细菌生存优化在非线性模型辨识中的应用

提出了一种新的基于细菌生存优化(Bacterial Foraging Optimization BFO)的非线性模型辨识方法.它是利用群集智能仿生BFO算法对一类Hammerstein系统进行辨识,从而估计出它的参数模型.通过对这类输入非线性模型进行辨识,并用仿真实验说明BFO算法的参数设置与选择方法.比较基于粒子群优化(Particle Swarm Optimization PSO)的非线性模型辨识算法,特别是对有色噪声的鲁棒性、模型的辨识精度、辨识收敛速度进行对比分析,以得出BFO辨识算法的优缺点及其有效性.     

改进QDPSO算法在BP网络训练中的应用

QDPSO（Quantum Delta-Potential-Well-based Particle Swarm Optimization）算法是基于量子空间的粒子群算法，对QDPSO算法进行了改进，结合Iris分类问题，应用到BP网络的权值优化中，并和基于标准PSO算法的方法进行了比较。实验结果表明：该算法性能优于所比较的两种算法，并且具有良好的收敛性和稳定性。     

基于T-S模型的模糊自适应PSO算法

惯性权重的取值对改善微粒群优化(Particle Swarm Optimization,PSO)算法的收敛性起着关键作用.针对惯性权重的取值问题,提出一种基于T-S模型的模糊自适应PSO(T-SPSO)算法.算法根据当前种群最优适应值和惯性权重,自适应更新惯性权重取值,改善了算法收敛性.最后以典型优化问题的实例仿真验证了所提出算法有效性.     

离散粒子群优化算法研究现状综述

粒子群优化算法(PSO)是一类基于群体智能的新型全局优化方法,近年来其离散化形式和方法受到广泛关注.介绍了PSO的基本原理和更新机制,论述了离散PSO算法的研究进展和应用情况,详细介绍了两种离散化策略的机理、更新方法、计算模式和特点,讨论了离散PSO的发展趋势和进一步研究方向.     

集装箱码头动态集卡配置的并行仿真优化方法

分析了动态集卡配置对集装箱码头装卸作业的影响,构建了一个包括船舶、锚地、泊位,岸桥、堆场龙门起重机、内部集卡、外部集卡和大门系统等在内的集装箱码头整体作业系统的仿真模型.运用仿真模型与优化算法相结合的基于仿真的优化方法(SBO)对集装箱码头动态集卡配置问题进行了求解,并将基于MPI消息传递标准的并行集群计算方法引入该求解过程,很好的解决了基于仿真的优化方法中存在的计算代价过大的问题.     

基于菌群自适应觅食的公交调度建模仿真与优化

提出了一种新型群体智能优化方法—菌群自适应搜索算法（Adaptive Bacterial Foraging Optimization,ABFO）。ABFO算法在细菌觅食算法（Bacterial Foraging Optimization,BFO）研究工作的基础上,将细菌的趋化行为,群体感应机制和自适应搜索策略相集成,体现细菌个体通过信息交流与合作在群体层面表现出更高智能行为的特性。此外,ABFO算法的自适应策略动态地控制人工细菌的趋化步长,从而能够在运行时有效地平衡算法的探索和开发能力。然后,基于ABFO进行公交调度模型的求解,以便快速地集散交通流,实现站点、客流、车流的优化配置。仿真试验结果表明,与其它智能算法相比ABFO算法具有收敛速度快,寻优能力强和较强的鲁棒性等优越性能。     

基于粒子群优化与高斯过程的协同优化算法

对于适应度函数计算耗时较大的工程优化问题,采用仿生智能优化算法求解时常遇到由于适应度函数评价次数过大而导致计算量过高的瓶颈问题。针对上述问题,提出一种基于粒子群优化（particle swarm optimization, PSO）算法与高斯过程（Gaussian process, GP）机器学习方法的协同优化算法（PSO-GP）。该算法在寻优过程中采用GP近似模型来构建决策变量与适应度函数值之间的映射关系,在PSO全局寻优过程中不断地总结寻优历史经验的基础上,预测可能包含全局最优解的搜索区域,以优化粒子群飞行的方向。多个测试函数的优化结果表明,该算法是可行的,与基本PSO算法相比,在获得全局最优解的前提下,可显著减小寻优过程中的适应度函数评价次数,寻优效率较高,在高计算代价复杂工程优化问题的求解上具有良好的应用前景。     

一种随机微粒群混合算法求解约束优化问题

将微粒群算法（Particle Swarm Optimization,PSO）与随机优化方法-Alopex算法相结合,提出一种随机微粒群混合算法（APSO）求解约束优化问题。该算法使PSO算法中微粒的飞行速度无记忆性,结合Alopex算法重新生成停止进化微粒的位置;采用双群体搜索机制,一个群体保存具有可行解的微粒,用APSO算法使微粒逐步搜索到最优解,另一个群体保存具有不可行解的微粒,并且可行解群体以一定的概率接受性能较优的不可行解微粒,这种简单的群体多样性机制使微粒能够快速、准确地找到位于约束边界上或附近的最优解。结果表明该算法寻优性能优良且具有较好的稳定性。     

MPSO-RBF优化策略在锅炉过热系统辨识中的仿真研究

提出了基于改进PSO算法的RBF神经网络混合优化（MPSO-RBF）方法，并将其应用到非线性系统的辨识中。该方法将改进PSO算法的全局搜索能力和RBF神经网络局部优化的高效性相融合，克服了普通PSO算法收敛的不稳定性和RBF网络易陷入局部极小值的缺点。经典型非线性系统仿真试验，并与GA-RBF和RBF辨识效果进行了对比，结果表明基于MPSO-RBF的混合优化方法较GA-RBF和RBF优化速度快、逼近性能好，可以达到更优的辨识精度。最后，通过对火电厂的过热汽温动态特性的辨识实例，同样证明了MPSO-RBF方法具有更好的性能指标。     

基于PSO算法的弹道辨识网络及仿真

提出了一种基于粒子群优化算法(PSO)的弹道辨识及仿真的技术。根据弹道质心运动方程模型，以小脑模型开关控制器神经网络(CMAC)为核心构建了辨识网络，利用PSO算法控制辨识与仿真的实现。仿真试验表明，利用PSO算法实现弹道辨识比BP算法辨识精度高，收敛性好。     

车辆路径问题的粒子群算法研究

车辆路径优化问题是一类具有重要实用价值的组合NP问题．粒子群算法(panicle swarm optimization)是一种新出现的群智能(swarm intellingece)优化方法，将其应用于车辆路径优化问题，构造车辆路径问题的粒子表达方法，建立了此问题的粒子群算法，并与遗传算法作了对比试验．结果表明，粒子群算法可以快速、有效求得车辆路径问题的优化解，是求解车辆路径问题的一个较好方案。     

Stochastic focusing search: a novel optimization algorithm for real-parameter optimization

A novel optimization algorithm called stochastic focusing search (SFS) for the real-parameter optimization is proposed. The new algorithm is a swarm intelligence algorithm, which is based on simulating the act of human randomized searching, and the human searching behaviors. The algorithm’s performance is studied using a challenging set of typically complex functions with comparison of differential evolution (DE) and three modified particle swarm optimization (PSO) algorithms, and the simulation results show that SFS is competitive to solve most parts of the benchmark problems and will become a promising candidate of search algorithms especially when the existing algorithms have some difficulties in solving certain problems.     

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索.PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值.通过对PSO算法的深入分析,基于传统的速度--位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力.测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能.     

解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。     

Hybrid anti-prematuration optimization algorithm

Heuristic optimization methods provide a robust and efficient approach to solving complex optimization problems. This paper presents a hybrid optimization technique combining two heuristic optimization methods, artificial immune system (AIS) and particle swarm optimization (PSO), together in searching for the global optima of nonlinear functions. The proposed algorithm, namely hybrid anti-prematuration optimization method, contains four significant operators, i.e. swarm operator, cloning operator, suppression operator, and receptor editing operator. The swarm operator is inspired by the particle swarm intelligence, and the clone operator, suppression operator, and receptor editing operator are gleaned by the artificial immune system. The simulation results of three representative nonlinear test functions demonstrate the superiority of the hybrid optimization algorithm over the conventional methods with regard to both the solution quality and convergence rate. It is also employed to cope with a real-world optimization problem.     

改进PSO算法及在PID参数整定中应用研究

针对粒子群优化算法(PSO)存在早熟和局部收敛的问题,提出了一种带变异算子的改进粒子群优化算法(IPSOM),该算法在搜索中以一定变异概率对选中的粒子进行变异,同时对飞离搜索区域的粒子用新产生的粒子取代,以克服粒子群优化算法易陷入局部最优解的缺陷。用一典型的Rastigrin复杂函数对新算法进行测试,结果表明改进的算法较之粒子群优化算法(PSO)和常规遗传算法(SGA)不但提高了全局寻优能力,而且有效避免了早熟收敛问题。在此基础上将这种改进算法应用于高阶带时滞对象的PID控制器设计中进行仿真研究,结果表明了所提出算法的有效性和所设计控制器的优越性。     

基于细致化仿生的改进粒子群优化算法

粒子群优化(particle swarm optimization, PSO）算法基本思想是试图通过模拟鸟群觅食中的迁徙和聚集等行为获得连续非线性函数的最佳值,其仿生算法产生于对鸟群寻食过程中飞行方向与飞行速度等的隐喻。近年对粒子群算法经典算法的研究,虽然在速度及精度上有所改进,但由于缺乏细致化仿生（precise bionic metaphor, PBM）,改进效果并不太明显。通过在PSO算法中引入飞鸟寻食细致化行为特征隐喻,即在算法中同时导入满意粒子局地细致化寻优和探索粒子随机寻优过程,进而提出了一种新的基于细致化仿生的改进PSO算法;对改进算法和经典算法进行了性能比较,结果显示所提算法在收敛速度和求解精度方面较经典算法有很大程度的改善。     

改进的粒子群算法及其非线性盲源分离

采用粒子群算法与自然梯度法相结合进行非线性混叠信号盲分离。用高阶奇数多项式拟合非线性混合函数,建立非线性信号盲分离模型。同时根据粒子群算法的特点,作了改进,引入了“迁徙操作”和局部深度搜索方法。对多项式的参数用粒子群算法来求估计,然后用自然梯度法对线性去混合矩阵进行迭代。仿真结果表明,粒子群算法可以快速、有效地求得非线性混叠信号盲分离的优化解。     

求解动态优化问题的分叉PSO算法

近些年来,求解动态环境中的优化问题已经逐渐成为进化计算领域的一个新的研究热点。为了改善一般PSO算法求解这种动态优化问题的能力,现提出了一种采用分叉策略的多粒子群PSO算法。该算法能够利用一个较大的主粒子群不断搜索问题适值曲线上新的峰,而利用从主粒子群中分离出来的若干个较小的子粒子群去跟踪已经发现的峰的变化。通过对一组标准动态测试函数的实验,能够证明所提出的算法在动态环境中具有较强的鲁棒性和适应性。

Abstract：

Recently,there has been increased interest in evolutionary computation algorithms applied into dynamic environments since many real-world optimization problems are time-varying.Inspired by a forking mechanism,a new multi-swarm optimization algorithm （Forking PSO,FPSO） was proposed to enhance simple PSO’s search in dynamic landscape.In FPSO,a larger main swarm is continuously searching for new peaks and a number of smaller child swarm,divided from main swarm,are used for tracking the achieved peaks over time.Experimental study over a benchmark dynamic problem suggests that the proposed algorithm has much stronger robustness and adaptability in dynamic environments.