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.     

概率积分法参数反演的文化-随机粒子群优化算法

为解决传统方法在概率积分法参数反演中存在的反演过程发散问题.将粒子群优化(PSO)算法纳入到文化算法(CA)框架中,提出了概率积分法参数反演的文化-随机粒子群优化(CA-rPSO)算法.以随机粒子群优化(rPSO)算法作为信念空间的进化算法,并将PSO作为群体空间的进化算法,形成两者独立并行进化的"双演化双促进"机制,按照误差平方和最小化准则构建适应度函数,反演出概率积分法参数.研究结果表明:对于常规布设形式的地表移动观测站,基于CA-rPSO反演概率积分法参数的收敛成功率为1.该结论具有较高的实用价值,且对矿山其它复杂参数寻优问题有着一定的指导意义.     

基于模糊聚类的粒子群优化算法

粒子群优化算法(PSO)的基础上,提出了基于模糊C-均值聚类(FCM)算法的粒子群优化算法.该算法在每次迭代过程中首先通过FCM算法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和子群中的最优粒子更新自己的速度和位置值.通过典型复杂函数测试表明,基于模糊C-均值(FCM)的粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法.     

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．     

基于PSO-DE混合算法的结构可靠性优化设计

为提高结构可靠性优化设计的效率,利用粒子群优化(PSO)和差分进化(DE)算法的搜索特性,构造一种PSO-DE混合算法,以克服基本PSO算法的早熟问题.将PSO-DE混合算法与结构可靠性优化理论相结合,建立了结构系统失效概率约束下以结构质量最小化为目标的优化模型.算例结果表明:与基本PSO算法相比,文中提出的PSO-DE混合算法提高了收敛速度和计算精度;该算法易于实现,鲁棒性好.     

粒子群优化算法综述

粒子群优化(PSO)算法是一种基于群智能方法的演化计算技术,通过粒子间的相互作用发现复杂搜索空间中的最优区域,优势在于简单容易实现而且功能强大.由于它简单易操作的特点,PSO—提出,立刻引起演化计算等领域学者们的广泛关注,并在函数优化、神经网络训练、工业系统优化和模糊系统控制等领域得到了广泛的应用.介绍了基本的PSO算法、若干类改进的PSO算法及其应用.     

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。     

压缩搜索空间与速度范围粒子群优化算法

为了改善粒子群优化(PSO)算法的搜索性能,提出一种改进的粒子群算法CSV PSO算法·该算法在粒子群进化的过程中根据粒子群的最佳适应值动态地压缩粒子群的搜索空间与粒子群飞行速度范围;针对PSO算法可能出现的暂时停滞现象,引入分区重新初始化机制·数值仿真结果表明:随着粒子群进化,适当的压缩粒子群搜索空间与飞行速度范围,有利于加速算法收敛,提高收敛精度;该算法收敛速度更快,精度更高,运行更为稳定·     

基于自适应混沌变异的k-均值聚类粒子群算法

针对经典粒子群(PSO)算法易出现早熟收敛和搜索精度差的缺陷,提出了一种基于混沌变异的k-均值聚类PSO优化算法(FCPSO).该算法首先通过k-均值聚类方法把粒子群分成若干个子群体,从而在迭代过程中每个粒子根据其个体极值和所在子种群中的全局极值来更新自己的位置和速度.其次,在算法中引入自适应混沌变异,有效的增强了子群体之间信息交换和经典PSO算法跳出局部最优解的能力.对几个典型可变维函数的测试结果表明,该算法是非常有效的.     

采用多样性引导粒子群算法的干式空心电抗器优化设计

针对粒子群优化(PSO)算法易于早熟收敛的问题,提出了采用多样性引导的吸引-排斥粒子群优化(DGARPSO)算法,并应用于干式空心电抗器的优化设计中.该算法在吸引-排斥粒子群优化(ARPSO)算法中引入变异操作,即当进化群体多样性或个体极值群体多样性小于下限值时,以一定概率对粒子的位置进行变异,从而使得粒子在群体多样性很低时飞离群体的聚集位置,有效减少了PSO算法的早熟收敛现象,同时还比较了均匀变异、高斯变异和柯西变异对优化结果的影响.对50 kV·A干式空心电抗器的仿真结果表明,DGARPSO算法提高了全局搜索能力,比GA算法、PSO算法和ARPSO算法具有更好的寻优性能.     

基于精英高斯学习的改进鱼群粒子群混合算法

为提高算法在高维函数上的寻优性能,提出改进鱼群粒子群混合算法。该算法将鱼群算法全局搜索性能好与粒子群算法局部搜索性能强的优点相结合,在寻优初始阶段采用鱼群算法获得最优群体,在后期用粒子群算法实现精搜索。针对初始种群随意性大、分布不均的问题,通过均匀初始化,优化初始种群的分布; 并对算法全局搜索方向性差、效率低的问题,采用仿照蛙跳算法的分组方式对种群进行分组,同时对组内优秀个体和一般个体使用不同搜索策略,提高搜索的目的性和效率。引入改进的精英高斯学习,从而提升最终结果的精度。利用该算法对6 个标准函数寻优并与其他算法比较,结果表明,该算法的改进有效且性能优于其他算法。     

基于学习与竞争的改进PSO算法研究

针对普通PSO算法收敛速率慢,难以收敛到全局最优解的问题,提出了一种基于学习与竞争的改进PSO算法.该算法通过将种群内部学习和竞争的思想与PSO算法相结合,让种群中个体通过竞争和学习策略来替代原有的PSO算法迭代公式.该方法在不增加PSO算法计算复杂度的基础上,能够克服基本PSO算法的不足.最后基于动态系统的稳定性分析理论,给出了该PSO算法收敛性的证明.在7种不同的测试函数上对改进后的算法进行了实验测试.实验结果表明该改进算法比传统的PSO算法有着更好的搜索精度.结果证明,新算法比普通的PSO算法具有更高的搜索精度和较低的时间复杂度.改进算法求解函数优化问题更加有效,收敛速率更快.     

Particle Swarm Optimization with Directed Mutation

In the standard particle swarm optimization(SPSO),the big problem is that it suffers from premature convergence,that is,in complex optimization problems,it may easily get trapped in local optima.In order to mitigate premature convergence problem,this paper presents a new algorithm,which is called particle swarm optimization(PSO) with directed mutation,or DMPSO.The main idea of this algorithm is to "let the best particle(the smallest fitness of the particle swarm) become more excellent and the worst particle(the largest fitness of the particle swarm) try to be excellent".The new algorithm is tested on a set of eight benchmark functions,and compared with those of other four PSO variants.The experimental results illustrate the effectiveness and efficiency of the DMPSO.The comparisons show that DMPSO significantly improves the performance of PSO and searching accuracy.     

采用群体统计学习的量子进化算法

针对传统量子进化算法采用精英个体作为吸引子,存在种群学习范围窄、优秀基因易丢失的缺陷,提出了一种采用群体统计学习的量子进化算法.该算法抛弃了传统量子进化算法中的精英保留策略,通过截断、比例、竞赛选择等方式对进化过程中优秀群体统计分析后构建整个种群的吸引子,避免了以单一个体为单位的学习方式,能较为全面地从整个优秀种群学习知识,并保留群体的优秀基因信息.同时,吸引子每代更新,避免了采用精英保留策略易陷入局部极值的问题.通过测试实验表明,提出的算法搜索精度和效率提高,收敛速度更快,算法综合性能提高.     

全局混沌蝙蝠优化算法

为提高蝙蝠算法进行特征选择的正确率,提出全局混沌蝙蝠优化算法(GCBA).首先,GCBA采用混沌映射方法使种群的初始化能够遍历整个解空间,获取蝙蝠初始的最优位置,使其具有更加丰富的种群,解决了初始化种群随机性的问题.同时,GCBA引入当前粒子的最优解和当前种群的最优解跳出局部最优解,可有效避免算法早熟,有利于提高算法的全局搜索能力.蝙蝠算法(BA)、粒子群算法(PSO)与遗传算法(GA)在10个数据集上的测试结果表明,所提算法具有更高的分类精度和更强的跳出局部最优的能力.     

基于混沌理论和自适应惯性权重的PSO算法优化

针对粒子群算法固定惯性权重和早熟收敛的缺陷,提出一种动态自适应惯性权重调整策略,有效增强了算法的全局和局部寻优能力;并针对早熟问题,采用混沌映射方法增加种群多样性,同时利用负梯度方向调整群体极值,极大降低了算法陷入局部极值的概率.通过在多个常用测试函数上与其他算法比较,证明了所提改进粒子群算法的正确性和有效性.     

量子混合蛙跳算法求解连续空间优化问题

基于量子理论提出一种量子混合蛙跳算法, 该算法采用量子位的Bloch球面坐标编码个体, 利用量子位在Bloch球面上绕轴旋转的方法更新个体, 通过自适应混沌旋转角度算子提高子群内部局部搜索能力, 采用Hadamard门实现个体变异避免早熟, 有效扩展了解空间的搜索范围. 实验结果表明, 该方法优于普通的混合蛙跳算法、 粒子群算法和遗传算法, 具有较高的优化能力和效率, 更适合高维复杂函数的优化.     

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.