共享历史最优信息搜索的粒子群算法

传统粒子群算法运行机理是通过粒子群全局最优和自身经验最优来搜索最优位置,不断迭代进化,以此趋近最优解,但该算法共享信息的局限性使其容易陷入局部最优.针对传统粒子群算法的不足,提出了共享历史最优搜索信息的粒子群算法.该粒子群体在搜索过程中,共享算法本次运行的种群个体历史最优信息、当前全局最优信息,及前几次运行过程中的种群个体历史最佳信息.通过5个经典函数的仿真实验测试,验证了该算法具有较强的全局搜索能力和收敛性.     

求解带约束投资组合模型的量子粒子群算法

针对量子粒子群算法(QPSO)在迭代后期出现种群多样性缺失和容易陷入局部最优的问题,提出了一种基于交叉操作的改进算法;在改进算法中,考虑了粒子的历史最优位置和次优位置,用以扩大粒子的搜索范围;同时,将遗传算法的交叉操作运用到位置的更新中,以增加种群的多样性,进而提高算法的收敛性;在性能测试中,将改进算法与原始的量子粒子群算法、基于差分进化的QPSO和基于黑洞探索的QPSO在收敛精度和鲁棒性方面进行了比较;最后,运用改进算法对一类具有投资数量限制的投资组合问题进行了求解,并与遗传算法、粒子群算法和标准的量子粒子群算法的寻优结果进行了对比。     

求解作业车间调度问题的混合QPSO算法

文章使用混合量子粒子群优化算法求解作业车间调度问题,并设计了一种基于工序的编码方式;为了克服量子粒子群优化算法容易陷入局部最优的缺点,将模拟退火算法引入量子粒子群优化算法,使算法具有跳出局部最优的能力并增强其全局搜索能力,形成量子粒子群-模拟退火调度算法;仿真结果表明,混合算法具有良好的全局收敛性能.     

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.     

基于混合QPSO的LS-SVM参数优化及其应用

针对最小二乘支持向量机(LS-SVM)的参数寻优问题,提出一种基于混合量子粒子群算法(HQPSO)的LS-SVM参数选择方法,以提高LS-SVM模型的学习性能和泛化能力.该算法结合QPSO算法的全局优化能力和Powell的局部寻优能力,分别对粒子初始位置、新局部最优位置以及全局最优位置进行Powell局部寻优,提高求解速度和解的精确性.利用测试函数对该建模方法进行仿真测试,与PSO LS-SVM模型进行比较,并利用湿法炼锌净化过程现场数据进行工业验证.研究结果表明:HQPSO LS-SVM模型具有较好的泛化性能,模型预测精度高,预测结果满足工艺生产的要求.     

基于具有自适应与自学习能力的粒子群优化算法的车间调度算法

针对车间调度问题, 提出一种新的基于粒子群优化和模拟退火的混合算法. 该算法将问题规模作为启发式信息, 通过对模拟退火算法引入新的邻域搜索机制--多粒度搜索, 并加入选择优化和淘汰更新机制, 提高了算法的自适应性和自学习能力, 降低了粒子群算法陷入局部最优的可能性. 实验结果表明, 该算法在最优解的求解能力上优于其他算法.     

基于具有自适应与自学习能力的粒子群优化算法的车间调度算法

针对车间调度问题,提出一种新的基于粒子群优化和模拟退火的混合算法.该算法将问题规模作为启发式信息,通过对模拟退火算法引入新的邻域搜索机制——多粒度搜索,并加入选择优化和淘汰更新机制,提高了算法的自适应性和自学习能力,降低了粒子群算法陷入局部最优的可能性.实验结果表明,该算法在最优解的求解能力上优于其他算法.     

利用基于精英策略的粒子群算法求解多目标规划问题

本文提出了一种求解多目标规划问题的精英粒子群算法.该算法利用精英策略存储每一代Pareto最优解,同时提出了一种最优粒子的选取策略用以克服粒子陷入局部最优的缺点.最后,通过数值实验验证算法的可行性和有效性.     

基于改进量子粒子群算法的云计算资源调度

资源调度优化是云计算系统应用中的关键技术,针对标准量子粒子群优化算法收敛速度慢、求解效率低的缺陷,提出一种基于改进量子粒子群算法的云计算资源调度方法。首先在分析云计算资源调度研究现状的基础上,建立了相应的数学模型,然后采用量子粒子群优化算法对其进行求解,在求解过程中,对平均最优位置进行随机扰动,协助粒子逃离局部最优解,最后采用通过仿真实验对其性能进行分析。结果表明,该文方法可以有效提高云计算资源的利用率,保证它们之间负载均衡,具有较好的应用价值。     

基于量子行为的花朵授粉算法

针对花朵授粉算法易陷入局部极值、收敛速度慢的不足,提出一种具有量子行为的花朵授粉算法.该算法通过引入量子系统的态叠加特性,用波函数描述种群个体的位置,利用势肼场使种群个体以一定的概率密度在可行空间任何区域进行搜索,并且利用种群的平均最优位置使种群间存在等待效应,提高种群的协同工作能力,从而使算法能有效地避免陷入局部最优,增强全局寻优能力,提高收敛速度.通过8个CEC2005benchmark测试函数进行测试比较和3个数值积分的求解,并对结果进行分析,仿真结果表明,改进算法的全局寻优能力明显优于基本的花朵授粉算法、差分进化算法和蝙蝠算法等,其收敛精度、收敛速度和鲁棒性均比对比算法有较大提高.     

一种改进的粒子群算法

粒子群优化算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优.为了克服这个缺点,通过调整粒子的速度更新公式,使粒子获得更多信息来调整自身的状态,以增强算法跳出局部最优的能力.通过对6个基准函数的仿真实验,表明了改进算法的有效性.     

一种改进的粒子群优化算法

粒子群优化算法是一种基于仿生技术的启发式算法,针对粒子群优化算法存在易早熟现象,提出一种改进的粒子群优化算法.该算法给出了一种新的变异算子,该算子具有一定探索和开发能力,从而避免算法陷入局部最优.基于新变异算子给出一个新的粒子位置更新公式.根据系统稳定性理论,推出了算法的参数设置区域.最后,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收敛速度和求解精度.实验结果表明,该算法具有较好的收敛速度和求解精度.     

非线性混合整数规划问题的改进量子粒子群算法

提出了一种改进的量子粒子群算法,并将该算法用于求解非线性混合整数规划问题。构造了一种自适应调整的惯性权重,平衡了算法的全局搜索和局部搜索能力;针对混合整数规划问题,给定一定比例的初始可行解,提高了初始种群解的多样性;利用协同进化选择策略,对种群中的不可行解重新生成,使种群中每个粒子的信息充分利用,从而提高算法的收敛速度;为了抑制算法的早熟现象,给出了一种新的混沌搜索方式,对全局最优解进行局部搜索,增强算法的局部搜索能力。通过16个常见的测试函数测试结果表明,改进的量子粒子群优化算法对求解非线性混合整数规划问题,在成功率和精度方面得到很大的提高。     

约束优化的粒子群改进算法及应用

针对粒子群算法易于坠入局部最优、早熟而造成求解成功率不高的问题引入回退算法的思想,提出一种用于求解工程约束的改进粒子群算法。对优化过程中不合约束的粒子不是简单抛弃,而使其回退到该粒子历史最优,进行下次搜索,这样求解过程中的粒子群搜索能力更强,以增强算法的成功率和运算速度、收敛性。通过对测试函数和工程实例进行仿真测试,并与标准粒子群算法对比,结果表明该算法是有效可行的。     

一种新的量子蚁群优化算法

 针对蚁群算法在求解连续空间优化问题时易于陷入局部最优和收敛速度慢的问题,提出了一种新的基于量子进化的蚁群优化算法。 该算法采用量子比特的概率幅表示蚂蚁当前位置信息;设计了一种新的量子旋转门更新蚂蚁位置, 完成蚂蚁的移动;最后采用量子 非门实现蚂蚁所在位置的变异, 增加位置的多样性。不仅从理论上证明了所提出算法的收敛性,而且通过仿真实验表明该算法可使 搜索空间加倍,比传统的蚁群算法具有更好的种群多样性,更快的收敛速度和全局寻优能力。     

一种基于改进的磷虾群和粒子群的混合算法

针对基本磷虾群(KH)算法在求解高位复杂优化问题时容易陷入局部最优、求解精度低等缺点,提出了一种基于改进的磷虾群和粒子群的混合算法(AIPSOKH).该算法首先对KH算法中的觅食权重和诱导权重采用非线性递减策略,然后将其与惯性权重线性递减的粒子群算法(LDWPSO)混合,采用双子种群同时计算的并行策略进行迭代计算,借鉴自然选择中适者生存的进化机制提升母种群中个体的质量,以此来避免算法陷入局部最优,并提升其求解精度.最后通过8个标准测试函数的对比实验表明,在全局搜索能力和求解精度上与提到的2种算法相比都有着显著优势.     

电力系统经济调度的量子粒子群改进算法

电力系统经济调度(economic dispatch,ED)通过合理配置电力资源,在满足实际运行约束的前提下,使发电成本率最小化。针对ED问题,将量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法与随机扰动策略相结合,提出了一种改进的随机扰动量子粒子群优化(QPSO with random perturbation,RPQPSO)算法。扰动策略采用2种方式,在进化后期根据随机概率对群中的每个粒子进行扰动,避免算法陷入局部最优。为了验证其有效性,利用一组标准测试函数对RPQPSO算法进行了性能测试,测试表明,该算法有助于增加种群多样性,提高算法的全局搜索能力。通过将该算法应用到典型电力系统中进行测试,该算法相较于传统遗传算法、粒子群算法和QPSO算法,在解的质量、鲁棒性和收敛性等方面都取得了较大的提高,表现出优异的求解性能。     

基于模拟退火的改进粒子群算法研究

为克服粒子群算法在求解复杂的多峰问题时极易陷入局部最优解的缺陷,作者提出一种基于模拟退火的改进粒子群算法(PSOBSA).在PSOBSA算法中,每间隔若干代,对粒子的历史最优位置进行变异操作,以产生新的粒子;并采用模拟退火的思想,允许新产生的粒子的目标函数值在有限范围内变化;最后采用一种广义的学习策略提升种群收敛的概率.在基准函数的测试中,结果显示PSOBSA算法比基本PSO算法有更好的性能.     

基于平均位置学习的改进粒子群算法研究

针对粒子群算法在求解复杂的多维多峰问题时,存在着局部搜索精度不高和易陷入局部最优等不 足,提出了一种基于平均位置学习的改进粒子群算法。 该算法在学习策略上采用比粒子自身适应值更好的邻 近粒子为学习对象,将该算法分两个阶段用不同更新速度公式,阶段一在更新速度公式中引入整个种群所有粒 子位置的平均位置;阶段二在速度更新公式中引入新平均位置,采用贪心策略选择,通过粒子每次更新后选择 的个体比种群历史最优适应值更优,且储存对应个体历史最优位置,在阶段一结束后开始求它们的平均位置。 将平均位置作为学习对象,可增强粒子间的信息交流,同时可平衡算法的局部开发性能与全局搜索能力。 在 CEC2017 测试函数实验中,实验结果显示所提改进算法与另外 4 个算法相比有一定的优势。     

基于免疫粒子群算法的车间作业调度问题

本文提出了一种基于人工免疫原理的改进粒子群优化算法,从而克服了粒子群算法在求解优化问题过程中易陷入局部最优解的缺点。实例验证了该算法的有效性。