基于子群混合与变异的微粒群算法及其应用

提出一种子群混合与变异的微粒群算法(SSMPSO),按适应值大小将微粒均匀分为两个子群分别进行目标优化,当子群在一定进化代数内未满足收敛条件时重新混合为一个种群.对混合种群中部分适应值差的微粒实施变异,用适应值好的微粒替代.微粒群反复进行分群进化、子群混合和种群变异操作,直至算法满足终止条件.SSMPSO算法通过几种典型高维非线性函数进行了测试,结果表明其性能明显优于基本微粒群算法.将SSMPSO算法用于常压塔汽油干点软测量,实验表明SSMPSO算法建立的汽油干点软测量模型比用基本微粒群算法所建软测量模型有了很大提高.     

基于Metropolis准则的微粒群算法

通过对微粒群算法的分析,指出其早熟收敛的原因,并提出利用Metropolis准则更新微粒的个体经验位置,从而增强了算法的全局探索能力。该算法也可以认为是模拟退火算法中利用微粒群算法的进化公式作为一种新的状态产生函数。通过理论分析阐明了该算法以概率1收敛于全局最优解。实例仿真验证了其有效性。     

一种动态调整的改进微粒群算法

微粒群算法是一种新型的进化计算方法，已在许多领域得到了广泛的应用．通过对基本微粒群算法的分析，发现基本微粒群算法在计算过程中使用Lebesgue测度为0的线段进行搜索，较易得到过旱收敛现象．据此，提出了一种改进的微粒群算法，该算法在运行过程中能动态调整极限位置，从而使得每个微粒的极限位置在其所经历的最好位置与整体最好位置所形成的动态圆中分布，由于在搜索空间中使用测度为正的区域对定义域空间进行搜索，能以较大概率跳出局部最优点．实例仿真结果验证了方法的正确性和有效性．     

基于嵌入式菱形思维的参数实时评估微粒群算法

微粒群优化算法参数的选取是影响其性能和效率的关键.为了解决微粒群算法的参数优选问题,提出-种将可拓菱形思维嵌入到微粒群优化算法中,依赖被优化函数对参数进行自适应优选的高精度微粒群算法.基本思想是:(1)根据发散-收敛-再发散-再收敛这一菱形思维特点,建立微粒群算法参数优选的菱形思维模型,利用物元的可拓性对其进行发散性设计,再利用合适的评价方法时发散后的多种参数配置方案进行评价,取其中最优方案对应的参数作为算法当前代的参数值;(2)将菱形思维过程嵌入到微粒群算法的每一步,算法参数随着进化过程中的反馈信息不断被菱形思维优化,实现了参数选取过程的实时性和自适应性.该嵌入式优化算法既提高了算法的优化精度,又克服了迭代进化嵌套的高计算成本不足.最后通过对典型benchmark函数的优化仿真,表明该算法具有较高收敛速度和优化精度.     

二阶振荡微粒群算法

从控制角度分析了微粒群算法的进化方程,在此基础上,为了增加微粒群体的多样性和进一步改善算法性能,引入二阶振荡进化方程来调节微粒群算法的全局和局部搜索能力,避免算法陷入局部最优。实验结果表明,该方法能够显著地加强算法的全局最优性,同时加快算法的收敛速度。     

基于T-S模型的模糊自适应PSO算法

惯性权重的取值对改善微粒群优化(Particle Swarm Optimization,PSO)算法的收敛性起着关键作用.针对惯性权重的取值问题,提出一种基于T-S模型的模糊自适应PSO(T-SPSO)算法.算法根据当前种群最优适应值和惯性权重,自适应更新惯性权重取值,改善了算法收敛性.最后以典型优化问题的实例仿真验证了所提出算法有效性.     

协同微粒群算法及其在炼钢生产调度中的应用

给出了炼钢生产调度问题的最优炉次0-1数学规划模型.结合0-1空间优化问题的特点,通过逻辑运算将基本微粒群算法的进化搜索限定在0-1空间,并针对0-1整数规划的约束条件,提出一种协同微粒群算法CPSO.即分别构造两个微粒群,一个以目标函数的最小化为目标,另一个以满足约束条件为目标,同时,两个群体间进行信息交换,协同完成0-1整数规划的求解.该方法已成功应用于炼钢生产调度问题中最优炉次的求解.     

微粒群算法的可视化仿真及算法改进

微粒群算法是一种群体智能算法,它是通过模拟以鸟类、昆虫等为微粒的自然界的群体行为,来构造的一种随机寻优的进化算法。现有的微粒群算法在某些情况下存在收敛速度慢、而且不能收敛于全局最优解的问题。通过采用可视化的仿真方法对微粒群的搜索运动轨迹进行分析,我们提出了变尺度微粒群算法。变尺度微粒群算法将变尺度方法引入微粒的搜索过程中,采用不同的尺度动态地改变微粒群的搜索空间、速度限制区间等,通过对一些典型的试验函数的测试,结果表明,变尺度微粒群算法在收敛速度和全局寻优能力等方面都有较大的改进。     

一种随机微粒群混合算法求解约束优化问题

将微粒群算法（Particle Swarm Optimization,PSO）与随机优化方法-Alopex算法相结合,提出一种随机微粒群混合算法（APSO）求解约束优化问题。该算法使PSO算法中微粒的飞行速度无记忆性,结合Alopex算法重新生成停止进化微粒的位置;采用双群体搜索机制,一个群体保存具有可行解的微粒,用APSO算法使微粒逐步搜索到最优解,另一个群体保存具有不可行解的微粒,并且可行解群体以一定的概率接受性能较优的不可行解微粒,这种简单的群体多样性机制使微粒能够快速、准确地找到位于约束边界上或附近的最优解。结果表明该算法寻优性能优良且具有较好的稳定性。     

基于均匀设计和惰性变异的改进微粒群算法

微粒群算法(PSO)是一种随机群体优化算法,相对于遗传算法等其它的进化算法,它模型简单、操作参数少、智能程度高、运算速度快,已受到许多相关领域学者的关注与研究。但是,标准微粒群算法在寻优过程中往往陷入局部最优解,而不是全局最优解。在研究均匀设计与惰性变异的基础上,提出了改进的微粒群算法(UMPSO)。该算法利用均匀设计的思想来确定算法的初始粒子,以使其均匀分布于解空间,从而使算法以更高的概率、更快的速度找到全局最优解;在进化过程中,对惰性粒子以概率为1进行随机变异,则能够更好地保证微粒群的多样性。仿真结果表明,与标准的PSO相比,UMPSO的寻优精度更高、寻优速度更快。     

阶梯型粒子群算法及在函数优化中的应用

提出一种自适应动态群粒子群方法,根据粒子群的多样性,采用梯形规律动态调整粒子群的规模,既保证每个粒子都得到充分的进化,又保持了群体的多样性,使局部收敛的可能性大大减少。此方法根据群体的多样性的大小,在减少群体规模时,采用较差淘汰法,淘汰一些较差的粒子,在增加粒子时,采用交叉法产生新个体,既保持粒子的继承性,又维持了粒子群的多样性。对典型函数进行测试实验,结果与其它粒子群方法进行比较,验证了方法的有效性。     

基于动能PSO的环己醇/环己酮动力学参数估计

针对基本PSO算法在迭代后期粒子发生"趋同"而易陷入局部极值的问题,提出了动能粒子群算法(KEPSO)。该算法将粒子"趋同"看作粒子群体与最优粒子发生塑性碰撞的过程,通过动能补偿机制使"惰性"粒子重新恢复"活力",从而跳出局部极值。仿真结果显示,KEPSO算法大大提高了全局搜索能力,在高维函数测试中表现出了较好的优化性能。将KEPSO算法用于环乙醇/环已酮硝酸氧化动力学参数估计中,获得模型的平均相对误差绝对值之和比文献报道值分别降低了42.6%和47.3%。     

"逆群"协作粒群方法及在函数优化中的应用

为提高不同粒子群之间的协作性能,减小粒子群局部收敛现象,提出了一种"逆群"协作粒子群方法,利用不同动作特性的两个群之间的相互协作,来提高粒群算法的性能.在此方法中,一个粒子群追随较好的位置,另一个群是远离较差的位置,与传统的粒子协作方法不同,在粒子飞翔的过程中,两群不仅交换较好的信息,同时也交换较差的信息,通过充分利用这两种信息,两群共同完成任务的求解.在完成算法设计的基础上,对两个群的运动特性和算法的收敛性进行分析,通过函数的优化实验验证了方法的有效性.     

基于混合粒子群算法的装运机械组合优化方法

针对堆石坝工程物料装运机械组合优化问题的复杂性, 建立了装运机械的多目标非线性组合优化模型(MOOM). 进一步地, 把加权法和惩罚函数引入到带收缩因子的粒子群算法中, 提出了一种新的求解多目标非线性组合优化问题的混合粒子群算法(MI-HPSO). 该算法具有概念简单、参数设置少、收敛速度快及全局搜索能力强的特点. 实证研究表明, MI-HPSO为解决物料装运机械MOOM优化模型提供了有效的决策方案.     

空间轨迹问题的粒子群仿真研究

空间轨迹的搜索问题具有多个全局最优解,一种有效的解决方法是采用粒子群算法进行搜索.然而与一般的优化问题不同,轨迹问题要求算法中粒子适应值与粒子位置同时收敛.为此,针对已有的粒子群算法在轨迹搜索上的不足,提出了一种减速粒子群优化算法(Slowdown ParticleSwarm Optimization,简称SPSO),从位置角度改善粒子群的收敛性能.该算法利用独立子群技术保证粒子收敛于不同的位置,并根据粒子适应值情况减半更新粒子飞行速度,以达到位置收敛的目标.仿真实验的结果表明了减速粒子群算法在位置收敛效果上的优越性.     

带时间窗车辆路径问题的粒子群算法

将粒子群算法(PSO)应用于带时间窗车辆路径优化问题(VRPTW),构造车辆路径问题的粒子表达方法,建立了此问题的粒子群算法,并与遗传算法作了比较.实验结果表明,粒子群算法可以快速、有效求得带时间窗车辆路径问题的优化解,是求解带时间窗车辆路径问题的一个较好方案.     

解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。     

正交微粒群算法

基于正交试验设计的最优性以及微粒群中微粒的记忆特征，提出了一种新型的微粒群算法——正交微粒群算法。其主要思想是：利用正交设计的方法产生初始微粒群，以便粒子能够均匀分布在整个解空间上；充分利用微粒的记忆能力，对微粒群进行更新，从而达到对可行解空间进行开发和探索的目的。将该算法应用于四个常见的测试函数，试验结果表明本算法的性能比较优越，并且具有很强的并行性和较大的灵活性。最后，讨论了不同的初始速度和扰动对算法性能的影响。     

用群体智能原则控制群机器人搜索

用群机器人搜索定位矿难幸存者,可为人工施救提供决策参考.群机器人系统的建模基于个体有限感知和局部交互等群体智能原则,将机器人抽象为封闭2维空间的运动粒子,机器人与控制器综合抽象为一阶惯性环节.给出了机器人的感知函数、邻域结构及初始化区域的定义,以此为基础进行虚拟多agent搜索.针对机器人的最大运动速度和质量惯性等约束,交替施加螺旋控制以发现信号线索;施加扩展微粒群控制进行目标搜索.通过改变通信距离和感知范围进行了仿真实验,结果表明了控制策略的有效性.