基于变邻域搜索改进的冲突解脱粒子群算法

飞行冲突解脱是航空器安全运行的关键,粒子群优化(particle swarm optimization,PSO)算法和变邻域搜索(variable neighborhood search,VNS)算法都可以用于解决飞行冲突,但PSO算法接近最优解时收敛速度降低,VNS算法的全局搜索能力较差。为融合PSO算法全局搜索的快速收敛特性和VNS算法的局部搜索能力,提出了变邻域搜索改进的粒子群优化算法。仿真结果证明该算法能够快速搜索到全局最优解,继承了二者的优势,同时提高了最终解脱航迹的适应值,并减少了收敛时间。     

基于协同进化思想的人工鱼和粒子群混合优化算法

在分析人工鱼群算法(AFSA)、粒子群算法(PSO)存在不足的基础上,提出一种将PSO群与AFSA群作为两个独立进化的群,同时进行搜索的算法.该算法利用协同思想与正反馈机制,让AFSA群跟踪PSO群的全局最优解,PSO群跟踪AFSA群的全局最优解的算法.这样,一方面利用AFSA的快速找到全局极值邻域的能力克服PSO易陷入局部的不足;另一方面利用PSO的快速收敛能力来提高AFSA的收敛速度和求解精度.基于典型的函数和实例测试的结果都说明了该算法具有收敛速度较快、精度较高的特点.     

具有记忆的果蝇优化算法

针对基本的果蝇优化算法(FOA)在寻优进化过程中,极易陷入局部极值区域致使算法的收敛精度和收敛速度下降的缺点,提出了一种改进的果蝇优化算法PFOA.从微粒群算法(PSO)更新粒子的方法中得到启发,在果蝇优化算法中加入了个体经验信息和群体经验信息。PFOA使果蝇个体在寻优进化过程中充分地利用了种群历史信息来增加种群的多样性,从而使果蝇个体能够跳出局部最优解区域,提高算法收敛精度和速度。经过对标准测试函数的仿真实验,表明PFOA在收敛精度、收敛速度上比其他FOA具有明显的提高。     

多策略自适应粒子群优化算法

为了提高粒子群优化算法搜索最优解的效率,该文提出多策略自适应粒子群优化(MAPSO)算法。通过构建多样性测试方式评价种群的分布性。粒子的进化状态分别为勘探或开发状态,通过执行实时交替策略,确定粒子的进化状态。在迭代优化时,根据粒子的多样性动态地控制惯性系数。基于所构建的多样性测试方式,通过融入精英学习策略进一步改善种群多样性,以阻止种群陷入局部解。实验结果表明,与自适应性粒子群优化(APSO)、综合性学习粒子群优化(CPSO)、振荡粒子群优化(PPSO)算法相比,MAPSO算法能够持续地改善PSO跳出局部最优解的能力,其可靠性和成功率均优于其它算法,并能有效改善搜索性能和收敛速度。     

基于带扰动项粒子群算法的软测量建模

针对粒子群算法用于高维数、多局部极值点的复杂函数寻优时易陷入局部最优解现象,提出一种改进的带扰动项粒子群算法并进行收敛性分析。算法中引入进化速度因子,当粒子进化速度低于一定值时在粒子速度更新方程中添加扰动项使粒子逃离局部最优区而继续搜索。对几个复杂函数的寻优测试表明:改进算法的收敛速度、收敛精度和全局搜索性能均有显著提高。将本方法用于建立丙烯腈收率神经网络软测量建模,研究结果表明模型精度较高、泛化性能好,满足现场测量要求。     

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。     

一种启发式粒子群优化算法(HPSO)及其在结构优化设计中的应用

在介绍了标准的粒子群优化算法(PSO)及被动群集的粒子群优化算法(PSOPC)的基础上,指出了两者使用"回飞技术"(fly-back mechanism)方法处理约束条件的不足之处,在基于"和谐搜索"算法(harmony search)产生新解的思想基础上,提出了一种新的启发式粒子群优化算法(HPSO),该算法可以明显提高离子群算法的收敛速度和稳定性.应用PSO、PSOPC及所提出的HPSO三种算法分别对两个桁架结构进行了截面优化设计,并对算法的收敛性和稳定性进行了分析.结果表明,本文提出的启发式粒子群优化算法(HPSO)可以有效地搜索到最优解,并且比PSO和PSOPC两种算法拥有更高的收敛速度和稳定性,尤其在迭代计算的初期,收敛效果非常明显.     

基于Boltzmann学习策略的粒子群算法

针对粒子群算法过早收敛导致容易陷入局部极值的问题,提出了一种基于Boltzmann学习策略的粒子群算法(BLSPSO).借鉴模拟退火算法的思想,在标准粒子群算法中引入Boltzmann学习策略.在BLSPSO前期粒子能够学习不同的极值点,适当保持粒子个体多样性,提高算法全局寻优能力.在BLSPSO后期粒子更倾向于学习全局最优粒子,提高收敛速度,保证算法的稳定性.仿真结果表明,所提出的算法具有寻优能力强、搜索精度高等优点,可有效避免标准PSO算法的早熟收敛.该算法在求解多极值问题上与其他PSO算法相比有较好表现.     

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.     

一种自适应混合纵向多变异粒子群算法

为克服标准粒子群算法搜索后期收敛速度慢、容易陷入局部最优的缺点,通过引进自适应惯性权重因子平衡标准粒子群优化算法的全局搜索和局部改良能力,同时设计了均匀分布变异和高斯分布变异相结合的粒子群混合纵向多变异策略,来提高算法摆脱局部极值和局部寻优的能力.根据提出的改进算法流程,针对公认的Sphere,Rastrigin,Griewank和Salomon四种标准测试函数进行了收敛精度和收敛速度的测试.测试结果表明,在标准粒子群、自适应权重粒子群、自适应变异粒子群和自适应混合多变异粒子群4种算法中,提出的新算法具有最好的全局最优值搜索能力和最稳定的全局收敛特性,且在提高收敛速度的同时,有效地避免了早熟收敛问题.