微粒群优化算法研究

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种启发式全局优化技术.通过介绍微粒群优化算法的原理、算法流程、算法参数及其对算法性能的影响,给出了各种改进的微粒群算法形式以及研究现状,归纳了微粒群算法的国内外应用进展及研究方向.     

一种多样性引导的两阶段多目标微粒群算法

针对现有多目标微粒群算法存在容易陷于局部极值、收敛速度慢、函数评价次数多等不足,提出了一种多样性引导的2阶段多目标微粒群算法,依据种群多样性动态使用不同的变异方式,采用了2种不同的领导微粒选择方式,基于Pareto占优排序和拥挤距离来控制外部档案中解的数目。针对多个多目标测试函数进行了实验,并与其他文献的方法进行了比较,验证了算法的有效性。     

基于微粒群算法的投资组合分析

介绍了将微粒群算法应用于求解均值-方差-峰度投资组合模型,分析了模型中的参数和求解结果之间的关系,并选取深交所4只股票来进行模拟仿真,最后仿真的结果说明微粒群算法对均值-方差-峰度模型是有效的。     

一种基于聚类分析的小生境微粒群优化算法

为了寻找多峰函数的多个极值点,在标准微粒群优化算法的基础上,提出一种基于聚类分析的小生境微粒群优化算法.采用基于密度的聚类分析方法辨识和构造小生境微粒子群,通过这种多子群方法,可以保持种群多样性,直接搜索到所有的局部/全局最优点.实验测试结果表明,该算法对一元函数优化和多元函数优化都有很好的效果.图6,参10.     

基于微粒群算法的交通流量组合预测研究

智能交通运输系统是目前国际公认的解决交通拥堵、提高运行效率的最佳途径,交通流的实时、准确预测是智能交通运输系统的核心技术之一;在对目前几种常见的交通流预测模型的基础上,提出一种基于微粒群算法的组合预测;新方法充分考虑了各种算法的优点,并结合重庆市某道路进行实证分析.     

差分演化的微粒群算法

针对基本粒子群算法易陷入局部极小点、搜索精度不高等缺点,在算法改进方面引用差分演化算法的变异操作提出了差分演化的PSO算法,并用matlab仿真证明该算法的可行性。     

基于Powell搜索法的简化微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部强搜索能力强等优点,在简化微粒群算法的基础上,结合Powell搜索法,提出一种新型简化微粒群算法—Powell-SPSO算法.改进算法将Powell搜索法融合在简化微粒群算法中,让Powell搜索法与简化微粒群算法进行交替搜索.同时微粒的迭代利用了Powell搜索法的强搜索能力,使得算法改善了简化微粒群算法因每个微粒采用相同迭代公式进行进化而造成的微粒间的弱差异性,避免了易出现早熟、搜索速度慢等缺点.仿真结果表明,与标准微粒群算法(PSO)、简化微粒群算法(SPSO)、文献[10]算法相比较,不论是对高维函数还是低维函数,改进的算法都能够有效地避免早熟问题,并能显著地提高收敛速度和收敛精度.     

微粒群优化神经网络算法的研究

介绍了微粒群算法的基本原理、特点,分析了常用的BP网络结构,提出了微粒群优化神经网络算法,实验结构表明,该算法优化了神经网络结构,从而提高了神经网络的模式分类性能。     

小生境微粒群优化算法

将小生境技术引入到微粒群优化算法之中,设计出一种小生境微粒群优化算法。该算法除了始终赋予微粒生命力,还将位置重叠的差适应值微粒在搜索空间重新启动。通过对4个常用测试函数进行优化计算,仿真结果表明小生境微粒群优化算法比基本微粒群优化算法具有更好的优化性能。     

用微粒群算法求解含交易费用的组合投资模型

针对国内证券交易的具体情况,提出了含交易费用的投资组合优化模型。利用微粒群算法对问题进行了求解,并结合实际数据进行仿真。结果表明,利用微粒群算法可以较高的效率求解该模型,且从结果上表明模型的合理性。     

基于粒子群优化算法的均值-VaR投资组合选择

在现实市场中,①为防止由卖空交易引起市场操纵等问题的出现,即使在发达的证券市场,交易仍受到一定的卖空限制;②由于市场相关规定与投资者自身风险控制的需要,在某些资产上的投资比例受到一定限制;③交易过程中需支付印花税等交易成本。故结合这三方面,采用Value-at-Risk(VaR)度量风险,在收益率服从正态和非正态分布两种假设下,构建了带有限卖空约束、投资比例约束和交易成本的均值-VaR投资组合模型。首先,给出了该模型的粒子群优化(PSO)算法;其次采用A股市场的实际数据进行了数值实验;最后分析了有效前沿的特征及有限卖空约束对投资决策的影响。     

基于改进粒子群优化的投资组合模型研究

金融市场中投资者在应对不确定性风险的同时还要面临自身因素所导致的背景风险,在投资过程中存在许多不确定因素,而这些因素往往是模糊的.该文利用模糊集和可能性理论建立不同风险态度下含有背景风险的模糊不确定投资组合;同时考虑投资者对风险的喜好、交易费用等,建立了不同风险态度下含有背景风险和交易费用的可能性均值-下半方差模型,并提出一种求解该模型的带有选择规则的粒子群算法.以上海证券交易所180指数随机选取的8支证券为例组成投资组合,给出数值算例,数值实验仿真结果表明了所提出的模型和方法的有效性、可靠性.     

分段式微粒群优化算法

提出一种分段式微粒群优化算法。该算法将所要搜索的区域分成若干段,首先在每一区段内搜索出区段的最优位置,然后将各区段的最优位置组成一微粒群,继续搜索全局最优位置。通过对5个常用标准测试函数进行优化计算,仿真结果表明:分段式微粒群优化算法能有效地搜索到全局最优解,具有比基本微粒群优化算法更快的搜索速度和更好的优化性能。     

粒子群优化算法收敛性分析

对粒子群优化算法的收敛性进行了分析,给出了收敛条件,数值试验计算验证了收敛性分析结果。讨论了粒子群优化算法参数选取的基本原则。     

基于模糊推理的粒子群优化算法

针对无约束优化问题,提出了基于模糊推理的粒子群优化算法,该算法针对粒子群优化算法搜索能力的不足,先引入平均粒子,然后引入模糊推理来改进粒子群的速度更新公式,再利用模糊推理动态地改进算法惯性权重和速度更新公式的权重因子,再结合混沌扰动增加算法后期的局部搜索能力.数值试验采用12个测试函数并有5个算法进行对比,数值试验证明,改进算法的搜索能力有较大的提高.     

基于模糊粒子群算法的非线性函数优化

针对非线性函数优化问题,提出一种新型的模糊粒子群算法.该算法基于模糊控制器中输入输出的模糊化处理和粒子群寻优的特点.算法在Matlab 2008环境下编程实现,针对几个典型复杂的非线性函数进行优化测试.实现结果表明:模糊粒子群算法是一种简单有效的算法,具有良好的有效性和鲁棒性.     

一种改进的粒子群优化算法

粒子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,但基本粒子群算法在计算过程中易出现过早收敛现象.为此提出了一种改进的粒子群算法,利用差异演化的思想,当陷入局部极小点时,通过一定的策略迫使粒子群摆脱局部极小点.对经典函数的测试计算,验证了方法的正确性和有效性.     

基于多目标粒子群算法的卫星结构动力学优化

针对卫星结构的多目标动力学优化问题,在其优化过程中建立了一种多目标粒子群优化(MOPSO)算法.该算法采用惯性权重递减策略,对违反约束的粒子给予不同惩罚,并在算法后期引入变异算子,增强种群的多样性,使算法更好地进行全局寻优.结合支持向量机近似模型,将MOPSO方法用于卫星结构动力学优化,并与多目标遗传算法(NSGA-II)的结果进行了对比.数值结果表明,MOPSO可以有效地搜寻优化问题的Pareto前沿,具有良好的分散度和均匀性.     

基于改进粒子群优化算法的Ontology划分方法

为解决规模巨大的Ontology难以使用的问题,提出了一种基于改进粒子群优化算法的Ontology自动划分方法.根据Ontology划分的要求,将概念落入某个子Ontology的概率作为粒子的速度,而将概念落入的子Ontology编号组成的数字串作为粒子,设计了粒子群优化算法的适应度函数,并给出了Ontology划分算法的具体步骤.最后进行了相关对比实验,结果表明,该方法具有比其它方法更好的划分效果.