融入免疫思想的改进型粒子群优化算法

针对粒子群算法收敛速度慢、在收敛后期容易陷入局部最优解的缺陷,提出一种改进的免疫粒子群算法。改进后的算法借鉴了免疫系统中的免疫进化机理,通过引入免疫算法中的抗体浓度调节机制和免疫选择操作来提高粒子群算法(PSO)中粒子种群的多样性,扩大解的搜索空间;采用免疫记忆和免疫疫苗等操作来提高PSO算法的收敛速度和精度;定义新的抗体浓度选择方法和免疫疫苗等操作,用来帮助提高算法的求解效率。将改进后的算法用于求解经典的旅行商问题(TSP),结果表明该算法在收敛速度和收敛精度等方面等均有明显提高。     

多目标非支配邻近免疫粒子群算法

针对PSO算法求解多目标优化问题时易陷入局部最优解的问题,采用非支配邻近免疫算子来对粒子群的外部档案进行维护和变异操作,有效提高了Pareto解的多样性,从而提出一种多目标非支配邻近免疫粒子群算法(NICPSO)。采用动态加权法选择全局最优粒子,提高全局搜索能力;当粒子群趋于早熟时,采用优势邻域认知的个体极值更新策略;同时将学习因子表示为惯性权重的非线性函数,有效提高算法的统一性。通过ZDT1—ZDT4及ZDT6基准测试函数验证,该算法有效的提高了优化解的收敛性和多样性,与其他多目标进化算法和多目标粒子群优化算法相比,具有较好的性能。     

一种新的简化粒子群优化算法

针对粒子群算法在寻优中存在早熟和收敛精度不高等问题,论文对粒子位置的更新策略以及更新公式进行改进,提出了一种新的简化粒子群优化算法(New Simple Particle Swarm Optimization,NSPSO),并将其在15个多极值基准函数进行全局最优化测试,实验结果表明,NSPSO算法收敛的精度大大提高了,而且算法收敛速度也很快,对于高、低维复杂函数的优化均适用.     

免疫粒子群算法及其在水库优化调度中的应用

免疫粒子群优化算法(IA-PSO)是将免疫系统的免疫信息处理机制引入粒子群算法(PSO)中,利用其特有的浓度选择机制以及免疫接种功能的原理,改进粒子群优化算法的全局寻优能力,提高收敛速度.在分析水库优化调度的数学模型和IA-PSO算法特点的基础上,提出了基于IA-PSO算法的水库优化调度的方法,建立了数学模型,给出了具体求解步骤.经实例验证,IA-PSO得出的水库优化调度方案优于传统动态规划算法的计算结果,而且算法收敛速度快,为水库调度问题提供了一条新的有效求解途径.     

一种新的求解优化问题的混合粒子群算法

将粒子群优化算法与一种自适应局部搜索算法相结合,提出了一种新的混合粒子群优化算法,使粒子群算法寻优过程中的全局搜索能力和局部搜索能力良好平衡;采用了典型函数和模糊神经网络优化问题对算法性能进行测试,并与其它方法进行比较.实验结果表明,这种混合粒子群优化算法能获得质量更好的解,具有较高的收敛性,特别是在高维复杂函数优化上具有很强的竞争力,其性能大大优于单一的优化方法.     

一种新的求解优化问题的混合粒子群算法

将粒子群优化算法与一种自适应局部搜索算法相结合,提出了一种新的混合粒子群优化算法,使粒子群算法寻优过程中的全局搜索能力和局部搜索能力良好平衡;采用了典型函数和模糊神经网络优化问题对算法性能进行测试,并与其它方法进行比较.实验结果表明,这种混合粒子群优化算法能获得质量更好的解,具有较高的收敛性,特别是在高维复杂函数优化上具有很强的竞争力,其性能大大优于单一的优化方法.     

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.     

一种改进的粒子群优化算法

针对粒子群优化算法早熟收敛现象,提出了一种改进的粒子群优化算法.该算法将模拟退火算法的"上山性"引入粒子群算法中,同时为了增加种群的多样性,将交叉和变异算子也结合进去,形成了一种新的改进粒子群算法.比较了高斯变异和柯西变异这两种变异算子对改进算法的影响.改进算法对典型函数的优化计算结果表明,与基本粒子群算法相比,改进算法能够更加快速有效的收敛到全局最优解,而且采用柯西变异算子的改进算法的效果比采用高斯变异算子的效果要好.     

基于免疫粒子群的最小连通支配集求解算法

为解决复杂网络最小连通支配集(MCDS)求解算法复杂度高、速度慢及解的精确度差等问题,采用一种免疫粒子群优化(IPSO)算法进行求解.该算法将连通支配集的支配规则转化为基于邻接矩阵的并集约束,并结合图连通分支约束设计优化目标,采用二进制粒子群算法对MCDS进行求解.在求解过程中引入免疫机制,依据网络关键节点与支配节点之间的重叠关系,设置抗原因子,指导粒子群搜索方向、加快算法收敛速度.在随机网络上的仿真实验表明:相较于传统算法,所提算法能够找出网络的MCDS,并且在保证解精度的前提下提高了求解速度.     

自适应变异的混合粒子群优化策略及其应用

提出了一种新的基于群体自适应变异和个体退火操作的混合粒子群优化（HPSO）算法．该算法将模拟退火过程引入到粒子群优化（PSO）之中，以PSO作为主体，先随机产生初始群体，并开始随机搜索产生新的个体．同时，使用自适应变异操作进行个体变异，对进化过的个体进行退火操作，以调整和优化群体．与模拟退火算法和基本PSO算法相比，HPSO保持了基本PSO算法简单、容易实现的特点，又能进行自适应变异．复杂函数优化和旅行商组合优化问题的实例验证表明，所提算法的全局收敛性较好，提高了摆脱局部最优的能力，有效避免了基本PSO算法的早熟问题．     

基于人工免疫粒子群优化算法的动态聚类分析

模糊C-均值聚类算法受初始化影响较大,在迭代时容易陷入局部极小值。将粒子群优化算法与模糊G-均值聚类算法相结合,提出一种新颖的动态聚类算法。该算法利用人工免疫思想改进粒子群优化过程,在很大程度上避免了粒子群算法和聚类算法早熟现象的发生,全局搜索能力和局部搜索能力优于同类算法。利用聚类理论中的经验规则kmax≤√n确定聚类数k的搜索范围,在最优粒子基础上进化新一级种群,该方案可有效提高算法的收敛速度。两组数据的仿真实验表明,新算法优于传统模糊C-均值聚类算法,具有收敛速度快和解的精度高的特点。     

带阴性选择的粒子群优化算法

针对PSO在计算后期多样性不足、易发生优化停滞的现象,引入免疫系统中的阴性选择概念,定义了新的计算亲和力的方法,提出了带阴性选择的粒子群优化算法,并对其进行了计算复杂性分析.改进算法能在检测到粒子群收敛至局部解后,更新群体中的部分粒子,并使新粒子在解空间上远离局部解,提高了粒子的多样性.试验证明,改进算法的优化性能优于PSO和局部PSO.对改进算法的计算成本及参数选择进行了讨论,并提出了下一步的研究方向.     

混沌免疫粒子群优化算法在BP网络训练中的应用

将人工免疫系统中的克隆选择和混沌算法引入粒子群优化算法,提出一种混沌免疫粒子群优化算法.算法的主要特点是利用克隆和混沌变异等操作,提高收敛速度和种群的多样性.结合Iris分类问题,将新算法应用到BP网络的权值优化中,并和基于标准PSO算法的方法和单纯BP网络训练进行比较.实验结果表明,该算法性能优于所比较的两种算法,并且具有良好的收敛性和稳定性.     

免疫粒子群优化算法及性能分析

针对基本粒子群算法的容易陷入局部极小值,搜索精度不高等缺点,将免疫算法和粒子群优化算法(Particle Swarm Optimization,PSO算法)相结合,并加以改进,利用免疫算法能够保持个体多样性的特点,可使粒子群优化算法.达到摆脱局部极值点能力,从而提高算法进化过程中的收敛精度和速度.使用四个经典的测试函数...     

改进的粒子群算法及在结构优化中的应用

粒子群算法（PSO）是一种有效的演化算法。将免疫算法中浓度的概念引入粒子群算法中，提出了一种基于浓度概念的竞争排挤粒子群算法；并提出了基于样本方差的种群多样性指标，用以定量的描述种群多样性。这种改进的粒子群算法增加了粒子群的种群多样性，提高了算法的全局搜索能力。最后将本文的算法应用于梁结构和桁架结构优化设计，验证了算法的有效性。     

带非均匀动态变异的改进粒子群优化方法

针对基本粒子群(PSO)算法在前期收敛速度较快和搜索精度差的缺陷,提出了一种带非均匀动态变异的改进粒子群优化方法.该方法通过引入非均匀动态变异算子不但克服了粒子群算法在后期易陷入局部最优的缺陷,而且极大地增强了群体的多样性,进而提高了算法的搜索效率.最后,通过两个复杂多峰函数的计算仿真,其结果表明该方法是非常有效的.     

一种改进PSO算法的电力系统无功优化方法

粒子群优化（PSO）算法是一种新兴的群体智能优化技术,其思想来源于人工生命和演化计算理论,PSO通过粒子追随自己找到的最优解和整个群的最优解来完成优化．该算法简单易实现,可调参数少,已得到广泛研究和应用．本文将粒子群优化算法应用到电力系统无功优化问题的研究中,给出了具体的实施流程．为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第3种极值指导粒子搜索方向．对IEEE-6节点系统的仿真计算结果表明了算法的有效性．     

微粒群优化算法研究

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种启发式全局优化技术.通过介绍微粒群优化算法的原理、算法流程、算法参数及其对算法性能的影响,给出了各种改进的微粒群算法形式以及研究现状,归纳了微粒群算法的国内外应用进展及研究方向.