基于蜣螂优化的改进粒子群算法

针对标准粒子群算法存在的局部最优、早熟和慢收敛等问题,提出了一种新的粒子群更新方法。改进了算法惯性权重,引入一种新的更新方式;借鉴蜣螂优化算法中蜣螂滚球、繁殖、觅食和偷窃行为,将基本粒子群的操作划分为寻优、变异、波动和跳跃,从而提高了算法的全局寻优能力和收敛速度,并避免了早熟问题。通过与其他9种智能算法进行实验对比表明,在10个基准测试函数中,基于蜣螂优化的改进粒子群算法在寻优能力和收敛速度方面表现出色,证实了该算法的优越性。     

基于改进粒子群优化算法的弹道求解方法

为了提高火控系统实时性,提出了基于粒子群优化算法的弹道解算方法,该方法提高了系统响应速度,并为更好地与多核平台下的并行计算相结合提供了基础.首先在预估计瞄准角附近生成并初始化粒子群,然后通过由弹道微分方程等组成的适应度函数对每个粒子的好坏进行评价,最后对粒子群的速度和位置进行更新.为了加快算法的收敛速度,将周氏迭代修正公式计算得到的全局最优粒子的修正角度代替全局最优位置引导粒子群更新.采用实际算例对该方法的可行性与有效性进行了验证.实验结果表明较传统的迭代修正方法其解算速度中提高了约2倍;较传统粒子群算法其粒子群收敛速度加快了约1.5倍.此外该方法最大的优点便是可以与并行计算很好地结合,在多核计算机平台下计算时间还可以进一步缩短.     

基于改进粒子群算法的BP神经网络优化研究

研究了基于粒子群算法的BP神经网络优化问题,将改进的粒子群优化算法用于BP神经网络的学习训练,并与传统的BP网络进行了比较.结果表明,将改进粒子群优化算法用于BP神经网络优化,不仅能更快地收敛于最优解,而且很大程度地提高了结果的精度.     

基于划分和重分布的粒子群算法及优化策略

提出了一种新的基于划分和重分布的粒子群优化算法.新算法将粒子划分为普通和优化两类.普通粒子随机产生,速度快,侧重全局搜索;优化粒子紧随群体最优并且速度较慢,侧重局部收敛,以提高收敛精度.当群体最优未发生变更的时间过长时,在保持群体最优的同时将粒子重新分布,以摆脱过早的局部收敛.对典型函数的测试结果表明,新算法没有增加复杂度,在摆脱解的早熟和提高解的收敛精度等方面优于基本粒子群算法.     

一种改进的粒子群优化算法

标准粒子群算法能够解决各类优化问题,得到了广泛的应用,也引起很多研究人员的关注.为了提高全局搜索能力,使其不易陷入局部最优,提出了一种新的优化策略.首先,采用了佳粒子的概念,每次更新时,对所有粒子进行排序;然后,在此基础上,对所有的粒子进行评估,衡量每个粒子是否可以保留;最后,删除那些不符合保留要求的粒子,同时生成相应数目的新的粒子,以保持种群的规模,从而提高种群的整体适应性能.实验数据表明,新算法提高了算法的性能,具有更好的全局性能.     

改进的混沌粒子群优化算法

针对传统的简单粒子群算法(SPSO)早熟、易陷入局部最优的缺陷,提出了一种改进的混沌粒子群优化算法(CPSO)。该算法根据混沌算法遍历性的特点,选择合适的混沌映射提取SPSO初始种群,使粒子均匀分布在解空间。当SPSO陷入早熟时,CPSO在最优解周围的区域内进行混沌搜索,取代原来种群中的部分粒子,带领种群跳出局部最优。对7个标准测试函数的寻优测试表明:CPSO算法在寻优精度、速度、稳定性等方面均优于SPSO。     

改进的粒子群算法

为了改善基本粒子群算法的搜索性能,针对粒子群算法随机性较强,收敛较慢的问题,提出了基于退火思想的改进的粒子群优化算法,新的算法更有利于粒子发现问题的全局最优解。通过对经典函数的测试计算,验证了方法的正确性和有效性。     

基于坐标旋转角的均值粒子群优化算法

文中提出了基于坐标旋转角的均值粒子群算法,其原理是:在每次迭代中,粒子的下一个飞行位置的方向与当前最好位置的方向之间偏角较大时,则粒子的位置和速度更新中加入一个角度来改变位置和速度的方向,同时角度也更新。通过典型函数优化实验表明,本文算法具有较高的计算精度和较快的收敛速度。     

基于模拟退火的改进粒子群算法研究

为克服粒子群算法在求解复杂的多峰问题时极易陷入局部最优解的缺陷,作者提出一种基于模拟退火的改进粒子群算法(PSOBSA).在PSOBSA算法中,每间隔若干代,对粒子的历史最优位置进行变异操作,以产生新的粒子;并采用模拟退火的思想,允许新产生的粒子的目标函数值在有限范围内变化;最后采用一种广义的学习策略提升种群收敛的概率.在基准函数的测试中,结果显示PSOBSA算法比基本PSO算法有更好的性能.     

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。     

基于改进粒子群优化的弹道并行求解算法

弹道解算精度与解算时间直接影响了火控系统的整体性能,然而精度与时间往往是相互矛盾的两个因素,在不损失精度的情况下提高解算速度具有重要意义. 基于改进粒子群优化的弹道并行求解算法,采用并行求解算法充分发挥多核计算机的性能,从而在不损失精度的前提下有效地提高了弹道解算的效率. 该方法首先通过引入粒子群优化算法将弹道解算转化为一个寻优过程,利用周氏迭代修正公式计算得到的修正角度引导粒子群更新加快算法的收敛速度;然后通过将粒子分配到并行域的线程中将弹道解算方法并行化. 数值实验表明本方法可以有效提高弹道解算的收敛速度,将计算时间平均缩短为原有时间的1/5.      

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.     

基于模糊粒子群算法的非线性函数优化

针对非线性函数优化问题,提出一种新型的模糊粒子群算法.该算法基于模糊控制器中输入输出的模糊化处理和粒子群寻优的特点.算法在Matlab 2008环境下编程实现,针对几个典型复杂的非线性函数进行优化测试.实现结果表明:模糊粒子群算法是一种简单有效的算法,具有良好的有效性和鲁棒性.     

一种改进的粒子群优化算法

粒子群算法是一种新型的进化计算方法,已在许多领域得到了广泛的应用,但基本粒子群算法在计算过程中易出现过早收敛现象.为此提出了一种改进的粒子群算法,利用差异演化的思想,当陷入局部极小点时,通过一定的策略迫使粒子群摆脱局部极小点.对经典函数的测试计算,验证了方法的正确性和有效性.     

基于变电站接地系统的改进型粒子群优化算法

由双层土壤和不等电位模型建立接地网优化目标函数,采用分合群和裂变变异的方法对传统的粒子群优化算法进行改进,解决了早熟现象和收敛速度慢等问题.以某变电所接地系统的实际参数为例建立仿真模型,Matlab仿真结果表明,相对等间距分布的80 m×60 m和120 m×100 m变电所接地系统,改进型粒子群算法优化的按指数规则分布的不等间距分布最大接触电压降低率达到了21.65%和23.45%,最大散流电流密度差降低率达到18.05%和10.26%,说明变电站接地优化设计方法能够有效降低最大接触电压和最大散流电流密度差,接地系统的安全性得到大幅提高.     

一种改进的粒子群优化算法

提出一种改进的粒子群算法(EDAPSO).这种改进算法结合分布估计算法的探索能力和粒子群算法的开发能力.首先利用EDAPSO算法解决无约束的问题,并且比较EDAPSO算法与其他三种经典的粒子群算法的结果.无约束问题的实验结果表明:EDAPSO算法可以找到更好的解,并且稳定性更高.然后EDAPSO算法被用来解决含有13个单元的电力系统的负荷经济分配问题.实验结果表明:EDAPSO算法所获得的解比近期文献所报道的解好.     

一种改进的粒子群优化算法

针对粒子群优化算法早熟收敛现象,提出了一种改进的粒子群优化算法.该算法将模拟退火算法的"上山性"引入粒子群算法中,同时为了增加种群的多样性,将交叉和变异算子也结合进去,形成了一种新的改进粒子群算法.比较了高斯变异和柯西变异这两种变异算子对改进算法的影响.改进算法对典型函数的优化计算结果表明,与基本粒子群算法相比,改进算法能够更加快速有效的收敛到全局最优解,而且采用柯西变异算子的改进算法的效果比采用高斯变异算子的效果要好.     

分段式微粒群优化算法

提出一种分段式微粒群优化算法。该算法将所要搜索的区域分成若干段,首先在每一区段内搜索出区段的最优位置,然后将各区段的最优位置组成一微粒群,继续搜索全局最优位置。通过对5个常用标准测试函数进行优化计算,仿真结果表明:分段式微粒群优化算法能有效地搜索到全局最优解,具有比基本微粒群优化算法更快的搜索速度和更好的优化性能。     

基于搜索空间自适应分割的多目标粒子群优化算法

提出一种基于搜索空间自适应分割的多目标粒子群优化算法, 根据粒子的搜索能力和规模与子搜索空间的体积呈多维标准正态分布变换, 精细分割搜索空间, 向划分出的子搜索空间分布粒子实现优化, 分割在迭代时持续进行, 直至获得最优解集. 实验结果表明: 该方法解决了多目标粒子群优化算法易陷入局部极值的问题; 在反向世代距离性能指标上, 该算法与一些典型的多目标粒子群优化算法相比, 其种群多样性和解的收敛性优势显著.     

改进型耗散粒子群优化算法

通过对标准粒子群优化算法中惯性权重的分析和对耗散理论的研究,提出了一种惯性权重正弦调整的耗散粒子群优化算法(S-DPSO),并对该算法进行了深入的分析和研究.通过对4个典型函数的仿真测试,试验结果表明S-DPSO在收敛速度和全局收敛性方面都比标准粒子群优化算法、随机惯性权重粒子群优化算法、惯性权重正弦调整粒子群优化算法、耗散粒子群优化算法和随机惯性权重耗散粒子群优化算法有明显改进.理论分析和仿真试验验证了S-DPSO的正确性和有效性.