背包问题的混合粒子群优化算法

经典的粒子群是一个有效的寻找连续函数极值的方法，结合遗传算法的思想提出的混合粒子群算法来解决背包问题，经过比较测试，6种混合粒子群算法的效果都比较好，特别交叉策略A和变异策略C的混合粒子群算法是最好的且简单有效的算法，并成功地运用在投资问题中。对于目前还没有好的解法的组合优化问题，很容易地修改此算法就可解决     

改进混合离散粒子群的多种优化策略算法

针对离散粒子群算法求解旅行商问题,根据组合优化问题和离散量的特点,改进离散粒子群算法更新的运动方程.对离散粒子群算法分别加入逆转变异优化策略、受蚁群启示的变异优化策略和近邻搜索变异优化策略3种优化变异优化策略,使其成为新的混合离散粒子群算法,最后对3种混合离散粒子群算法进行比较,并剖析仿真结果的本质.结果表明:3种优化策略在不同程度上都提高了离散粒子群算法的总体效果和收敛性能,其中,加入逆转变异优化策略的混合粒子群算法实现简单,时间代价较小;加入近邻搜索变异优化策略的混合粒子群算法不论是在最优值或稳定性方面表现最突出.     

一种新型粒子群优化算法

为提高基本粒子群算法的搜索效率,引入和声算法中产生新解的策略(称之为和声策略),综合粒子自身经验和社会认知两方面的信息直接更新粒子的位置,提出了基于和声策略的新型粒子群优化算法,通过对高维复杂函数的优化分析比较结果表明,基于新型粒子群优化算法的搜索能力较基本粒子群优化算法大大提高。本算法对其它智能算法具有借鉴意义。     

一种改进的离散粒子群优化算法在TSP问题中的应用

针对粒子群算法解决离散问题时惯性项效率较低的问题,提出一种基于最优置换的改进算法,利用最优置换序列修改了惯性项.通过用TSP问题库内的基准问题进行仿真实验,与标准遗传算法和典型的改进粒子群算法进行结果比较,证明了该改进是有效的,其中替换策略和逆转策略效果尤为明显.     

基于变异策略的粒子群算法

在研究粒子群算法的特点之后,将变异因子融入到粒子群算法之中,提出了一种带有变异策略的粒子群算法(MPSO).该变异因子可以提高算法对解空间的开发能力,从而降低了粒子群算法陷入局部最优的可能性.实验结果表明,经过对4个无约束问题、1个高维线性约束问题以及1个实际应用问题的测试,带有变异策略的粒子群算法可以成功地解决高维无约束问题和带有线性约束的高维问题.实验结果也表明,MPSO算法具有很强的收敛性和稳定性,是一种很有前途的优化算法.     

粒子群优化算法在电网规划中的应用

粒子群算法适合求解连续变量优化问题,本文提出了粒子群算法的新离散化方法。常规粒子群算法在电力系统优化问题中取得了成功,但有“趋同性”。本文提出了改进多粒子群优化算法（IPPSO）,IPPSO是两层结构：底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快收敛。粒子群以及粒子状态更新策略不要求相同。     

混合约束多峰优化问题的一个协同共轭进退粒子群算法

为解决混合（等式和不等式）约束的多峰优化问题（MOPs），本文在粒子群算法框架下提出了粒子优度比较准则和局部协同与共轭进退寻优两种迭代进化策略．优度比较准则在适应度和约束违反度的双重限制下指导粒子高效地执行进化策略，局部协同策略可使粒子能通过局部抱团收敛到多个全局最优解，而共轭进退寻优策略则提升了寻优的速度和精度．基于优度比较准则与两种进化策略的有效结合，本文设计了一个协同共轭进退粒子群（CCARPSO）算法，以充分融合粒子群算法的全局搜索能力和共轭进退法的局部快速寻优能力．数值仿真表明，该算法能有效解决复杂约束MOPs和非线性方程组的多根问题，在广义Logistic分布的参数估计中有全局优化能力和较高的计算精度．     

基于粒子群优化算法的集群调度策略

针对集群调度问题的特点,设计了基于粒子群优化算法的调度策略.与传统backfill算法相比,粒子群优化算法对作业比较公平,能避免对大作业响应慢的缺点,使得调度策略在生成速度和精度上都有明显的提高.实验结果表明,该调度策略能较好地提高CPU利用率和缩短作业平均响应时间.     

带有种群平均信息和保持活性策略的粒子群优化算法

利用种群的平均信息和保持活性策略,试图改变粒子群优化算法的性能,从而提出了一种带有种群平均信息和保持活性策略的粒子群优化算法,对典型优化问题的实例仿真说明带有种群平均信息和保持活性策略的粒子群优化算法比保持活性的粒子群优化算法具有更好的性能和全局搜索能力.     

一种改进的粒子群算法求解背包问题

针对传统的离散粒子群优化算法后期容易陷入局部收敛这一缺点,提出了一种新的离散粒子群算法,使用了新的运动方程来更新粒子的位置,并将贪心算法的思想引入粒子群优化算法中,在粒子的位置初始化的过程中,把采用贪心策略所得出的结果作为一个粒子的初始位置.用改进的算法求解背包问题,通过与其他文献中仿真实例的计算和结果比较,表明该算法在全局寻优能力和收敛性上都优于传统的粒子群算法.     

Multi-sink Deployment Strategy for Wireless Sensor Networks Based on Improved Particle Swarm Clustering Optimization Algorithm

In wireless sensor networks(WSNs) with single sink,the nodes close to the sink consume their energy too fast due to transferring a large number of data packages,resulting in the "energy hole" problem.Deploying multiple sink nodes in WSNs is an effective strategy to solve this problem.A multi-sink deployment strategy based on improved particle swarm clustering optimization(IPSCO) algorithm for WSNs is proposed in this paper.The IPSCO algorithm is a combination of the improved particle swarm optimization(PSO) algorithm and K-means clustering algorithm.According to the sink nodes number K,the IPSCO algorithm divides the sensor nodes in the whole network area into K clusters based on the distance between them,making the total within-class scatter to minimum,and outputs the center of each cluster.Then,multiple sink nodes in the center of each cluster can be deployed,to achieve the effects of partition network reasonably and deploy multi-sink nodes optimally.The simulation results show that the deployment strategy can prolong the network lifetime.     

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.     

基于混合蛙跳粒子群算法的 TSP 问题求解

为提高粒子群算法求解TSP(Travelling Salesman Problem)问题的性能, 在算法搜索初期, 将混合蛙跳算法和 粒子群算法相融合, 针对初始粒子群随意性大、 粒子分布不均的问题, 利用混合蛙跳算法的分组策略将种群分 组, 采用改进的蛙跳更新公式优化次优个体, 并抽取各层次个体得到新种群, 从而提高最优个体的获得速度; 在算法后期, 引入3 重交叉策略和基于疏密性的引导变异操作, 解决粒子多样性降低、 易陷入局部最优的问题。 利用改进算法求解 TSP 问题, 并与其他算法进行对比。 结果表明, 改进算法是有效的且性能优于其他算法。     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

基于迁徙策略的PSO集成及其在序列模体识别中的应用

对优化问题和游牧民族迁徙行为的比较研究表明,两者存在相似之处,文中模拟了游牧民族迁徙机制,提出了一种迁徙策略,并且与粒子群优化算法相结合,提高了算法摆脱局部极值的能力,通过集成技术,充分发挥各种粒子群优化算法的优点,实现协同演化,提高了算法的全局搜索能力。最后应用于求解计算分子生物学中的一个复杂问题——生物序列模体识别,实验表明,该算法是有效的。     

基于混沌-量子粒子群的分簇路由算法

针对粒子群分簇路由优化算法存在的收敛速度慢、 易陷入局部最优等问题, 提出一种混沌-量子粒子群 的双子粒子群分簇路由算法。 该算法以簇头的能量、 簇头与汇聚节点的距离以及与簇内成员节点的距离构造 最优簇头的代价函数, 主粒子群利用混沌粒子群寻优, 辅粒子群利用量子粒子群寻优, 加入量子波动理论, 使 算法具有较好的全局收敛性。 双子粒子群采用收敛速度快的凹函数递减策略优化权重。 仿真结果验证了该算 法可使无线传感网络节点能量消耗均衡化, 显著延长网络生命周期, 与 LEACH(Low-Energy Adaptive Clustering Hierarchy)协议、 PSO-C(Cluster setup using Particle Swarm Optimization algorithm)协议相比生命周期分别延长了 80. 1%和 41. 4%。     

一种求解大规模问题的自学习协同粒子群算法

随着工程技术要求的提高,许多实际优化问题从低维问题发展成高维的大规模优化问题,自然计算算法在面对该类问题时容易陷入局部最优,而协同粒子群算法是解决大规模优化问题的重要手段之一。本文将子种群划分自学习策略和惯性权重自适应策略引入到协同粒子群算法中,增强了算法的自学习能力,提高了算法的全局寻优能力。实验结果表明,所提算法的性能超过了传统协同粒子群等算法,具有求解大规模问题的较大潜力。     

基于侦察学习策略的粒子群算法优化

针对粒子群算法收敛能力不足和易陷入局部最优的问题,提出了一种基于侦察学习策略的新型粒子群算法。 算法首先利用拓扑结构构建粒子种群,其次采用联合因子均衡算法的局部搜索能力和全局搜索能力,并通过侦察学习策略改进算法的速度和位置公式进而产生候选解;Wilcoxon 秩和检验结果和CEC2017 基准函数检测结果表明,新型粒子群算法的收敛能力,最优解精度以及算法稳定性更好,说明算法性能得以提升。     

一种整合粒子群优化和K-均值的数据聚类算法

针对K-均值聚类算法存在的不足,提出了一种新的整合粒子群优化算法(PSO)和K-均值算法的聚类算法.在新算法中,首先结合使用粒子群优化算法和K-均值算法搜索全局最优解的位置,然后再用K-均值算法在全局最优解附近的局部空间内快速寻找最优聚类中心.通过对4个数据集的实验测试,将此算法与K-均值算法、基于粒子群的K-均值算法进行了比较.实验结果表明,新算法的聚类质量比后两个算法更优.     

融合多种策略的改进粒子群算法及其在电子商务多级物流中的应用研究

为了提高粒子群优化算法(PSO)求解复杂优化问题的能力,本文对基于细菌趋化的粒子群优化算法(PSOBC)进行改进。PSOBC算法是PSO算法的一种新思路,可以有效地克服其易陷入局部最优、后期粒子多样性差的缺点,故将一般反向学习策略和自适应惯性权重与PSOBC算法相结合,得到一种改进的粒子群优化算法。改进的粒子群优化算法的开发能力和勘探能力都得到了很大的提高;在求解复杂性优化问题时种群能够在搜索范围内快速收敛到局部最优处,并且当种群密度足够小时,及时增大种群密度即进行去全局寻优。最后将改进后算法应用到电子商务多级物流中心选址及路径规划问题上。