一个与信籁域搜索技术相结合的微粒群算法

微粒群优化算法(PSO)是一种有效的随机全局优化技术.文章针对利用微粒群优化算法进行多极值点的函数优化时,存在陷入局部极小点和搜索效率低的问题,把信籁域搜索技术引入到PSO算法中,提出了基于信籁域搜索的微粒群优化算法(TRPSO).该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度.仿真计算结果表明,该算法的性能优于混沌微粒群优化算法(CPSO)和基本微粒群优化算法(PSO).     

基于PSO-Elman高速公路交通流预测研究

本文提出了基于粒子群算法(PSO)的Elman神经网络混合优化策略,采用PSO优化连接权值来训练神经网络,与标准BP算法相比,PSO采用实数编码,结构简单,学习收敛快,仿真结果表明该模型适合于高速公路短期交通流预测.     

基于引力搜索和粒子群混合优化算法的T-S模型辨识

提出了基于引力搜索(GSA)和粒子群(PSO)混合优化算法(GSAPSO)的T-S模型全局优化辨识方法.该方法充分整合GSA的勘探能力和PSO的开采能力,在GSA中引入PSO的个体最优值和群体最优值,同时改进惯性权重调整算法.T-S模型辨识分为结构辨识和参数辨识,采用聚类方法和GSAPSO算法同时辨识模型的结构和参数,从而实现全局优化辨识.仿真实例和比较分析证明了GSAPSO较标准的PSO和GSA有更强的全局优化能力和更高的辨识精度.     

基于迭代均值组合近似模型和序贯优化与可靠性评估法的船舶结构优化设计

针对传统可靠性优化方法不能同时保证大型船舶结构计算效率与精度的问题,在船舶结构优化设计中考虑设计变量的不确定性,通过迭代均值组合(ER)近似模型和粒子群算法(PSO)提高序贯优化与可靠性评估(SORA)法的计算效率和精度,建立了改进的可靠性优化设计流程并解决了多用途船舱段的可靠性优化问题.其中:SORA法将可靠性分析与优化过程解耦,并提高了可靠性优化效率;PSO保证了SORA法优化所获全局最优解的计算效率;ER近似模型能够以最少的采样点建立满足精度要求的近似模型,并代替最有可能的失效点(MPP)和优化过程中耗时的有限元计算.多用途船舱段的可靠性优化结果表明:可靠性优化相较于确定性优化更有实际意义;改进的可靠性优化设计流程在保证计算精度的同时能够显著降低计算成本.     

粒子群差分混合算法在PID参数优化中的应用

为有效提高PID控制器的性能,提出了一种粒子群差分混合算法(PSO-DE),并应用于PID参数优化中.算法利用一个选择判断因子来确定每个个体的更新方式,使用简化粒子群算法(s PSO)和改进后的差分进化算法(DE)来共同产生新一代个体,并将其应用于PID的参数整定中.仿真结果表明,相较于粒子群算法和差分算法,混合算法在PID控制器的参数优化中具有更好的全局搜索能力,而且控制精度较高.     

元动作单元故障树建模在复杂机电产品可靠性优化中的应用

针对传统的可靠性建模方法难以建立复杂机电产品的可靠性数学模型,提出一种结合功能分解(FMA,function-motion-action)和故障树(FTA,fault tree analysis)的建模方法,降低了复杂机电产品的可靠性优化模型的构造难度。针对遗传算法(GA,genetic algorithm)和粒子群算法(PSO,particle swarm optimization)在模型求解时存在的不足,提出构建混合GA-PSO算法来改善GA算法易陷入局部最优或全局搜索能力弱的现象。通过数控磨齿机的实例分析,验证了用混合GA-PSO算法构造优化模型的可行性,以及采用混合粒子群算法优化求解的有效性。     

基于一种新混合群算法(MOHO-SA)的结构主动控制多目标优化研究

基于粒子群(PSO)算法和差分进化(DE)算法提出了一种新的多目标混合群优化算法,对结构主动控制系统的作动器位置、数量与控制器参数进行同步优化.首先,分别采用PSO算法与DE算法进行对应种群的进化,使用庄家法则构造非支配解集,并引入边界点几何中心leader选择机制,同时利用模拟退火算法完成个体进化的二级局部搜索;以随机地震激励下反映结构振动控制效果和控制策略优劣的双指标作为优化目标函数.最后,针对ASCE 9层benchmark模型,采用本文提出的具有二级搜索功能的多目标混合群算法(MOHO-SA)对其主动控制系统进行优化设计,并分别与多目标差分进化算法(MODE)、多目标粒子群算法(MOPSO)、普通多目标混合群算法(MOHA)的优化结果进行对比分析,表明其Pareto解集具有更优的收敛曲线及分布性.     

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.     

基于遗传和粒子群结合的文化算法

针对粒子群优化(PSO)算法的"早熟"现象,给出了基于遗传和粒子群结合的文化演化算法.该算法将PSO/GA纳入文化算法框架,形成PSO的主群体空间和GA的信仰群体空间,两群体空间可以独立并行演化,并在适当的时机实现信仰群体空间对主群体空间的引导,达到改善粒子群优化算法全局搜索能力、提高计算精度的目的.仿真表明,该算法的优化性能和效率优于PSO算法、GA算法和GA-PSO混合算法.     

改进的粒子群优化算法在可靠性问题中的应用

提出了一种改进的粒子群优化(IPSO)算法以解决可靠性问题.IPSO算法使用3种策略来改进粒子群优化算法(PSO)的速度更新步骤,这有利于提高算法对解空间的开发能力.另外,一种动态调整的惯性权重被引入到速度更新中以平衡IPSO算法的全局搜索和局部搜索.实验结果表明,在解决可靠性问题上,IPSO算法比其他两种粒子群优化算法具有更强的收敛性和稳定性.IPSO算法是解决可靠性问题的一个有效的选择.     

混合优化算法及在约束优化问题中的应用

针对混沌优化方法和Alopex算法的特性,将改进的Alopex算法嵌入到混沌优化算法中,提出了一种混合优化算法,此算法充分发挥了改进的Alopex算法的快速搜索能力和混沌优化方法细致寻优的特性,提高了算法的收敛速度,避免了优化算法陷入局部最优的缺陷;同时将混合优化算法应用于约束优化问题中．仿真结果表明了混合优化算法的有效性．     

基于细菌觅食优化算法的图像聚类方法研究

利用细菌觅食优化算法研究图像聚类问题,采用群体智能模式实现问题解的搜索.首先提取图像特征以确定解的编码形式,初始化种群,在此基础上利用细菌觅食优化算法的细菌迁徙算子、繁殖算子和趋化算子实现群体内个体之间的相互合作和竞争,提高了算法的搜索能力,实验证明该算法具有较强的适应性和鲁棒性.     

具有差分进化算子的社会蜘蛛群优化算法

[目的]社会蜘蛛群优化算法 (SSO) 是一种新颖的元启发式优化算法,自从它被提出之后就受到该领域学者的广泛关注,并且也被成功应用到许多领域.但是由于社会蜘蛛群优化算法还处在算法的研究初期,该算法的收敛速度与收敛精度还需要进一步提高.[方法]将差分进化算子引入到社会蜘蛛群优化算法(SSO-DM)中,并将改进的算法应用于函数优化问题中,通过5个标准测试函数来验证基于差分进化算子的社会蜘蛛群优化算法(SSO-DM)的优化性能.[结果]差分进化算子增强了社会蜘蛛群优化算法的收敛速度与收敛精度.[结论]本研究中所提出的算法能够获得精确解,并且它也具有较快的收敛速度和较高的算法稳定性.     

企事业过程模型自动模拟和优化算法

使用适合的优化算法,并依靠计算机的不断模拟执行,企事业过程模型可以得到一定程度的改善和提高。简要介绍了最优化方法和常用的优化算法,着重阐述了企事业过程模型的参数优化问题中所采用的优化算法。     

平面选址问题的萤火虫算法

平面选址问题是工程设计、线路布置、项目选址等工作中经常碰到的典型组合优化难题,根据群集智能优化原理,给出一种基于人工萤火虫群优化算法的求解方法,并针对平面选址问题进行求解.为避免算法陷入局部极值,将一种邻域搜索的局部搜索方法引入萤火虫算法中.通过对典型平面选址问题的仿真实验和与其它算法的比较,表明算法可行有效,且具良好的全局优化能力.     

具有协同寻优的蝙蝠萤火虫混合优化算法

萤火虫算法存在着对于初始解分布的依赖性、后期收敛速度慢、易于停滞、早熟和求解精度低等缺陷。本研究在萤火虫算法引入蝙蝠种群在全局最优附近进行更加详细的局部搜索,以协助萤火虫种群进行寻优;并在寻优过程中加强蝙蝠种群与萤火虫种群的信息交互,协调寻优;最后对全局最优个体进行高斯扰动以增加种群的多样性,从而避免种群陷入局部最优解。通过使用6个常见的基准测试函数对该算法进行测试,并与其他3种算法(标准粒子群算法、蝙蝠算法、萤火虫算法)进行对比实验,结果表明该混合算法的总体性能优于其他3种算法。引入蝙蝠种群对萤火虫性能有较大提升,改善切实有效。     

基于差分进化算子变异的中心引力优化算法

针对中心引力优化算法易陷入局部最优这一不足,加强算法的全局寻优能力,提出一种改进的中心引力优化算法,根据差分算法本身的固有特性,通过引入差分进化算子对当前粒子位置的分量进行变异,促使算法摆脱局部最优,增强算法的全局收敛性.最后选取5个经典函数对算法进行测试,并与其他算法进行比较分析,结果证明算法的精度得到了明显提高,从而验证了该算法的有效性和可行性.     

量子教学优化算法及在函数优化中的应用

为提升基本教学优化算法的搜索能力, 通过融合量子计算原理, 提出了一种量子教学优化算法。 该方法采用教师自学和学生向教师学两种学习机制搜索全局最优解。 个体采用量子比特编码, 搜索过程在 Bloch 球面上进行, 个体的更新通过量子比特的绕轴旋转实现, 然后将其解码为量子比特的 Bloch 球面坐标。 由于该方法将基本教学算法中每维变量的搜索都扩展到 Bloch 球面进行, 可使搜索过程更为精细, 从而加强了对解空间的遍历性。 不同维度标准函数极值优化的仿真结果表明, 此方法的寻优能力不仅超过基本教学优化算法, 同时也超过其他经典群智能优化算法, 验证了将量子计算的某些机制和智能优化相融合可提升其优化性能。     

基于改进粒子群算法的海洋钻机系统布局优化

为提高海洋钻机的工作效率和平台的空间利用率,应用改进的粒子群算法对海洋钻机系统进行布局优化研究。针对多目标、多约束的钻机系统布局优化问题,建立钻机系统布局优化数学模型,应用多目标粒子群算法直接求解,得出相应的最优解集。利用线性加权法将多目标转变为单目标进行求解分析,针对单目标粒子群算法的缺点,基于约束条件、惯性权重以及遗传算法的选择和杂交对粒子群算法进行改进,完成不同改进算法的测试实验。结果表明,在应用粒子群算法求解布局问题时将约束条件作为目标函数、单独引入遗传算法的杂交思想求解速度和精度更好。提出的基于杂交的动态惯性权重粒子群算法的布局优化问题求解性能更优,得到的优化方案符合海洋钻井作业要求且占用甲板面积较小。     

一种全局优化的两阶段算法

为了提高算法的有效性,利用梯度算法和粒子群算法独立的运行机制,采用驱赶技术和重新初始化部分群体的技术,提出了一种基于梯度下降法和粒子群算法的两阶段优化算法,并对新算法进行了理论分析和数值仿真.数值结果显示新算法比单纯梯度算法有更好的全局优化能力,比单纯粒子群算法有更快的收敛速度和更高的精度.新算法求解质量更高,运行更稳定.