基于期望生存率的动态自适应粒子群算法

针对惯性权重线性递减粒子群算法(LDPSO)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重的自适应粒子群算法(DAPSO).在该算法中引入期望生存率的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为期望生存率的函数.每次迭代时算法可根据当前粒子群平均期望生存率的大小动态地改变惯性权重,从而使算法具有动态自适应性.对6个典型函数的测试结果表明,DAPSO算法的收敛速度明显优于LDPSO算法,收敛精度也有所提高.     

基于等级熵的自适应粒子群优化算法

分析了粒子群耗散结构的特性,提出了基于等级熵的自适应粒子群优化(EPSO)算法.在演化过程的前期,针对粒子群优化(PSO)算法具有收敛速度慢、等级熵较大等特点,EPS0采用精英多父体杂交算子来提高算法的收敛速度,使群体形成有序的耗散结构.随着熵的减少.EPSO产生一个微小的混沌给予系统一个外界的负熵,使演化过程向更优适应值的方向发展.数值实验结果表明,该算法具有收敛精度高和收敛速度快的特点,可快速有效地求解某些优化问题.     

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。     

基于优化DPSO算法的云平台任务调度研究

为提升离散粒子群优化算法(discrete PSO,DPSO)的全局收敛性和收敛效率,提出一种基于适应值的分段自适应惯性权重.根据粒子在空间搜索过程中适应度值的大小,将粒子的搜索性能分为4个状态区,粒子处于不同的状态区,拥有不同的惯性权重值.当粒子当前的适应值接近粒子群中最优粒子的适应值时,应赋予粒子较小的惯性权重值,反之,应赋予粒子较大的惯性权重值.通过动态调整粒子所处各个阶段的搜索状态,来加速粒子向全局最优解收敛.提升DPSO算法的全局搜索性能,并将优化的DPSO算法应用于云平台的任务调度.仿真实验表明,优化后的DPSO算法具有高效的全局搜索性能,能快速地为云平台提供最佳任务调度策略.     

多惯性权重的自适应粒子群优化算法

惯性权重是粒子群优化算法重要参数之一,它能够平衡算法的全局搜索能力和局部搜索能力.为了利用已知惯性权重解决某些问题的优点,提出一种多惯性权重的自适应粒子群优化算法.首先定义了K步进化度的概念,然后基于进化度,从惯性权重集中随机选择惯性权重,使得适合解决某一问题的惯性权重在迭代过程中能够多次被使用,从而提高算法性能,把该...     

一种搜索空间自适应变化的自适应粒子群算法

提出一种搜索空间自适应的自适应粒子群优化算法.该算法对不同等级的粒子适应值采取不同的惯性权重,并随着算法的迭代不断缩小粒子群的搜索空间.同时,选择当前代的较优部分粒子直接进入下一代,其他粒子通过在缩小的搜索空间内随机生成,加快了种群收敛速度,同时又能使种群不断跳出局部最优解.几种典型函数的仿真实验表明,该算法在收敛速度...     

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.     

基于增量式PID的改进粒子群算法

基于粒子群优化(PSO)算法的简单模型和增量式PID控制原理,引入PID增量算子和4个新随机因子,对标准粒子群优化(SPSO)算法进行了扩展.扩展粒子群算法(EPSO)提升了粒子自身认知能力和社会认知能力,增加了粒子共享的信息量,粒子在运动过程中更加智能化.4个新随机因子的引入,提高了种群的多样性,一定程度上克服了PSO容易陷入局部最优的缺陷,提高了PSO算法全局搜索能力.对6个常用目标函数进行优化仿真,结果表明EPSO算法较SPSO算法收敛速度显著加快,且不易陷入局部极值点.SPSO算法是EPSO算法的一种特殊情形;EPSO算法作为SPSO的扩展,可应用于所有SPSO求解的优化问题.     

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.     

基于Kriging代理模型的注塑产品翘曲优化

针对传统的基于CAE的注塑产品工艺优化方法精度不高、效率低,提出了Kriging模型与自适应粒子群算法相结合的集成优化策略.Kriging模型代替CAE分析作为粒子群算法迭代过程中的适应函数,大大减少了优化算法的计算量;同时,通过在粒子群算法中引入自适应惯性权系数,加快了粒子群算法的收敛速度.算例表明,基于Kriging模型与自适应粒子群算法的优化策略可以在小样本情况下获取较高的求解精度,并通过与标准遗传算法做比较,表明该优化策略同时具有较高的计算效率.     

一种基于杂交机制的改进的双子群粒子群优化算法

为了克服粒子群算法的早熟收敛问题和易陷入局部最优问题,本文提出了一种新的基于双子群的改进粒子群优化算法,通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围,并借鉴杂交机制,使搜索速度更快,收敛精度更高。再采用自适应惯性权重的粒子群算法,根据种群的进化状态来动态调整惯性权重。     

基于扰动的自适应粒子群优化算法

【目的】针对标准粒子群优化算法在应用中暴露出的缺点,如在迭代后期收敛速度慢、搜索精度不高、容易陷入局部最优等,提出一种基于扰动的自适应粒子群优化算法。【方法】该算法将扰动因子加入速度更新公式中,使种群搜索范围扩大;采用自适应的惯性权重,以起到平衡全局和局部寻优能力的作用;对最优粒子进行自适应的柯西变异,拓展最优粒子的搜索空间,降低粒子陷入局部最优的可能性;最后对算法进行仿真实验。【结果】新算法能够增强全局搜索能力,有效避免局部最优,具有更快的收敛速度。【结论】新算法克服了标准粒子群优化算法的缺点,为进一步研究粒子群优化算法的改进和应用提供科学依据。     

基于惯性权重自适应改变的混沌粒子群算法

粒子群算法是美国学者受鸟类觅食行为启发提出的一种群体优化算法,在迭代后期易早熟收敛.为此利用混沌运动的随机性、规律性和遍历性的特点对粒子群算法进行优化,提出了一种惯性权重自适应改变的混沌粒子群算法.在算法中对惯性权重进行调整加快算法前期收敛速度,而且加入了变异操作以帮助粒子后期跳出局部极小.最后用测试函数进行仿真实验,结果表明该算法收敛快,寻优能力强,寻优精度高.     

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.     

基于混合优化算法的最大功率点追踪方法

针对部分阴影条件下粒子群优化（PSO）算法追踪最大功率点时间较长与功率波动大的问题,提出一种基于万有引力与粒子群混合优化(GPSHO)算法的最大功率点追踪（MPPT）方法。该方法将万有引力搜索算法引入粒子群算法,在迭代过程中通过调节PSO算法的惯性权重、认知因子和社会因子提高算法的收敛速度,实现追踪全局最大功率点。仿真与实验结果表明:该方法能够在不同光照情况下精准地追踪全局最大功率点,其搜索速度大约比基于自适应惯性权重粒子群(APSO)算法的MPPT方法快１倍,功率振荡亦更小。     

一种改进的自适应粒子群算法

针对标准粒子群优化算法早熟收敛、易陷入局部最优、收敛精度低等缺点,提出了一种改进的自适应粒子群算法.该算法在每次进化后自适应地更新每个粒子的惯性权重和学习因子,并对粒子进行排序,实现了自适应调整局部搜索和全局搜索的功能.与标准粒子群算法在6个标准测试函数上的实验进行比较并进行了t检验分析.结果表明,该算法具有很好的性能.     

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.     

无线传感器网络节点自适应惯性权重定位算法

在无线传感器网络定位算法中,为了降低定位误差,提高定位精度,提出一种结合DV-Hop算法和改进粒子群算法的,基于自适应惯性权重的优化定位算法。首先根据DV-Hop算法估算未知节点与信标节点的距离。然后采用改进的粒子群算法做后期优化。根据每次迭代后粒子位置与全局最优位置的距离,对粒子的惯性权重进行动态调整,使其具有动态自适应性。并且利用进化度作为搜索中止条件,加快算法的收敛速度。通过仿真说明,相较于DV-Hop算法和基于已有改进粒子群优化的DV-Hop算法,自适应惯性权重定位算法可以降低平均定位误差,有效地提高了无线传感器网络中节点的定位精度。     

面向绿色再制造系统的AGV路径规划研究

为了解决绿色再制造系统中的自动导引运输车(AGV)路径规划问题的问题,提出一种粒子群遗传融合的AGV全局路径优化的自适应算法.该方法集成了遗传算法(GA)和粒子群算法(PSO)二者的优点,为了改善传统PSO-GA融合算法迭代前期寻优速度慢的问题,引入了自适应惯性权重;为了提高算法进入迭代后期的收敛精度,提出了一种双重交叉变异策略,使得改进的PSO-GA融合算法比传统的PSO-GA融合算法搜索能力更强,进化速度更快,收敛精度更高.为了验证改进后算法的优越性,采用栅格法模拟自动导引运输车运行环境并通过MATLAB对标准粒子群、遗传、传统的PSO-GA融合、改进PSO-GA融合四种算法解决路径优化问题进行试验对比,结果证明了改进后的PSO-GA算法的可行性和有效性.     

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。