一种启发式粒子群优化算法(HPSO)及其在结构优化设计中的应用

在介绍了标准的粒子群优化算法(PSO)及被动群集的粒子群优化算法(PSOPC)的基础上,指出了两者使用"回飞技术"(fly-back mechanism)方法处理约束条件的不足之处,在基于"和谐搜索"算法(harmony search)产生新解的思想基础上,提出了一种新的启发式粒子群优化算法(HPSO),该算法可以明显提高离子群算法的收敛速度和稳定性.应用PSO、PSOPC及所提出的HPSO三种算法分别对两个桁架结构进行了截面优化设计,并对算法的收敛性和稳定性进行了分析.结果表明,本文提出的启发式粒子群优化算法(HPSO)可以有效地搜索到最优解,并且比PSO和PSOPC两种算法拥有更高的收敛速度和稳定性,尤其在迭代计算的初期,收敛效果非常明显.     

粒子群优化算法研究进展

粒子群优化(PSO)算法是一种源于人工生命和演化计算理论的新兴优化技术.其基本思想为:每个粒子被随机的初始化以表示一个可能的解,并在解空间通过更新迭代搜索最优解.PSO的优势在于算法简单,对目标函数要求少,易于实现而又功能强大.目前,已受到演化计算领域的学者们的广泛关注,并提出了许多改进的算法.本文阐述基本粒子群的原理,给出了各种改进的算法,并展望了PSO的发展方向.     

浅谈粒子群优化算法

粒子群优化（PSO）算法是一类随机全局优化技术,其思想来源于人工生命和演化计算理论。PSO算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO的优势在于简单容易实现而又功能强大。PSO已成为国际演化计算界研究的热点。该文介绍了基本的PSO算法及其应用,并讨论将来可能的研究内容。     

多粒子群协同优化算法

提出一种多粒子群协同优化(PSCO)方法．PSCO是2层结构：底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快算法收敛．这些粒子群含的粒子数以及粒子状态更新策略不要求相同．为改善粒子群容易陷入局部极小的弱点,提出扰动策略,当1个粒子群的当前全局最优解未更新时间大于扰动因子时,重置粒子的速度,迫使粒子群摆脱局部极小．用Rosenbrock函数等3种基准函数做优化实验表明,PSCO性能优于经典PSO,FPSO和HPSO等算法．     

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.     

基于正交试验设计的粒子群优化算法

针对粒子群优化(particle swarmopti mization,PSO)算法在进化初期收敛速度快但容易陷入局部最优、在进化后期收敛速度变慢且精度低的缺陷,为了提高粒子群算法的收敛速度和全局寻优能力,提出了基于正交试验设计的粒子群优化(orthogonal-experi mental-design-based PSO)算法.在基本粒子群算法的基础上,算法OE-PSO对当前搜索到的解进行局部寻优,利用正交试验设计对搜索空间的分布均匀性在可行解的领域选择有代表性的解进行测试.算法OE-PSO用搜索到的更好的解在下一次迭代中引导粒子进行搜索,从而获得更快的收敛速度和更精确的解,同时避免局部最优.实验结果表明,算法OE-PSO不但具有较快的收敛速度,而且能够有效提高解的精确性,增强算法的鲁棒性.     

改进的粒子群优化算法用于芳香化合物毒性的定量构效关系分析

粒子群优化（PSO）算法是一种新兴的优化技术,该算法简单易实现,可调参数少,已广泛应用于许多研究领域．但PSO在化学中的应用还较少。本文将改进的粒子群优化算法用于多元线性回归的变量选择,并将其用于芳香胺的致癌活性的构效关系研究．结果表明：改进的粒子群优化算法能搜索到最优的变量组合,具有较快的收敛速度。     

粒子群算法在多目标优化中的应用综述

粒子群优化算法是一种基于群体智能的全局随机寻优算法。它通过粒子搜寻自身的个体最优解和粒子群体的全局最优解来完成更新优化。粒子群算法在很多领域得到了广泛的应用。本文主要论述了多目标PSO约束优化的基本思想、实现情况,并展望了PSO算法在多目标优化中的未来发展方向。     

基于变邻域搜索改进的冲突解脱粒子群算法

飞行冲突解脱是航空器安全运行的关键,粒子群优化(particle swarm optimization,PSO)算法和变邻域搜索(variable neighborhood search,VNS)算法都可以用于解决飞行冲突,但PSO算法接近最优解时收敛速度降低,VNS算法的全局搜索能力较差。为融合PSO算法全局搜索的快速收敛特性和VNS算法的局部搜索能力,提出了变邻域搜索改进的粒子群优化算法。仿真结果证明该算法能够快速搜索到全局最优解,继承了二者的优势,同时提高了最终解脱航迹的适应值,并减少了收敛时间。     

基于改进粒子群优化技术的拜耳法物料平衡计算

分析了氧化铝生产工艺中物料平衡计算的特点,研究了拜耳法生产工艺流程和拜耳法物料平衡计算的数学模型.针对传统粒子群算法(PSO)存在的不足,给出了具有变异因子并能很好跳出局部最优解的新型粒子群算法(IPSO),并应用于氧化铝生产中的物料平衡计算.计算结果表明:优化后的粒子群算法具有较强的全局搜索能力和较高的收敛精度,是进行拜耳法物料平衡计算的有效方法.     

基于混合优化算法的最大功率点追踪方法

针对部分阴影条件下粒子群优化（PSO）算法追踪最大功率点时间较长与功率波动大的问题,提出一种基于万有引力与粒子群混合优化(GPSHO)算法的最大功率点追踪（MPPT）方法。该方法将万有引力搜索算法引入粒子群算法,在迭代过程中通过调节PSO算法的惯性权重、认知因子和社会因子提高算法的收敛速度,实现追踪全局最大功率点。仿真与实验结果表明:该方法能够在不同光照情况下精准地追踪全局最大功率点,其搜索速度大约比基于自适应惯性权重粒子群(APSO)算法的MPPT方法快１倍,功率振荡亦更小。     

PSO算法在电力系统中的应用现状和前景探析

粒子群优化（PSO）算法是一种新兴的群体智能优化技术,在简要介绍PSO算法工作原理的基础上,描述了粒子群优化方法在电网规划、检修计划、短期发电计划、机组组合、负荷频率控制、最优潮流、无功优化、谐波分析与电容器配置、参数辨识、状态估计、优化设计等方面的应用,并对今后可能的应用指出了研究方向．     

一种改进PSO算法在经济调度中的应用研究

粒子群优化算法是一类新的基于群体智能的启发式全局优化技术,群体中的每一个粒子代表待解决问题的一个候选解,算法利用粒子之间的相互作用发现复杂问题解空间的最优候选区域.综述了算法的基本形式及其多种改进形式,通过比较提出了一种用于求解一般形式的非连续、非凸、非线性约束优化问题的改进粒子群算法,用于求解复杂的非凸、非线性电力系统经济负荷分配问题.仿真结果表明,所提出的方法搜索速度快,求解精度高,易于掌握,是解决电力系统经济负荷分配问题的有效手段.     

基于粒子群优化的移动通信功率控制方法

功率控制技术是移动通信中最为关键的技术之一,在分析移动通信的功率控制模型基础上,提出基于改进的粒子群优化(PSO)算法的功率控制方法,主要包括功率控制模型的建立,PSO寻优求解等过程.仿真实验表明,采用改进的PSO算法可以完成功率控制,大大提高工作效率;此外,基于业务优先级的功率控制模型在应用中更符合实际情况.     

新型的融合优化算法及其在电力系统中的应用

提出了一种新型的融合优化算法,该算法结合了遗传算法(GA)的复制、交叉、变异操作以及粒子群优化算法(PSO)的个体速度和位置更新的原理,并将混沌的概念引入其中,它的性能要优于GA和PSO.在标准测试函数上进行了仿真比较,验证了新型算法的有效性.最后,这种新的融合优化算法被应用到了电力系统最优潮流的计算中,对IEEE-30系统进行仿真,并与遗传算法、标准PSO算法进行比较,结果表明新型的融合优化算法具有更好的优化性能.     

基于改进多粒子群算法的电力系统无功优化

将改进的多粒子群算法应用于电力系统无功优化问题的求解，克服了传统粒子群算法收敛精度不高、易陷入局部最优的缺点．该优化方法对原粒子群算法进行了如下改进：通过增强粒子群间的协同作用、引入惯性因子以及扰动的策略，来平衡集中强化搜索和分散多样化搜索过程．对IEEE6节点和IEEE30节点系统分别进行无功优化计算，并与传统粒子群算法进行了比较，结果表明，该算法求得的有功损耗较原状态降低了近1／5，且电压合格率为100％，具有较强的全局搜索能力和较高的收敛精度，是求解无功优化的有效方法．     

融合多种策略的改进粒子群算法及其在电子商务多级物流中的应用研究

为了提高粒子群优化算法(PSO)求解复杂优化问题的能力,本文对基于细菌趋化的粒子群优化算法(PSOBC)进行改进。PSOBC算法是PSO算法的一种新思路,可以有效地克服其易陷入局部最优、后期粒子多样性差的缺点,故将一般反向学习策略和自适应惯性权重与PSOBC算法相结合,得到一种改进的粒子群优化算法。改进的粒子群优化算法的开发能力和勘探能力都得到了很大的提高;在求解复杂性优化问题时种群能够在搜索范围内快速收敛到局部最优处,并且当种群密度足够小时,及时增大种群密度即进行去全局寻优。最后将改进后算法应用到电子商务多级物流中心选址及路径规划问题上。     

分段式微粒群优化算法

提出一种分段式微粒群优化算法。该算法将所要搜索的区域分成若干段,首先在每一区段内搜索出区段的最优位置,然后将各区段的最优位置组成一微粒群,继续搜索全局最优位置。通过对5个常用标准测试函数进行优化计算,仿真结果表明:分段式微粒群优化算法能有效地搜索到全局最优解,具有比基本微粒群优化算法更快的搜索速度和更好的优化性能。     

基于天体系统粒子群算法的异步电机参数辨识

针对标准粒子群优化(PSO)算法存在易早熟收敛的缺点,提出了一种基于天体系统模型的粒子群优化算法(CSPSO).在CSPSO算法中,参照天文学中的天体系统模型,将种群划分为多个相对独立的天体系统,每个系统按照自己的运行规则在不同的空间中运行,在算法的后期引入混沌优化,最终确定出优化问题的全局最优解.将CSPSO算法应用于异步电机参数辨识问题中,仿真结果表明CSPSO算法比GA算法和PSO算法具有更精确的参数辨识能力.     

一种改进的粒子群优化算法

提出一种改进的粒子群算法(EDAPSO).这种改进算法结合分布估计算法的探索能力和粒子群算法的开发能力.首先利用EDAPSO算法解决无约束的问题,并且比较EDAPSO算法与其他三种经典的粒子群算法的结果.无约束问题的实验结果表明:EDAPSO算法可以找到更好的解,并且稳定性更高.然后EDAPSO算法被用来解决含有13个单元的电力系统的负荷经济分配问题.实验结果表明:EDAPSO算法所获得的解比近期文献所报道的解好.