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。     

基于自适应模拟退火的改进混合粒子群算法

为了改善旅行商(TSP)优化求解能力,对模拟退火与混合粒子群算法进行改进,引入了自适应寻优策略。交叉、变异的混合粒子群算法,易于陷入局部最优,而自适应的模拟退火算法可以跳出局部最优,进行全局寻优,所以两者的结合兼顾了全局和局部。该算法增加的自适应性寻优策略提供了判定粒子是否陷入局部极值的条件,并可借此以一定概率进行自适应寻优,增强了全局寻优能力。与混合粒子群算法实验结果对比,显示了本文算法的有效性。     

基于变异粒子群优化的在线手眼标定算法

为满足机械臂手眼标定过程中不依赖人工提供固定机械臂路径的要求,提出一种基于变异粒子群优化的在线手眼标定算法.通过分析特征点在机械臂极坐标系与深度相机坐标系下的坐标转换关系,建立了基于深度相机的手眼模型;采用基于变异粒子群的在线优化算法,实时估计手眼关系参数;建立机械臂运动能量函数,给出了机械臂位姿补偿方法,满足特征点视野约束的同时保证运动能量最小.实验结果表明:所提方法能较为精确地估计手眼关系参数,并且能实时补偿机械臂位姿,实现自动手眼标定功能.     

基于自适应粒子群支持向量机的短期电力负荷预测

针对粒子群优化算法存在易陷入局部最优点的缺点,提出了一种新的基于平均粒距的自适应粒子群优化算法(ASPO).该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法的后期引入速度变异算子和交换算子,使算法摆脱后期易于陷入局部最优点的束缚,同时又保持前期搜索速度快的特性.将该算法应用到基于支持向量机的短期电力负荷预测模型中,对支持向量机的参数进行优化.对某电网的短期负荷预测实际算例仿真分析表明,所提出的基于APSO-SVM方法的预测精度明显优于传统的SVM方法,且速度较快,因此,该算法用于短期电力负荷预测是有效可行的.     

一种改进的自适应粒子群优化算法的研究

针对标准粒子群算法（PSO）早熟收敛、进化后期收敛慢和精度较差等缺点,提出一种改进的自适应粒子群优化算法。该算法根据粒子的适应度值一致等价于粒子位置的特点,通过比较粒子适应度值与当前全局最优适应度值的差来自适应调整惯性权值,并按当前种群平均粒距对种群中部分粒子进行变异操作,增加种群多样性,使粒子跳出局部极值。通过几种典型函数的仿真实验表明,该算法在收敛速度和收敛精度上都比标准粒子群优化算法有明显的提高。     

基于MQPSO优化的属性约简方法

变异量子粒子群算法(MQPSO)通过在量子粒子群算法(QPSO)中引入变异机制,增加了全局搜索能力,避免陷入局部最优。在粗糙集理论和MQPSO算法基础上,提出了基于MQPSO优化的决策表属性约简方法,并在算法实现中提出了迭代记录策略,改进了算法中的耗时计算部分,降低了算法的时间复杂度。     

一种自适应调节粒子群优化算法的研究

针对粒子群优化算法容易出现早熟收敛和稳定性低的现象,提出一种自适应调节的粒子群算法.算法中通过自适应调节适应度值的均匀分布保持种群的多样性,该策略能够提高算法的全局搜索能力,同时可避免阈值对算法稳定性的影响.另外采用自适应周期性变异的惯性权重对粒子的速度进行更新,可改善算法的局部搜索能力和稳定性.使用多维标准函数对改进的算法进行仿真试验,结果表明,算法具有较好的全局搜索精度和稳定性,避免了早熟收敛.     

基于自适应粒子群算法的重油热解模型参数估计

通过构造一个合适的目标函数,将化工模型参数估计问题转化为一个多维数值优化问题,然后提出一种参数自适应调整和维变异的改进粒子群优化算法来求解该问题。该算法首先利用佳点集方法初始化种群以保证粒子的多样性。惯性权重和学习因子随进化过程自适应调整,从而协调算法的全局和局部搜索能力。为了避免算法陷入局部最优,对收敛度最小的维进行变异。几个标准测试问题的实验结果表明该算法具有较强的全局寻优能力。最后将改进粒子群算法应用到重油热解模型参数估计中,并与基本遗传算法（SGA）和粒子群优化算法（SPS0）进行比较。研究结果表明：本文得到的平均相对误差为5．62％,比SGA和SPSO分别低1．08％和0．50％。     

基于自适应粒子群算法的重油热解模型参数估计

通过构造一个合适的目标函数,将化工模型参数估计问题转化为一个多维数值优化问题,然后提出一种参数自适应调整和维变异的改进粒子群优化算法来求解该问题。该算法首先利用佳点集方法初始化种群以保证粒子的多样性。惯性权重和学习因子随进化过程自适应调整,从而协调算法的全局和局部搜索能力。为了避免算法陷入局部最优,对收敛度最小的维进行变异。几个标准测试问题的实验结果表明该算法具有较强的全局寻优能力。最后将改进粒子群算法应用到重油热解模型参数估计中,并与基本遗传算法(SGA)和粒子群优化算法(SPSO)进行比较。研究结果表明:本文得到的平均相对误差为5.62%,比SGA和SPSO分别低1.08%和0.50%。
     

一种求解置换流水车间调度问题的多策略粒子群优化

为了提高粒子群优化方法解决组合优化问题的效率,该文基于多种组合优化策略,提出一种求解置换流水车间调度问题的多策略粒子群优化方法。该方法基于万有引力值划分的子区间,按信息熵方式度量粒子群体的多样性。同时在蚂蚁路径选择的基础上,综合考虑粒子间距离和惯性质量择优选出全局最优粒子。此外,一种新颖的集合变异方式被用于引导粒子群体跳出局部最优解区域,增强粒子群体的全局搜索能力。测试问题的仿真结果表明,所提出方法能加快最优解的收敛速度和搜索性能,可有效应用于置换流水车间调度问题的求解。     

一维下料问题的自适应广义粒子群优化求解

针对现有粒子群优化算法在求解组合优化问题时粒子速度迭代难以定义的问题,首先将粒子群优化算法与遗传算法相结合,利用交叉算子、变异算子,提出一种广义粒子群优化算法来求解一维下料问题;然后引入模拟退火算法作为自适应策略,避免算法陷入局部最优.仿真实验结果表明,采用自适应广义粒子群优化算法求解一维下料问题具有高效性和鲁棒性.     

基于改进粒子群优化技术的拜耳法物料平衡计算

分析了氧化铝生产工艺中物料平衡计算的特点,研究了拜耳法生产工艺流程和拜耳法物料平衡计算的数学模型.针对传统粒子群算法(PSO)存在的不足,给出了具有变异因子并能很好跳出局部最优解的新型粒子群算法(IPSO),并应用于氧化铝生产中的物料平衡计算.计算结果表明:优化后的粒子群算法具有较强的全局搜索能力和较高的收敛精度,是进行拜耳法物料平衡计算的有效方法.     

基于自适应变异粒子群的风光储微网调度

为克服传统粒子群算法(particle swarm optimization, PSO)在求解时容易形成局部最优,求解精度低的不足,提出了一种基于自适应变异粒子群优化(adaptive mutation particle swarm optimization, AMPSO)的微电网调度求解方法。AMPSO惯性权重采用自适应正态分布递减,随着迭代次数的增加更新粒子位置的移动策略,并且在算法后期引入变异环节。为验证算法的有效性,该算法与其他改进算法进行收敛性能对比,并对4种典型天气情况下的微网运行成本模型仿真求解,得到最优调度。算例仿真结果表明,AMPSO能够对粒子全局最优搜索优化,在解决微网经济性运行问题上效果优于其他算法,可合理调配各微电源出力时段,具有良好的灵活性和可行性。     

基于自适应变异二进制粒子群算法的WSN区域覆盖问题研究

为最大限度休眠冗余节点,减少无线传感器网络节点能耗,保证网络覆盖率,提出了一种基于自适应变异二进制粒子群的WSN区域覆盖控制算法(BPSO-G)。将二进制粒子群算法(BPSO)应用到WSN区域覆盖优化问题求解上,并针对BPSO算法不能收敛于全局最优解的缺点,利用自适应变异策略,将节点最优位置以一定的概率进行动态变换,该变换有助于粒子跳出局部最优解,提高搜索新解能力,有效防止算法早熟。仿真结果表明:改进算法收敛速度很快,其连续最优解接近于全局最优解,WSN冗余节点能够最大限度进入休眠状态,且当监测区域面积一定、节点感知半径相同时,其活动节点数基本不随总节点数的增加而增加,始终保持在一定区间内。     

云模型和混沌粒子群算法的多目标无功优化

为了克服基本粒子群算法易陷入局部最优值和后期收敛速度慢的不足,提出一种基于云模型的自适应粒子群算法。该算法首先采用混沌优化策略对粒子群进行初始化,增加粒子取值的多样性;其次根据粒子的适应度值将种群中的粒子分成靠近最优值、较靠近最优值和远离最优值3个子群,并分别采取不同的惯性权重生成策略进行处理,其中较靠近最优粒子子群的惯性权重由正态云发生器动态自适应调整,摆脱算法陷入局部最优值束缚;最后在迭代后期通过正态云算子实现粒子的变异操作,使算法后期快速收敛到最优解。对标准IEEE30节点系统和IEEE118节点系统进行测试仿真,结果表明了文中算法解决多目标无功优化的有效性。     

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.     

融合榜样学习和反向学习的粒子群优化算法

为了提高粒子群优化算法(Particle swarm optimization,PSO)的优化效率,降低其陷入局部最优的概率,提出了一种融合榜样学习和反向学习的PSO算法(PSO based on combing Example learning and Opposition learning,EOPSO).首先,对粒子群中的非最优粒子采用新颖的榜样学习机制更新,以便提高全局搜索能力,避免算法陷入局部最优;其次,对粒子群中最优粒子采用反向学习混合机制更新,提升该粒子的搜索能力,进一步避免算法陷入局部最优;最后,对粒子群中的最优粒子还采用了自身变异机制更新,有利于搜索前期的全局搜索和后期的快速收敛.在15个不同维度的基准函数上进行了仿真实验,实验结果表明,与最先进的PSO改进算法ELPSO、SRPSO、LFPSO、HCLPSO相比,EOPSO优化性能更好.     

一种基于运动方向变异的混合粒子群算法研究

针对粒子群算法搜索精度不高、易早熟收敛、搜索后期多样性下降快等问题,提出一种基于运动方向变异的混合改进粒子群算法.该算法通过改变部分粒子的运动方向增加种群多样性,扩大粒子的搜索范围;利用非线性减小惯性权重的方法增加搜索后期的精度;用线性地增大和减小两个学习因子来平衡搜索的范围和精度,使得在搜索前期能够迅速定位到全局最优点附近,在搜索后期能够收敛到全局最优点.将该方法应用于函数优化中,仿真结果表明,该算法能够使粒子均匀分布在最优值空间范围内,调整和平衡粒子的全局搜索和局部精细搜索能力,同时能延缓粒子多样性的下降速度,使粒子能够跳出局部最优值.     

一种快速混合粒度粒子群优化设计

快速粒子群优化能在解空间快速收敛的粗粒度进化迭代,但是其容易陷入局部极值,从而失去继续寻找全局最优的能力。给出了一种基于快速粒子群优化的两种粒度优化方案,克服了快速粒子群优化的缺点,同时能够得到全局最优。