求解约束优化问题的改进粒子群优化算法

针对约束优化问题,提出了一种改进的粒子群优化算法.该算法利用罚函数法将约束优化问题处理为无约束优化问题,并利用可行基规则来更新个体极值和全局极值,使不可行的粒子尽快飞向可行域,显著提高了算法的全局搜索能力.在标准粒子群算法研究基础上,为了提高粒子群算法求解非线性复杂优化问题的性能,对速度方程和惯性权重做了改进.数值算例表明,该算法是求解约束优化问题的一种较为有效的全局优化算法.     

约束优化问题的修正选择粒子群优化算法

提出一种求解约束优化问题的修正选择粒子群优化算法(RSPSO).在这个算法中,利用动态多阶段罚函数方法处理约束,并加入一种违反约束的修正选择策略,采用线性递减违反约束容忍度来引导粒子,即利用修正的可行基规则来更新个体极值和全局极值,指引粒子迅速飞向可行域;考虑到粒子群中每个粒子周围的局部信息对它未来飞行的影响,改进了基本粒子群优化的速度方程.数值结果表明,所提出的算法求解约束最优化问题具有较高的计算精度、较好的稳定性和较强的全局寻优能力.     

约束优化的粒子群改进算法及应用

针对粒子群算法易于坠入局部最优、早熟而造成求解成功率不高的问题引入回退算法的思想,提出一种用于求解工程约束的改进粒子群算法。对优化过程中不合约束的粒子不是简单抛弃,而使其回退到该粒子历史最优,进行下次搜索,这样求解过程中的粒子群搜索能力更强,以增强算法的成功率和运算速度、收敛性。通过对测试函数和工程实例进行仿真测试,并与标准粒子群算法对比,结果表明该算法是有效可行的。     

基于粒子群算法的井眼轨迹优化研究

为了更优更快地对石油工程中的井眼轨迹进行优化,进行了基于改进粒子群优化(PSO)算法的井眼轨迹优化研究.通过对造斜率归一化,推导出目标函数表达式,将问题归结到对式中参数优化问题上来.引入PSO算法,在保持了PSO算法结构简单可行特点的同时,利用惩罚函数方法和叉乘控制项,对基本PSO算法易限入局部极小点周边区域的局限进行了改进.该井眼轨迹模型和相应算法提高了井眼轨迹优化速度.通过对钻井工程中轨迹参数的优化实践,验证了本算法优于基本的PSO算法,较好地实现了对井眼轨迹的优化.     

一个求解约束优化问题的混合算法

通过引入Hook-jeveese搜索法和可行基规则,提出一个求解约束优化问题的混合算法—Hook-jeveese搜索法和与可行基规则相结合改进的微粒群算法的混合算法.与惩罚函数法相比,可行基规则不需要额外的参数,且指引粒子迅速飞向可行域.并利用6个典型实例问题进行仿真计算比较,仿真结果表明了新算法是求解约束优化问题的一个高效的算法,而且获得了一些比以往文献更好的解.     

一种求解非线性约束优化问题的粒子群优化算法

提出一种新的基于粒子群优化算法求解非线性约束优化问题的方法.通过引入自适应的退火罚因子和不可微精确罚函数来处理约束条件,可以使算法逐渐搜索到可行的极值点.数值实验证明了算法是有效的.     

基于改进粒子群算法的优化策略

为提高传统粒子群算法的搜索速度和搜索精度,提出了一种改进的自适应粒子群优化算法.将正则变化函数和慢变函数引入传统位置更新和速度更新公式当中,形成两种新的更新机制:搜索算子和开发算子.在算法运行的初始阶段,种群中大部分个体将按照搜索算子进行更新,搜索算子将有助于种群遍历整个解空间;随着迭代次数的增加,按照搜索算子进行更新的个体将逐渐减少,而按照开发算子进行更新的个体将逐渐增多,开发算子将有效地克服陷入局部最优解的问题.通过典型测试函数的仿真实验,新算法在加快收敛速度同时,提高了算法的全局搜索能力.     

求解非线性约束优化问题改进的粒子群算法

采用粒子群算法处理约束优化问题时,由于约束条件使得解空间成为非凸集合,粒子容易陷入局部最优,因此在搜索过程的不同阶段,提出变步长因子的粒子群算法,实验证明改进的算法是可行的,且在精度与稳定性上明显优于采用罚函数的粒子群算法和遗传算法等其它一些算法.     

求解非线性约束优化问题改进的粒子群算法

采用粒子群算法处理约束优化问题时，由于约束条件使得解空间成为非凸集合，粒子容易陷入局部最优，因此在搜索过程的不同阶段，提出变步长因子的粒子群算法，实验证明改进的算法在精度与稳定性上明显优于采用罚函数的粒子群算法和遗传算法等其他一些算法。     

求解约束优化问题的动态多种群粒子群算法

为有效求解带有约束条件的优化问题,提出一种动态多种群粒子群算法。采用动态多种群策略和广泛学习策略来提升种群的多样性, 并根据人类社会“人尽其才”的思想, 为每个子群指派成员, 以发挥每个粒子的最大效用。采用动态变异策略, 对全局最优粒子(Gbest)进行变异操作以提升算法跳出局部最优解的能力。在基准函数的测试结果中显示DMCPSO获得了较高的求解精度。     

求解约束优化问题的一种新的进化算法

针对约束优化问题引入半可行域的概念, 提出竞争选择的新规则, 并改进了基于竞争选择和惩罚函数的进化算法的适应度函数; 结合粒子群优化（PSO）算法本身的特点, 设计了选择算子对半可行域进行操作, 从而得到一个利用PSO算法求解约束优化问题的新的进化算法. 实验证明了算法的有效性.     

一种约束工程设计问题的入侵性杂草优化算法

提出了一种新颖的求解约束问题的群智能优化算法.该算法模拟杂草克隆、占地生长与繁殖的自然行为,具有入侵性杂草的鲁棒性、适应性和随机性等特点,算法简单而有效,具有准确的全局搜索能力.结合罚函数方法将提出的算法应用于求解工程设计优化问题,实验结果及比较表明提出的算法获得了更优的结果,同时也显示了它在求解复杂工程设计优化问题时的全局寻优能力.进一步实验与统计分析了关于参数选择对算法性能的影响,得到了有利参数选择的结论.     

一个求解约束工程设计问题的混合局部收缩微粒群算法

提出一个求解约束工程设计问题的新的混合算法——与可行基规则相结合的局部收缩微粒群算法。与惩罚函数法相比,可行基规则不需要额外的参数,且指引粒子迅速飞向可行域。利用3个工程设计问题进行仿真计算比较,仿真结果表明了新算法是求解约束工程设计问题的一个高效的算法。     

一种求解约束函数优化问题的遗传算法

遗传算子和种群更新策略在遗传算法全局寻优过程中发挥着重要作用，通过多父体杂交算子使产生的后代更具多样性和采用最小代数代沟种群替换模型有效地均衡算法对问题解空间的探索和开发能力提高算法的性能，给出了一种求解约束函数优化问题的遗传算法。对两个典型约束函数优化问题进行了数值实验，实验结果表明了该算法的有效性和稳健性。     

基于樽海鞘群与粒子群混合优化算法的特征选择

针对现有特征选择方法中存在的收敛速度慢和计算效率低等问题,提出了一种基于樽海鞘群与粒子群优化的混合优化(hybrid optimization of salp swarm algorithm and particle swarm optimization,HOSSPSO)特征选择方法,该方法在樽海鞘群算法(salp swarm algorithm,SSA)的基础上,引入粒子群优化(particle swarm optimization,PSO),提高了SSA的收敛速度,改进了探索和开发步骤的效率,增加了解空间更多的灵活性和多样性,使得方法能够迅速获得全局最优值.为了验证算法的性能,在2个实验序列上进行了测试:第一个实验序列使用基准函数,将HOSSPSO与标准SSA、PSO进行了比较;第二个实验序列采用不同的UCI数据集,通过提出的算法确定最佳特征集.实验结果表明,相比于其他优化算法,HOSSPSO的性能更具优势,在多项评估指标中获得较好的效果,能以极少量的特征获得最大的分类精度.     

基于带随机网络的多种群粒子群优化算法求解多资源受限柔性作业车间调度问题

多资源受限柔性作业车间调度问题(MRC-FJSP,multi-resource constrained flexible job shop scheduling problem)是一类复杂的组合优化问题。针对以最小化最大完工时间为目标的MRC-FJSP,提出了一种带随机网络的多种群粒子群优化算法(MPSO-RDnet, multi-population particle swarm optimization algorithm with random network)。首先,设计了一种半主动解码和基于启发式规则解码相结合的新型解码方式,对原有解空间进行有效裁剪。其次,提出了基于关键路径的两种邻域结构,提高算法局部搜索能力;引入了基于随机网络的多种群策略,提高算法全局搜索能力;提出了面向算法搜索停滞问题的重新初始化策略,增强算法的鲁棒性。最后,采用MRC-FJSP基准算例SFTSP进行测试,验证了算法的可行性和有效性。     

粒子群优化算法在可预报性问题中的应用

为了评价在强非线性影响下粒子群优化(PSO)算法解决可预报性问题的性能,借助二维Ikeda模式,基于传统伴随(ADJ)方法和PSO求取的条件非线性最优扰动(CNOP)方法,即ADJ-CNOP和PSOCNOP方法,研究了最大预报误差的上界和最大允许初始误差的下界的精度问题。数值试验的统计分析结果显示:不论在初始误差较大还是预报时间较长的情况下,PSO-CNOP方法都能有效捕捉全局CNOP,给出最大预报误差的上界和最大允许初始误差的下界的精确估计;由于强非线性的影响,ADJ-CNOP方法会以较大概率获得局部CNOP,从而影响可预报性问题研究中相关估计的精度。实验结果表明,PSO算法具有优良的性能,能有效克服动力模式的强非线性特征带来的影响,值得在可预报性问题中进一步研究和应用。     

求解约束优化问题的一种新的进化算法

分析了现有的约束优化进化算法的一些不足之处，提出了一种处理约束优化问题的新算法。新算法将多目标优化思想与全局搜索和局部搜索机制有机地结合起来；在全局搜索过程中，作为一种小生态遗传算法，排挤操作利用Pareto优劣关系比较个体并接受具有相似性的父代个体和予代个体中的优胜者；在局部搜索过程中，首先对局部群体中的个体赋予Pareto强度，然后根据Pareto强度选择个体。通过一个复杂高维多峰测试函数验证了新算法的有效性。