基于QPSO和MATLAB优化资金投资组合

量子粒子群优化算法(QPSO)是一种基于粒子群优化算法(PSO)的进化算法,它收敛速度快、规则简单、易于编程实现;Matlab是国际控制界公认的标准计算软件。采用QPSO对资金组合投资的多目标问题进行优化,使用Matlab编程,解决了传统方法难以解决的问题,仿真实验表明采用本方法能对资金投资组合问题提出较好的优化决策。     

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.     

采用精英学习的粒子群差分混合算法

为解决粒子群算法早熟收敛的问题,提出一种融合混沌和差分进化的粒子群优化算法(CPSODE).算法采用具有较大李雅普诺夫系数的无限折叠迭代混沌映射对种群进行初始化,在算法迭代过程中,引入种群进化因子判断算法状态,根据算法停滞状态对早熟粒子个体进行差分操作以维持种群的多样性,对精英粒子采用柯西变异学习策略,使粒子具备跳出局部最优的动量.针对CEC2005函数进行了测试并与多种算法进行了比较,仿真结果表明所提算法具有较高的求解精度,收敛速度快,寻优性能好.     

多种进化算法混合解决约束工程优化问题研究

针对单一进化算法不适合解决所有优化问题的情况,提出了一种混合多种进化算法解决约束工程优化问题的算法.该算法混合了差分进化、粒子群优化和共生生物搜索等3种算法,首先利用差分进化算法产生和选择最优种群,然后利用粒子群优化算法寻找每一个最优解并进行更新,最后利用共生生物搜索算法对所有种群进行共生互动更新,选择出最优种群以进行...     

粒子群优化算法的改进及数值仿真

提出一种改进的粒子群优化算法,该算法采用使全局探索与局部开发合理平衡的方法,降低了粒子群优化易陷入早熟收敛的可能性.先用Beta分布初始化种群,再用逆不完全Γ函数更新惯性权重,然后基于差分进化的新算子实现速率更新,最后采用基于边界对称映射的方法处理粒子的越界.数值仿真结果表明,改进算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和蚁群优化算法.     

一种基于复合惯性权值的粒子群优化算法

在研究神经网络优化的问题上,粒子群优化算法被广泛应用.针对基本粒子群优化算法收敛速度慢和易陷入局部最优等问题,提出了一种改进的粒子群优化算法.该算法除了采用线性惯性权值和进化速度-聚集度动态惯性权值相结合的方式来调整其权值,还将一种新颖的收缩因子引入到算法中.通过对4种典型测试函数进行仿真测试,实验结果表明新算法在收敛速度、收敛精度、改善优化性能上完全优于基本的粒子群优化算法,有效避免了基本群优化算法的缺陷.     

虚拟力导向多粒子群算法的WSNs部署策略

为了优化无线传感器网络节点部署性能,在粒子进化的多粒子群算法的基础上结合虚拟力方法,提出了一种虚拟力导向多粒子群算法的部署策略。该策略通过节点间的虚拟力影响多粒子群算法的速度更新过程,指导粒子进化,采用多个粒子群独立搜索解空间,有效地避免了＂早熟＂问题,从而最大限度地优化了网络的覆盖率。仿真结果表明,与虚拟力算法和多粒子群算法相比,该算法在覆盖率、迭代次数和部署时间等方面具有更好的性能。     

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。     

具有遗传特性的粒子群优化算法及在非线性盲分离中的应用

粒子群优化算法是一种新的基于群智能的随机优化进化算法.文章将变异和交叉思想引入到粒子群优化算法中,其基本思想是利用粒子群优化算法每次迭代的最优粒子位置及速度为基础对部分粒子进行变异,然后对变异前后粒子的分量进行随机交叉操作,从而产生新一代粒子群.通过这种处理使得粒子群体的进化速度加快,从而提高了算法的收敛速度和精度.该算法应用于盲信号分离中而获得一种非线性盲信号分离算法.计算机仿真结果表明该算法的收敛性能优于粒子群优化算法,并且在非线性盲信号分离中是有效的.     

一种新的改进粒子群算法

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构.通过构造单个粒子的多个进化方向和类似于蚂蚁群算法信息素表的选择机制,保留了粒子的多种可能进化方向,并对全局最优解进行变异.提高了粒子间的多样性差异,从而改善算法能力.改进后的粒子群算法的性能优于带线性递减权重的粒子群算法.     

多峰函数寻优的微粒群算法

某些实际问题的优化目标是求所有的局部最优解，即求解多峰寻优问题，为了求解多峰优化问题，提出了改造的微粒群优化算法．尽量减少微粒群算法中的全局因素，从而增大其局部因素，同时采用变步长方法增加微粒的多样性．并给出了该算法的原理和步骤．仿真实验表明该算法概念清楚，计算简单，具有很好的局部寻优特性，可应用求解于多峰寻优问题．另外还给出了几个运算实例和与其它优化算法的比较．图表，表1，参9．     

浅析关系数据库性能优化技术

在数据库系统的运行过程中,随着数据量的增加,各方面性能都会逐渐下降。为了提高数据库性能,可以从优化数据库设计、存储方案、索引设计和并发控制等多个方面入手来解决。适当程度的非规范化可以改善系统的查询性能;将数据均匀分布在磁盘上可以提高I／O利用率,提高数据的读写性能;建立索引和编写高效的SQL语句能有效避免低性能操作;在编程过程中充分考虑并发控制可能导致的不一致性问题,会有效避免死锁的发生,解决性能的瓶颈。     

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。     

平面绞链四杆机构的改进微粒群算法优化设计

文章介绍了微粒群优化算法的原理，提出了增加种群多样性和算法随机性的改进微粒群算法及实现过程，并把该算法应用于复杂机械优化问题。实例表明，该方法全局收敛性好，是解决工程设计中复杂线性优化问题的可行方法。     

多目标混合混沌优化算法研究及应用

为了求解多目标优化问题,提出一种基于混沌搜索的多目标模糊混沌优化算法．将混沌优化方法与模糊优化方法有机地结合起来,应用混沌优化算法求出各个单目标的最优解;将各最优解模糊化;应用模糊非对称方法的思想和模糊集合理论中的最大满意度原理,将多目标优化问题转化为单目标非线性规划问题;最后应用混沌优化算法求解单目标优化问题,得到满意度最大的解．结果表明,所提出的多目标模糊混沌优化算法是可行和有效的,为求解多目标优化问题提供了一种新的有效方法．     

机械结构多级优化的问题与对策

本文讨论了结构优化,尤其是结构方案阶段优化中所存在的问题,指出了结构系统优化与多级优化的区别与联系,分析了研究结构多级优化的必要性与可能性。接着以系统科学及设计方法学的思想为指导,提出将结构优化分为截面、形状、布局、拓扑及形式优化五个层次,并总结了一种解决复杂机械结构多级优化问题的一般对策,讨论了开展结构多级优化所需工具软件等相关问题。     

结构拓扑及参数优化研究的发展

首先介绍了关于结构优化的基本问题,然后按其分类方式阐述了各种优化方法的研究现状,最后对结构拓扑优化中的常用算法及其常见的数值不稳定现象进行了分析.     

电力系统多目标无功优化研究

在传统无功优化模型的基础上,引入了静态电压稳定性指标,建立了综合考虑系统有功网损最小、静态电压稳定裕度最大和电压水平最好的多目标无功优化模型.基于Pareto最优概念的改进多目标粒子群算法应用到多目标无功优化的求解中,对IEEE30节点统进行了仿真计算.优化结果表明,该模型在实现系统经济运行的同时也增强了电网的电压稳定同时求得的一组最优解能够为优化方法的决策提供更多的有效参考,具有实际意义.     

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．     

粒子群算法在求解优化问题中的应用

粒子群优化(PSO:Particle Swarm Optimization)算法是一种新兴的优化技术,其思想来源于人工生命和进化计算理论.PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成优化.为了避免PSO算法在求解最优化问题时陷入在局部最优及提高PSO算法的收敛速度,提出了对PSO算法增加更新概率.对无约束和有约束最优化问题分别设计了基于PSO算法的不同的求解方法和测试函数,并对PSO算法求解多目标优化问题进行了研究.仿真实验表明了改进的PSO算法求解最优化问题时的有效性.