粒子群优化算法的改进与性能分析

粒子群优化算法（PSO）在众多的优化问题上表现出良好的性能,广泛应用于很多领域,但极易陷入局部最优解的困局.本文从提高收敛速度方面对PSO算法改进进行了研究,并通过仿真实验证明改进算法的可行性,一定程度上克服了PSO算法易于陷入局部最优解的缺点.     

粒子群算法在求解优化问题中的应用

粒子群优化(PSO:Particle Swarm Optimization)算法是一种新兴的优化技术,其思想来源于人工生命和进化计算理论.PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成优化.为了避免PSO算法在求解最优化问题时陷入在局部最优及提高PSO算法的收敛速度,提出了对PSO算法增加更新概率.对无约束和有约束最优化问题分别设计了基于PSO算法的不同的求解方法和测试函数,并对PSO算法求解多目标优化问题进行了研究.仿真实验表明了改进的PSO算法求解最优化问题时的有效性.     

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.     

用随机模式和调整机制改进粒子群优化算法

提出一种改进的粒子群优化(particle swarm optimization,PSO)算法,将随机(random)概念与调整(regula-tion)机制导入PSO算法中,既可避免族群搜寻过程中陷入局部最优解,又可提高算法在最优区域局部搜寻的能力.最后用2种复杂程度不同的函数为例,比较了本算法与广被采用的PSO-CF算法的最优化能力.结果显示,算法在搜寻成功率、平均收敛时间及平均收敛代数方面的性能皆优于PSO-CF算法.     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,成功地运用于广泛的数值优化问题.PSO算法在求解高维复杂函数优化问题时容易陷入局部最优.有鉴于此,提出了一种基于信息熵的粒子优化算法.该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性.实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度.     

基于IPSO-GPR的HVAC送风温度预测模型

针对AHU系统中的多维、异构、非线性等特点,提出了一种基于改进粒子群的高斯过程回归(IPSO-GPR)算法.在传统的PSO算法上引进了混沌序列和交叉策略,使粒子在运动过程中能够自适应的调整搜索方向和速度,并针对局部最优解附近的区域进行了重点搜索,降低PSO陷入局部最优解的风险.使用平方指数和二次有理两种核函数的组合GP...     

用随机模式和调整机制改进粒子群优化算法

提出一种改进的粒子群优化(particle swarm optimization,PSO)算法,将随机(random)概念与调整(regula-tion)机制导入PSO算法中,既可避免族群搜寻过程中陷入局部最优解,又可提高算法在最优区域局部搜寻的能力。最后用2种复杂程度不同的函数为例,比较了本算法与广被采用的PSO-CF算法的最优化能力。结果显示,算法在搜寻成功率、平均收敛时间及平均收敛代数方面的性能皆优于PSO-CF算法。     

结合改进粒子群的非线性盲源分离方法研究

针对传统非线性盲源分离(NBSS)算法容易陷入局部最优解从而导致分解精度较低的问题,提出一种基于改进粒子群优化(PSO)的NBSS算法。该方法利用多层感知机(MLP)拟合非线性混合的逆过程,并将分离信号的互信息最小作为优化目标(PSO的适应度),从而实现MLP中参数的优化。然而,标准PSO算法存在粒子早熟从而使待优化问题陷入局部最优解,针对这一问题,对适应度低的一部分粒子进行依概率的杂交和变异,使粒子群体在整个迭代过程中保持多样性,从而有效解决标准PSO算法的粒子早熟问题。仿真和试验结果表明,相比于线性盲源分离算法和基于标准PSO的NBSS算法,提出的算法可以从非线性混合机械信息中提取纯净的独立源信息,并且提高了非线性混合源的分离精度,为机械系统的监测诊断和振动噪声溯源提供科学依据和关键技术。     

一种求解TSP问题的改进粒子群优化算法

针对基本粒子群优化算法(PSO)容易陷入局部最优的缺点,将遗传算法、模拟退火算法与粒子群算法结合,提出一种改进的粒子群优化算法.在PSO的快速寻优基础上,融入遗传算法的交叉与变异操作,使粒子群具有变异能力,同时引入模拟退火算法的Metropolis准则,允许粒子在目标函数有限范围内变坏,防止陷入局部最优,形成一种新的算法模型,应用于TSP问题求解.采用TSPLIB中burma 14和att 48作为实验数据,对算法求解旅行商问题进行模拟与分析.仿真实验结果表明该改进算法提高了求解质量,全局搜索能力得到增强.     

基于莱维飞行和布朗运动的鲸鱼优化算法

针对鲸鱼优化算法存在的求解精度不高、收敛速度较慢和易陷入局部最优等缺点，设计了一种基于莱维飞行和布朗运动的鲸鱼优化算法.先利用莱维飞行方法对鲸鱼种群进行初始化，以增加初始种群的多样性；再根据布朗运动原理对鲸鱼种群的位置更新进行随机扰动，以避免算法提前陷入局部最优.将改进的鲸鱼优化算法与鲸鱼优化算法、粒子群优化算法、遗传算法和蚁群优化算法在7个不同的基准测试函数上进行对比测试，结果表明，改进的鲸鱼优化算法在求解精度、收敛速度方面均优于其他4种算法.对初始化阶段采用莱维飞行策略的改进鲸鱼优化算法与采用随机搜索策略的鲸鱼优化算法的初始解探索范围进行仿真对比实验，结果表明，改进鲸鱼优化算法一定程度上可以避免陷入局部最优.     

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.     

基于分组协同进化策略的果蝇优化算法研究

针对果蝇优化算法存在收敛速度慢且易于陷入局部最小值等问题,研究了基于分组协同进化策略的果蝇优化算法.利用分组协同进化策略可以扩大果蝇种群的搜索范围,从而使算法具有快速收敛和跳出局部最优解的能力.利用改进后的果蝇优化算法,对Sphere、Schwefel2.22等8个函数进行测试并与IFOA、WFOA、FOA、PSO、BA算法进行比较分析,结果表明,该算法具有较好的全局搜索能力和较快的收敛速度.     

基于正交试验设计的粒子群优化算法

针对粒子群优化(particle swarmopti mization,PSO)算法在进化初期收敛速度快但容易陷入局部最优、在进化后期收敛速度变慢且精度低的缺陷,为了提高粒子群算法的收敛速度和全局寻优能力,提出了基于正交试验设计的粒子群优化(orthogonal-experi mental-design-based PSO)算法.在基本粒子群算法的基础上,算法OE-PSO对当前搜索到的解进行局部寻优,利用正交试验设计对搜索空间的分布均匀性在可行解的领域选择有代表性的解进行测试.算法OE-PSO用搜索到的更好的解在下一次迭代中引导粒子进行搜索,从而获得更快的收敛速度和更精确的解,同时避免局部最优.实验结果表明,算法OE-PSO不但具有较快的收敛速度,而且能够有效提高解的精确性,增强算法的鲁棒性.     

基于CPSO算法的岩石蠕变模型非定常参数反演分析

针对粒子群优化(PSO)算法具有全局寻优能力强、无梯度信息、收敛速度快、算法简单但易陷入局部最优解且初始化解的质量不高的特点,利用混沌的遍历性,把混沌机制和粒子群优化算法结合起来,对粒子群优化算法进行了改进,提出了混沌粒子群优化算法,并利用混沌粒子群优化(CPSO)算法对岩石蠕变本构模型的非定常参数进行了反演分析,算例结果表明,采用该混沌粒子群优化算法反演非定常参数是可行的.     

改进CPSO算法在电子产品生产调度中的应用

为解决电子制造企业生产计划的调度问题,以总完工时间最小为优化目标,建立生产调度优化模型,采用改进混沌粒子群(CPSO)算法进行求解.该算法中引入一种叠加Logistic扰动的Tent算子,使得算法在迭代过程陷入局部最优时能够进入混沌搜索机制.该算法利用算子良好的均匀分布特性随机更新代表产品加工顺序的粒子位置向量,保证种群的多样性,减少出现早熟现象.利用标准测试算例与某电子制造企业生产调度实例,分别对所提出的改进算法和标准PSO算法进行对比.研究结果表明:改进算法在解的平均值和标准差上优于标准PSO算法,适用于解决实际生产调度问题.     

基于频域滤波模型的PSO算法

当前对于粒子群优化算法(简称基本PSO)的改进主要从控制参数与数学模型入手,但这可能导致会陷入局部最小值。针对这个问题,本文提出一种基于频域滤波模型的PSO算法(简称FPSO)。FPSO是对粒子种群多样性进行定量分析,当粒子集中度低于设定阈值时,以当前最优粒子为中心,在一定半径范围内进行傅里叶变换,通过预设的低通滤波器,削弱当前找到的最优值;然后对当前粒子群施加以最优粒子为势能中心的辐射力,所有粒子在滤波范围外部的空间以较大的速度继续搜索。结果分析表明：基于频域滤波模型的PSO算法提升了种群多样性,有效的提高了全局搜索能力,在求解多峰函数问题的解的精度上优于带电PSO算法与变异PSO算法。     

基于改进PSO算法的电力系统无功优化

介绍了PSO算法,结合电力系统无功优化问题的实际情况,针对其存在的易陷入局部最优点的缺点,提出了改进的PSO算法。该算法改变了初始化方法和粒子更新方法,在算法后期引入变异因子,并将问题分解成子问题进行处理。在IEEE-14节点系统的仿真计算中,改进PSO算法与其他人工智能算法相比,在较短时间内取得了更好的优化效果。     

粒子群优化算法的改进

粒子群优化算法在众多的优化问题上表现出良好的性能,已广泛应用于很多领域,但存在早熟收敛的问题,粒子极易陷入局部最优解.从提高收敛速度等方面对算法改进进行研究,并通过仿真实验证明改进算法的可行性,一定程度上提高了算法的性能.     

求解作业车间调度问题的改进飞蛾扑火优化算法

针对作业车间调度问题,为了克服早熟收敛和容易陷入局部最优等不足,提出一种基于Lévy飞行的改进飞蛾扑火优化模型(LMFO)。首先,采用MFO算法求解作业车间调度问题,并与粒子群算法(PSO)、遗传算法(GA)进行对比研究,证明了MFO算法求解此类问题的有效性;然后,采用改进的随机键编码,引入Lévy飞行对MFO算法进行改进;最后,仿真实验表明,LMFO算法在求解作业车间调度问题时优于MFO、PSO和GA算法,能够跳出局部最优找到更好的解,且具有一定的鲁棒性。     

一种基于混沌序列的粒子群优化算法

提出了一种基于混沌思想的粒子群优化算法,它利用粒子群优化算法收敛速度快和混沌运动遍历性的特点,对于陷入局部极小点的粒子,引入混沌序列重新初始化,从而使惰性粒子能够跳出束缚并快速搜寻到全局最优解.对几个经典函数的测试计算表明,其在收敛速度和精度上均优于标准的PSO算法.