,其中较靠近最优粒子子群的惯性权重由正态云发生器动态自适应调整,摆脱算法陷入局部最优值束缚;最后在迭代后期通过正态云算子实现粒子的变异操作,使算法后期快速收敛到最优解。对标准IEEE30节点系统和IEEE118节点系统进行测试仿真,结果表明了文中算法解决多目标无功优化的有效性。     

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。     

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。     

一种动态惯性权重的自适应粒子群优化算法

在标准粒子群算法中,权重过大导致最优点的搜寻能力降低,不能适应复杂的非线性优化搜索过程,动态惯性权重的自适应粒子群算法(APSO)解决了这一问题。在该算法中,粒子群中所有粒子适应度的整体变化可以跟踪粒子群的状态,在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性。通过对几种典型函数的测试结果表明,APSO算法的收敛速度和收敛精度明显优于LDW算法,从而提高了算法的性能。     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,成功地运用于广泛的数值优化问题.PSO算法在求解高维复杂函数优化问题时容易陷入局部最优.有鉴于此,提出了一种基于信息熵的粒子优化算法.该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性.实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度.     

约束优化问题的改进粒子群优化算法

提出一种求解约束优化问题的改进粒子群优化算法.该算法更多地考虑了当前全局最优粒子和个体最优粒子对粒子群搜索能力的影响,对速度更新公式做了改进;然后利用修正的可行基规则来更新个体极值和全局极值,从而引导不可行粒子尽可能到达可行的区域,以增加种群的多样性和提高全局搜索能力.数值实验表明,该算法是有效、稳定且计算精度高的全局...     

基于高斯变异与Levy飞行策略的混合粒子群优化算法

目的 解决粒子群算法易陷入局部最优解、出现早熟收敛从而导致求解精度不高的缺陷.方法 将高斯变异(Gaussian M utation)、Levy飞行策略与基本粒子群优化算法(PSO)进行混合,提出一种称为GLPSO混合粒子群算法.在该算法中粒子通过Levy飞行更新自己的位置,若粒子在若干次迭代后无法产生更优值,则在保存当前最优值的前提下进行高斯变异来保持种群多样性.结果 与结论通过对基准测试函数优化的实验结果对比,GLPSO在5个基准测试函数中的优化精度和全局搜索能力优于其他对比算法,GLPSO有更加出色的全局搜索能力和更高的求解精度.     

基于种群分区的多策略综合粒子群优化算法

针对标准粒子群优化算法容易陷入局部最优收敛精度不高的问题,提出一种基于种群分区的多策略综合学习粒子群优化算法(MSPSO).该算法利用竞争机制将种群分为两个子种群：潜力子群与普通子群,对这两个子群实行不同的进化策略,潜力子群中的粒子主要负责全局探索,普通子群中的粒子则侧重于局部勘探.为验证算法的性能,在不同类型的基准函数上与其他粒子群算法及其他群智能算法进行对比,所提算法都能取到最优的平均结果,证明所提算法具有更优异的算法性能.