基于动态和谐搜索的混合粒子群优化算法

针对粒子群优化算法随维数增大群体多样性相对减小而早熟收敛的问题,在对和谐搜索算法进行适应性改进的基础上,将其引入粒子群算法中,提出一种动态和谐搜索混合粒子群优化算法(DHSPSO).该方法使得粒子在搜索初期更具遍历性,降低算法对初始值的敏感性,并通过和谐搜索算法搜索的随机性和优胜劣汰机制改善粒子群的多样性,使得算法具有更快的收敛速度与更好的全局搜索能力.以多个标准测试函数优化进行仿真测试,结果表明,DHSPSO算法在进行高维优化问题时,在寻优速度、精度和成功率等方面均显示出良好的优化效果.     

一种基于多子群的动态优化算法

针对动态粒子群优化算法的群体多样性问题,提出一种新的度量方法.为了提高群体多样性,在每次迭代前,子群内部各粒子以一定的概率飞离局部最优粒子,以保持子群内部粒子多样性.在此基础上,提出一种动态粒子群优化算法,即在每次迭代前,要淘汰超规模子群中的低适应值粒子,进一步增强整个群体的多样性水平,提高算法的鲁棒性.用标准测试函数MPB测试该算法跟踪动态全局最优值的能力,实验结果表明:该算法能有效跟踪5维以上的动态全局最优值,子群内部多样性水平提高60%以上.     

带阴性选择的粒子群优化算法

针对PSO在计算后期多样性不足、易发生优化停滞的现象,引入免疫系统中的阴性选择概念,定义了新的计算亲和力的方法,提出了带阴性选择的粒子群优化算法,并对其进行了计算复杂性分析.改进算法能在检测到粒子群收敛至局部解后,更新群体中的部分粒子,并使新粒子在解空间上远离局部解,提高了粒子的多样性.试验证明,改进算法的优化性能优于PSO和局部PSO.对改进算法的计算成本及参数选择进行了讨论,并提出了下一步的研究方向.     

采用多样性引导粒子群算法的干式空心电抗器优化设计

针对粒子群优化(PSO)算法易于早熟收敛的问题,提出了采用多样性引导的吸引-排斥粒子群优化(DGARPSO)算法,并应用于干式空心电抗器的优化设计中.该算法在吸引-排斥粒子群优化(ARPSO)算法中引入变异操作,即当进化群体多样性或个体极值群体多样性小于下限值时,以一定概率对粒子的位置进行变异,从而使得粒子在群体多样性很低时飞离群体的聚集位置,有效减少了PSO算法的早熟收敛现象,同时还比较了均匀变异、高斯变异和柯西变异对优化结果的影响.对50 kV·A干式空心电抗器的仿真结果表明,DGARPSO算法提高了全局搜索能力,比GA算法、PSO算法和ARPSO算法具有更好的寻优性能.     

一种基于免疫选择的粒子群优化算法

粒子群算法是一种新的群体智能算法,被广泛用于各种复杂优化问题的求解,但算法存在着过早收敛问题.为了克服算法早熟的缺点,将粒子群看作是一个复杂的免疫系统,借鉴生物学中免疫系统自我调节的机制,提出了一种新的基于免疫选择的粒子群优化算法(IS-PSO).免疫系统中的抗原、抗体和亲和度分别对应了待优化函数的最优解、候选解和适应度.IS-PSO通过免疫算法中免疫记忆、疫苗接种、免疫选择等操作有效地调节PSO算法中种群的多样性.给出了算法的详细步骤,并将本文提出的算法与基本的粒子群算法(bPSO)在几个典型Benchmark函数的优化问题应用中进行了比较,仿真结果表明:IS-PSO算法可以有效避免早熟问题,提高粒子群算法求解复杂函数的全局优化性能.     

基于改进粒子群算法的Web服务组合推优方法

针对半自动的Web服务组合模型,为了尽可能多地发现服务质量处在Pareto前端的服务组合供用户参考使用,提出了一种基于改进粒子群算法(MPSO)的Web服务组合推优方法.结合服务组合问题给出了粒子适应度评价函数以及群体多样性的计算模型.为了改善粒子群算法存在的早熟问题并且发现更多服务质量处在Pareto前端的组合服务,给出了受群体多样性指导的速度更新方法和惯性权重模型.针对指导粒子飞行的关键组合服务,给出了它们的寄存方法.最后通过实验从有效率和精确度及平衡性方面验证了基于MPSO的Web服务组合推优方法的有效性.     

文化粒子群优化算法

为了提高粒子群优化(PSO)算法的计算精度和计算效率,避免"早熟",给出了文化粒子群优化算法.该算法模型将PSO纳入文化算法框架,组成基于PSO的主群体空间和知识空间,两空间具有各自群体并独立并行演化.下层主群体空间定期贡献精英个体给上层知识空间,上层知识空间经演化后,定期贡献精英个体给下层主群体空间,于是形成"双演化双促进"机制,从而实现增加PSO的群体多样性.在以卫星舱和印刷电路板布局设计为背景的算例中进行了数值验证,结果表明对于该算例,该方法的计算精度和计算效率比遗传算法、PSO算法高.     

带交叉算子的量子粒子群优化算法

为了改善量子粒子群优化(QPSO)算法、提高其求解多峰优化问题的能力,采用新的粒子吸引点和势阱特征长度计算方法,引入遗传算法中的交叉算子并融入交叉概率自适应的参数控制技术,设计了一种带交叉算子的量子粒子群优化(CQPSO)算法.CQPSO算法既可确保QPSO粒子群体的多样性、维护粒子整体的活力性,又能克服特殊情况下QPSO算法收敛的不稳定性和陷入局部最优的偶发性.实验结果表明,在21个标准测试函数中,无论对应单峰函数、多峰函数或是偏移、旋转函数,在相同的物理仿真平台上,CQPSO算法的性能在绝大多数情况下都优于其他改进的量子粒子群算法,从而验证了CQPSO算法的有效性和鲁棒性.     

一种基于进化的自适应卡尔曼修正粒子群优化算法

提出了一种新的基于达尔文进化的自适应卡尔曼修正粒子群优化算法(AK-DPSO,Adaptive Kalman correction Darwin Particle Swarm Optimization)。卡尔曼修正机制能够利用种群粒子位置更新过程的相关性信息提高算法搜索速度。使用了一种基于子梯度计算的方法来自适应地调整算法的系数,在每次迭代后算法根据卡尔曼修正机制调整全局最优点的位置,这样的调整能够显著地提升算法在搜索空间中的搜索效率和收敛率。同时,为了克服早熟收敛的问题,AK-DPSO采取了基于自然选择的达尔文进化机制,通过多个子群的自然进化增强粒子群的多样性,从而减小算法陷入局部最优点的可能性。进行了一系列的实验,实验结果证明本文算法能够在多个性能指标上达到或者超过现有粒子群优化算法的水平。     

粒子群优化算法研究及在电力系统机组组合中的应用

蚁群优化算法由于其具有较强的优越性,现已被用于约束优化问题的求解,并在相关的工程领域得到了实用。针对粒子群优化算法初始参数依赖性强和易陷入局部最优的问题,提出了对粒子群分组并重组信息共享机制的改进粒子群体智能算法。该算法有效地降低了陷入局部极小的概率,从而能够获取更佳的近似最优解。为验证算法的有效性和可行性,将改进粒子群优化算法用于10机系统和26机系统组合问题的仿真求解,结果表明该改进方法能收敛到更好的解,而且计算时间也大大减小。