一种动态改变惯性权的自适应粒子群算法

针对惯性权值线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权的自适应粒子群算法(DCW).在该算法中引入了参数粒子群进化速度因子和聚集度因子,并根据这2个参数对粒子群算法搜索能力的影响,将惯性因子表示为粒子群进化速度因子和聚集度因子的函数.在每次迭代时算法可根据当前粒子群进化速度因子和聚集度因子动态地改变惯性权值,从而使算法具有动态自适应性.对几种典型函数的测试结果表明,DCW算法的收敛速度明显优于LDW算法,收敛精度也有所提高.     

惯性权自适应调整的量子粒子群优化算法

针对量子粒子群的惯性权值β线性递减不能适应复杂的非线性优化搜索过程的问题,提出了一种惯性权自适应调整的量子粒子群优化(DCWQPSO)算法.在该算法中,引入了量子粒子群进化速度因子sd和聚集度因子jd,并将惯性因子β表示为sd,jd2个参数的函数.在每次迭代时,算法可根据当前量子粒子群进化速度因子和聚集度因子动态地调整惯性权值,从而使算法具有动态自适应性.对典型的标准函数的测试结果表明,与量子粒子群算法相比,改进后的量子粒子群优化算法的收敛速度明显提高.     

一种动态非线性改变惯性权的自适应粒子群优化算法

惯性权值线性递减(LDI)的粒子群算法不能很好地反映粒子搜索过程的复杂非线性行为,收敛速度和收敛精度仍不够理想。对此,提出一种动态非线性改变惯性权(DNI)的自适应粒子群算法。在该算法中通过引入非线性指数函数来描述惯性权值在进化过程中的动态变化特性,并通过数值实验确定了非线性函数关键控制参数的合适取值范围。通过典型测试函数验证算法的性能,并与文献报道的已有结果比较。实验表明:对单峰值函数优化问题,DNI自适应粒子群算法收敛速度明显优于LDI算法;对多峰值函数优化问题,DNI算法跳出局部最优的能力及收敛精度也好于LDI算法。     

粒子群优化算法的惯性权值递减策略研究

为了有效地控制粒子群优化算法的全局搜索和局部搜索，基于递减惯性权值的基本思想，在现有的线性递减权值策略的基础上，提出了开口向下抛物线、开口向上抛物线和指数曲线3种非线性的权值递减策略，并采用Sphere、Rosenbrock、Griewank和Rastrigrin这4个标准测试函数测试这些策略对算法的影响．试验结果表明，对于多数连续优化问题，在初始权值和最终权值相同的情况下，凹函数递减策略优于线性策略，而线性策略优于凸函数策略，凹函数递减策略能够在不影响收敛精度的情况下较大幅度地提高粒子群算法的收敛速度．     

基于惯性权值非线性递减的改进粒子群算法

针对粒子群优化算法中出现的收敛早熟和不收敛的问题,提出了一种基于自然选择和惯性权值非线性递减的改进粒子群算法,在算法迭代过程中,粒子边界速度采用最大速度非线性递减变化策略来限制,惯性权值非线性递减变化用于平衡种群粒子前期全局搜索与后期局部寻优的能力;为使种群在进化过程中保持多样性,在标准粒子群算法中引用二阶振荡策略使种群在进化过程中始终保持着多样性;在此基础上,进一步地将遗传算法中的选择机理与粒子群算法结合起来用于提高算法的适用性能;所提出的算法经过多个基准测试函数的模拟实验验证,并与其他已有算法进行了对比;实验结果表明:算法在搜索精度与寻优能力上有更明显的优势,尤其是在多维、多峰等复杂非线性优化问题时,所提算法具有很强的竞争力。     

惯性权值和学习因子对标准PSO算法性能的影响

基于标准PSO算法,通过分析惯性权值和学习因子2类参数不同的取值策略对常用测试函数优化结果的影响,来探究2类参数对算法性能的影响.实验结果表明,2类参数恰当的动态改变不仅能明显提高单峰函数的寻优精度和收敛速度,而且能提高双峰和多峰函数的寻优概率;惯性权值主要影响算法的收敛速度,随着惯性权值的递增,算法收敛速度逐渐加快;学习因子主要影响算法的寻优精度,当反映粒子的自我学习能力和向群体最优粒子学习的能力的学习因子同增同减变化时,寻优精度提高;惯性权值递增结合2种学习因子的同增同减变化,或惯性权值递减结合2种学习因子的一增一减变化,均可使标准PSO算法性能得到显著提高.     

基于自适应随机惯性权的粒子群优化算法

分析惯性权值对粒子群优化算法(PSO)优化性能的影响,提出了基于自适应随机惯性权(ARIW)的改进粒子群优化算法.在进化过程中,为粒子群中的各个粒子随机选取惯性权值,并随进化代数自适应地调整随机惯性权值的概率分布.使用四个基准函数进行测试,结果表明基于ARIW的PSO算法不但计算简便,而且能有效地调整算法全局与局部的搜索能力,显著提高了全局搜索的速度与精度.     

DCW算法在智能交通系统中的应用研究

针对城市交通路网具有实时性的特点,为了快速高效地选择出最优路径,采用一种动态改变惯性的自适应粒子群算法(DCW).在DCW算法中引入参数粒子群简化速度因子和聚集度因子,在每次迭代时算法根据当前粒子群进化速度和聚集度动态改变惯性权值.最后用惯性权值线性递减粒子群算法(LDW)和DCW算法分别进行计算最优路径的仿真实验,得出结论,DCW算法更适合用作智能交通系统中最优路径的选择.     

梯级水电站优化调度的模糊自适应粒子群算法

针对粒子群算法容易早熟和易于陷入局部极值的缺点,提出一种梯级水电站优化调度的模糊自适应粒子群算法.在该算法中将惯性权值表示为粒子群进化速度因子和群体适应度方差的模糊函数,在每次迭代过程中动态改变惯性权值,以适应非线性优化搜索过程.针对违反约束的粒子,设计了一种动态空间调整策略来修复约束要求.为了验证算法的性能,用2个测试函数和拥有4个水电站的系统进行了测试,在求解精度和速度上与标准粒子群算法和改进惯性权值线性递减粒子群算法进行了对比,结果表明模糊自适应粒子群算法收敛速度快、精度高.     

一种自适应改变惯性权重的粒子群算法

针对标准粒子群算法收敛性和收敛速度的问题,分析标准粒子群算法惯性参数对算法性能优化的影响,提出一种自适应改变惯性权重的粒子群算法（ACPSO）。通过对粒子速度和位置变化过程的分析,并结合早熟收敛程度和个体适应值自适应的调整惯性权重,使得算法能在全局收敛性和收敛速度之间找到良好的平衡关系,并且通过典型的函数测试,表明此方法有效的控制了粒子群的多样性,而且具有良好的收敛速度。     

一种动态惯性权重的自适应粒子群优化算法

在标准粒子群算法中,权重过大导致最优点的搜寻能力降低,不能适应复杂的非线性优化搜索过程,动态惯性权重的自适应粒子群算法(APSO)解决了这一问题。在该算法中,粒子群中所有粒子适应度的整体变化可以跟踪粒子群的状态,在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性。通过对几种典型函数的测试结果表明,APSO算法的收敛速度和收敛精度明显优于LDW算法,从而提高了算法的性能。     

基于自适应惯性权重的混沌粒子群算法

针对粒子群优化(particle swarm optimization,PSO)算法易陷入早熟的缺陷,提出了一种基于自适应惯性权重的混沌粒子群算法。首先利用立方映射产生的混沌序列对粒子位置进行初始化,为全局搜索的多样性奠定基础;然后采用自适应惯性权重优化策略,提高收敛速度;最后如果判断算法陷入早熟,则对算法进行混沌扰动,使其跳出局部最优。仿真实验结果表明,改进算法的收敛速度及收敛精度都有明显提高,能有效地避免早熟。     

基于独立权重和分级变异策略的粒子群算法

针对粒子群优化算法中存在的局部收敛问题,提出一种融合惯性权重调整和群体最佳位置变异两种策略的粒子群优化算法.该算法将个体粒子的状态信息引入惯性权重策略,独立调整每个粒子的惯性权值,体现个体粒子对权重需求的差异.在最佳位置变异策略中采用分级思想,根据粒子群的搜索状态选择相应的极值变异方式,使变异操作更具针对性.实验结果表明,该算法对多个测试函数都表现出良好的优化性能,能有效避免局部收敛问题,提高了粒子群的全局搜索能力.     

基于MPSO算法的特定谐波消除技术研究

目的 对于级联H桥逆变器的调制,特定谐波消除技术具有开关损耗小,能够消除特定次谐波,变换效率高等优点,但传统粒子群优化算法(Particle Swarm Optimization, PSO)在求解消谐方程组时收敛性差,容易局部最优,提出一种改进的粒子群优化算法(Modified Particle Swarm Optimization, MPSO)。方法 该算法用非线性惯性权重取代线性变化的惯性权重,并在非线性惯性权重引入混沌映射以产生随机性更好的随机量,新的惯性权重可权衡粒子的全局搜索和局部搜索能力,使粒子具有后期跳出局部最优的能力;另外,该算法优化了速度和位置的更新机制,以增强算法的收敛速度,并保证粒子在后期仍具有一定种群多样性优势。结果 根据级联H桥型逆变器的非线性消谐方程组,在保证输出电压基波的前提下最大化降低目标次谐波,建立适应度函数,将MPSO算法应用于级联H桥型逆变器的SHEPWM,能够在1～1.2的调制度范围内得到优化的开关角,提高收敛精度和求解成功率。通过七电平CHB逆变器仿真平台验证了MPSO算法所求的优化开关角能够有效地消除5次、7次谐波。结论 通过使用非线性惯性权...     

全局粒子群优化算法

针对粒子群优化算法在解决大维数的无约束优化问题时具有较差的收敛性和稳定性,提出了一种全局粒子群优化(GPSO)算法.GPSO算法引入了一种新的惯性权重,它被定义为一个指数型函数与一个随机数的乘积,这有利于维持算法的全局搜索和局部搜索.同时,GPSO算法对全局最优解进行了小的扰动,这可以有效地避免算法早熟.使用三种粒子群优化算法来解决6个无约束优化问题.仿真结果说明,与其他两种粒子群优化算法相比,GPSO算法具有更快的收敛速度和更强的逃离局部最优的能力.     

一种基于自适应动态惯性权重加压缩因子的人工藻算法

针对标准的人工藻算法(AAA)会由于参数选取不当等原因导致过早收敛和易陷入局部最优解等问题,本文提出一种自适应动态惯性权重(SW)加压缩因子(CF)的人工藻算法(CFSWAAA).为了平衡算法的全局探索和局部改良能力,自适应动态惯性权重被引入到人工藻算法中:为了控制和约束人工藻位置的移动距离,压缩因子被引入到人工藻算法的位置更新中,从而提高算法的收敛速度.最后文章利用4个标准测试函数对改进的算法进行了仿真测试.仿真结果表明,基于自适应动态惯性权重加压缩因子的人工藻算法相比现有的其他四种算法具有较高的优化性能.