基于子群混合与变异的微粒群算法及其应用

提出一种子群混合与变异的微粒群算法(SSMPSO),按适应值大小将微粒均匀分为两个子群分别进行目标优化,当子群在一定进化代数内未满足收敛条件时重新混合为一个种群.对混合种群中部分适应值差的微粒实施变异,用适应值好的微粒替代.微粒群反复进行分群进化、子群混合和种群变异操作,直至算法满足终止条件.SSMPSO算法通过几种典型高维非线性函数进行了测试,结果表明其性能明显优于基本微粒群算法.将SSMPSO算法用于常压塔汽油干点软测量,实验表明SSMPSO算法建立的汽油干点软测量模型比用基本微粒群算法所建软测量模型有了很大提高.     

一种随机微粒群混合算法求解约束优化问题

将微粒群算法（Particle Swarm Optimization,PSO）与随机优化方法-Alopex算法相结合,提出一种随机微粒群混合算法（APSO）求解约束优化问题。该算法使PSO算法中微粒的飞行速度无记忆性,结合Alopex算法重新生成停止进化微粒的位置;采用双群体搜索机制,一个群体保存具有可行解的微粒,用APSO算法使微粒逐步搜索到最优解,另一个群体保存具有不可行解的微粒,并且可行解群体以一定的概率接受性能较优的不可行解微粒,这种简单的群体多样性机制使微粒能够快速、准确地找到位于约束边界上或附近的最优解。结果表明该算法寻优性能优良且具有较好的稳定性。     

单纯形微粒群优化算法及其应用

将微粒群优化算法(PSO)与单纯形法(SM)相结合,提出单纯形微粒群优化算法(SPSO)。通过对5种常用测试函数进行优化和比较,结果表明SPSO比PSO和SM都更容易找到全局最优解。然后将SPSO用于催化裂化装置主分馏塔粗汽油干点软测量,建立基于SPSO的粗汽油干点神经网络软测量模型,通过与实际工业数据对比,表明该模型具有高的精度、好的性能和广阔的应用前景。     

微分进化微粒群算法及其控制

通过对微粒群优化算法的分析,提出了一种用微分方程组描述的微粒群优化算法——微分进化微粒群优化(DEPSO)算法,并利用传递函数对DEPSO算法的收敛性进行分析.在此基础上,通过引入PID控制器以控制DEPSO算法的动态进化行为,以增强微粒产生的多样性,从而改进微粒群优化算法的全局收敛性.仿真结果表明了此方法的有效性.     

基于微粒群算法的虚拟仪器参数自适应配置方法

提出了一种利用微粒群算法优化虚拟仪器参数设置的方法。微粒群算法通过模拟鸟类社会性运动的规律,利用群体智能解决组合优化问题,该算法能够迅速有效地进行最优化搜索。将其用于解决仪器参数设置中的多维空间优化问题,具有概念简单,应用方便,计算复杂性低和运算速度快的特点。     

单机不同尺寸工件批调度问题的优化算法

研究了单机环境下不同尺寸工件的批调度问题,引入微粒群算法对制造跨度进行优化.首先给出了问题的微粒表达形式,并根据问题的离散优化特性对微粒状态的更新方法进行了改进;然后将微粒群算法和分批的启发式算法进行有效结合,改善近似解的质量.实验中对各类不同规模的算例均进行了仿真,结果表明了微粒群算法的有效性.     

正交微粒群算法

基于正交试验设计的最优性以及微粒群中微粒的记忆特征，提出了一种新型的微粒群算法——正交微粒群算法。其主要思想是：利用正交设计的方法产生初始微粒群，以便粒子能够均匀分布在整个解空间上；充分利用微粒的记忆能力，对微粒群进行更新，从而达到对可行解空间进行开发和探索的目的。将该算法应用于四个常见的测试函数，试验结果表明本算法的性能比较优越，并且具有很强的并行性和较大的灵活性。最后，讨论了不同的初始速度和扰动对算法性能的影响。     

改进微粒群算法及其在生料浆调配多目标优化中的应用

微粒群算法是一种简单易行、收敛快速的演化计算方法，但也存在早熟收敛的缺陷。鉴于惯性权值对控制算法收敛所起的作用，本文提出一种改进的微粒群算法，让惯性权值按类S型曲线形式随迭代次数非线性变化，并根据微粒当前的搜索状态自适应调节该曲线的曲率，有效保证算法收敛速度和全局寻优能力。改进的微粒群算法用于求解氧化铝生料浆调配过程0-1组合优化问题，与传统微粒群算法及遗传算法比较的结果表明，改进的微粒群算法具有较强的全局搜索能力且能有效避免早熟收敛问题。     

基于嵌入式菱形思维的参数实时评估微粒群算法

微粒群优化算法参数的选取是影响其性能和效率的关键.为了解决微粒群算法的参数优选问题,提出-种将可拓菱形思维嵌入到微粒群优化算法中,依赖被优化函数对参数进行自适应优选的高精度微粒群算法.基本思想是:(1)根据发散-收敛-再发散-再收敛这一菱形思维特点,建立微粒群算法参数优选的菱形思维模型,利用物元的可拓性对其进行发散性设计,再利用合适的评价方法时发散后的多种参数配置方案进行评价,取其中最优方案对应的参数作为算法当前代的参数值;(2)将菱形思维过程嵌入到微粒群算法的每一步,算法参数随着进化过程中的反馈信息不断被菱形思维优化,实现了参数选取过程的实时性和自适应性.该嵌入式优化算法既提高了算法的优化精度,又克服了迭代进化嵌套的高计算成本不足.最后通过对典型benchmark函数的优化仿真,表明该算法具有较高收敛速度和优化精度.     

基于种群年龄模型的动态粒子数微粒群优化算法

针对微粒群优化算法的早熟停滞缺陷问题,提出了一种基于种群年龄模型的动态粒子数微粒群优化算法. 该算法建立了生物种群年龄模型,将每个粒子划分为不同的年龄段,动态地依据种群环境和个体信息有效地控制种群的粒子数规模;设计了较优粒子的生殖策略和较差粒子的死亡策略,增加群体的多样性和减少冗余计算量,以保证算法获得最优性能. 将此算法与其他改进算法进行比较,仿真测试结果表明,新算法具有较高的全局搜索成功率和效率,计算量显著降低,优化精度显著提高,能够有效地避免算法陷入局部停滞的缺点.     

协同随机微粒群优化的神经网络预测建模

针对一类难以精确建立数学模型的非线性控制系统,提出了协同随机微粒群优化CSPSO的神经网络预测建模方法.CSPSO在协同微粒群算法CPSO执行之后引入随机微粒群优化SPSO的思想,促使CPSO摆脱了伪最小值现象,并且保证其以概率1收敛于全局最优值.通过采集对象输入/输出数据,将CSPSO应用到模型权值的离线训练中,并给出了实现的具体步骤.结果表明在实验的几种算法中,CSPSO训练的神经网络模型精度较高且算法学习的稳定性较佳.     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于粒子群模糊神经网络的丙烯腈收率软测量建模

对粒子群优化算法与模糊神经网络的结合进行研究，提出粒子群模糊神经网络，并将其应用丙烯腈收丰软测量建模．该方法采用模翱神经网络来杓建丙烯腈收率软测量模型，用粒子群优化算法优化模糊神经网络的参数；并结合实际工艺，对所建软测量模型进行仿真研究。实验结果表明，该模型的性能优于粒子群神经网络模型，能够准确预测丙烯腈收率，具有较高的精度和良好的应用前景。     

车辆路径问题的粒子群算法研究

车辆路径优化问题是一类具有重要实用价值的组合NP问题．粒子群算法(panicle swarm optimization)是一种新出现的群智能(swarm intellingece)优化方法，将其应用于车辆路径优化问题，构造车辆路径问题的粒子表达方法，建立了此问题的粒子群算法，并与遗传算法作了对比试验．结果表明，粒子群算法可以快速、有效求得车辆路径问题的优化解，是求解车辆路径问题的一个较好方案。     

基于PSO神经网络的进化博弈研究

针对进化博弈中博弈人是有限理性的,提出了一种基于粒子群神经网络的进化博弈决策机制。该机制将神经网络技术引入到进化博弈中,并采用粒子群优化算法(PSO算法)来训练神经网络,因而可利用神经网络来模拟博弈人在进化过程中的学习和策略调整。利用该机制分别对有限理性条件下的鹰-鸽博弈和重复囚徒困境博弈进行了研究。实验表明:PSO神经网络可以准确地模拟进化博弈中博弈人的动态学习与决策过程,能有效地指导博弈人的策略选取,是进化博弈分析的有力工具。     

基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

整车物流网络规划问题的混合粒子群算法研究

综合考虑整车物流系统中的运输规模经济效应、库存控制策略、设施、服务质量等决策因素,建立了整车物流网络规划集成优化模型.给出了一种流预测算法和粒子群算法相结合的求解方法,用粒子群算法搜索物流网络可行结构,用流预测算法确定其最优运输路径,二者相互协调实现最优解的搜索.在粒子群搜索过程还加入了交叉变异操作来增加种群的多样性,以避免早熟收敛.实例仿真表明混合粒子群算法的运行效率有显著提高,且有更高概率搜索到全局最优.     

基于粒子群的控制器参数模糊规则自动提取

设计一种移动机器人轨迹跟踪控制器并利用Lyapunov稳定性定理证明了该控制器的全局稳定性。针对人为设定该类控制器参数工作量较大,根据移动机器人跟踪控制过程的非线性本质,提出了一种采用模糊非线性参数的跟踪控制方法。在无先验知识的前提下,利用粒子群算法自动提取控制器参数的模糊规则基。设计一种动态群体的粒子群方法,使得种群的多样性得到保证,减少局部收敛的可能,同时又不会对已有种群的模式造成巨大破坏。对比实验验证了该方法的有效性。     

基于Tent映射的混沌混合粒子群优化算法

为改善基本粒子群优化算法的寻优性能,通过算法混合,在粒子群优化算法中逐步引入优进策略和混沌搜索机制,以加强粒子群的局部寻优效率和全局寻优性能。并将粒子分为两类,分别执行不同的进化机制,实现协同寻优,从而构建为一种新的混沌混合粒子群优化算法。标准测试函数的仿真优化结果表明,该混合算法对较大规模的复杂问题具有较强的求解能力。算法寻优效率高、全局性能好、优化结果稳定,性能明显优于标准粒子群优化算法以及遗传算法等单一的随机搜索方法。