一种基于球隙迁移的改进粒子群优化算法

针对粒子群算法易早熟、陷入局部最优、求解精度不高等缺陷,提出了一种基于球隙迁移的改进粒子群算法。改进后的算法重新定义了粒子的位置、速度以及操作;引入了交换序,并用贪心算法的思想以节省搜索时间、提高算法收敛速度;引入了球隙迁移算法,克服了算法易陷入局部最优的缺陷;引入了基于松弛操作的思想的扰动机制。实验结果表明改进后的算法是可行的、有效的。     

粒子群优化算法求解旅行商问题

首先介绍粒子群优化的搜索策略与基本算法, 然后通过引入交换子和交换序的概念, 构造一种特殊的粒子群优化算法, 并用于求解旅行商问题. 实验表明了在求解组合优化问题中的有效性.     

求解TSP问题的动态邻域粒子群优化算法

旅行商(TSP)问题是一个典型的NP问题.为了克服基本粒子群优化(PSO)算法在求解离散问题所具有的计算时间长和容易陷入停滞状态等问题,本文基于“簇”思想,对粒子间距离进行重新定义并给出了相应的动态邻域PSO算法.实验结果表明了新型算法在求解TSP问题中的有效性,同时提高了算法的性能,并具有更快的收敛速度.     

融合粒子群优化的蚁群算法对TSP问题的应用研究

提出了一种融合粒子群优化的蚁群算法来求解旅行商问题（TSP）。使用粒子群算法对蚁群算法的参数（β,ρ,q0）进行优化来得到这三个参数的最佳组合值,并且运用蚁群系统算法（ACS）寻找最短路径。新算法克服了参数选择对算法性能的影响,具有很强的全局搜索能力。对旅行商问题的仿真实验结果表明：与传统蚁群算法相比,新算法体现了较高的性能,取得了不错的效果。     

一种改进的求解TSP的粒子群算法

针对粒子群算法解决离散问题时效率较低的问题,提出一种改进算法,通过置换序列实现粒子位置和速度的更新.用TSP问题库内的基准问题进行仿真实验,证明了该算法是有效的.     

用粒子群优化算法求解旅行商问题综述

TSP是一个典型的NP-完全问题,由于其在许多领域内具有实际的应用价值,一直有众多学者对其进行研究。PSO是一种新的群智能算法,优势在于简单容易实现,又有深刻的智能背景。主要介绍了近几年来用PSO算法求解TSP的研究状况,并进行了分析和展望。     

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.     

一种基于粒子群算法和Hopfield网络求解TSP问题的方法

针对Hopfield网络求解TSP问题经常出现局部最优解,将粒子群算法(PSO)与Hopfield神经网络结合,提出一种基于粒子群的Hopfield神经网络方法. 实验证实这种方法能够以更大概率收敛到全局最优.     

组合优化问题的粒子群算法个性因子研究

提出了粒子群算法的一种新的个性因子,以改进其求解组合优化问题的效果.个性因子是基于对社会心理学的观察而对每个粒子增加的一个新属性,使每个个体具有不相等的社会因子和认知因子,但整个种群具有几乎相等的社会和认知学习能力,并符合高斯分布,从而增强了粒子的搜索和开发能力,加速了收敛.最后,使用二分子图问题和旅行商问题验证了个性因子的效果,大量的随机仿真实验结果说明该因子效果较好.此外,还分析并解决了二分子图问题的解空间对称性问题.     

基于粒子群算法的共享单车站间调度优化方法

对单车实行精准高效的调度是目前共享单车系统亟须攻克的重要难题之一。共享单车的调度问题可以看作是一个受时间、地域、人流等多因素影响的NP完全问题(Non-deterministic Polynomial Complete Problem)。目前,我国在这一方面的研究工作尚不成熟。根据单车调度实际情况,考虑调度车容量与站点满意度约束,以旅行商问题为基础,建立综合优化最大化的共享单车站间调度数学模型,通过优化多目标问题的混合禁忌-粒子群算法,对上述模型进行求解。最后以合肥市大学城实际单车站点为算例,以该算法进行求解。结果证实该算法可以得到综合最优的调度路线。     

一种新型的简化群优化粒子滤波算法

针对粒子滤波的粒子退化和贫化问题,将新兴的简化群优化(SSO)算法引入到粒子滤波的重采样阶段.SSO算法结构简单,在保留优良粒子的基础上,增加一项粒子随机运动过程,以提供粒子多样性.实验结果表明,新算法不仅有效提高了对非线性系统状态的估计精度,而且具有更高的运算速度.     

基于樽海鞘群与粒子群混合优化算法的特征选择

针对现有特征选择方法中存在的收敛速度慢和计算效率低等问题,提出了一种基于樽海鞘群与粒子群优化的混合优化(hybrid optimization of salp swarm algorithm and particle swarm optimization,HOSSPSO)特征选择方法,该方法在樽海鞘群算法(salp swarm algorithm,SSA)的基础上,引入粒子群优化(particle swarm optimization,PSO),提高了SSA的收敛速度,改进了探索和开发步骤的效率,增加了解空间更多的灵活性和多样性,使得方法能够迅速获得全局最优值.为了验证算法的性能,在2个实验序列上进行了测试:第一个实验序列使用基准函数,将HOSSPSO与标准SSA、PSO进行了比较;第二个实验序列采用不同的UCI数据集,通过提出的算法确定最佳特征集.实验结果表明,相比于其他优化算法,HOSSPSO的性能更具优势,在多项评估指标中获得较好的效果,能以极少量的特征获得最大的分类精度.     

基于分维与粒子群的裂纹扩展在线监测

采用分形计盒维数计算模拟裂纹扩展信号的分维数,运用改进的能量差法自动拾取断裂信号的初至时间,依据时间差定位方法(TDOA)的原理和适应度函数,采用粒子群优化算法(PSO)得到最终的定位结果。试验采用均质的有机玻璃,用铅笔芯断裂信号来模拟裂纹扩展信号,通过在3个已知坐标点做若干次铅笔芯断裂试验,最终得到的定位结果显示,依据时差法原理,采用分形计盒维数与粒子群优化算法的定位方法有其可行性,准确度较好。此方法给结构损伤的定位提供了一个新的思路。     

基于表现型共享的多目标粒子群算法研究

在多目标粒子群算法中,粒子的飞行由自身的最优位置和指导粒子决定,如何定义适应度选出合适的指导粒子,指导搜索过程向全局Pareto最优区域飞行,并保持种群在最优前端的多样性是算法的关键问题.针对上述问题,构造了同时考虑粒子的Pareto占优情况和目标空间邻近密集度的表现型共享适应度函数,在此基础上提出一个基于表现型共享的多目标粒子群优化算法(MOPSO).为了验证算法的有效性,采用占优等级指标来分析近似解集的占优情况,并采用EPS、HYP和R2指标来衡量解集的分布情况.实验结果表明,算法具有较强的全局搜索能力,能在较小的计算代价下获得较好的Pareto前端近似.     

约束优化问题的改进粒子群优化算法

提出一种求解约束优化问题的改进粒子群优化算法.该算法更多地考虑了当前全局最优粒子和个体最优粒子对粒子群搜索能力的影响,对速度更新公式做了改进;然后利用修正的可行基规则来更新个体极值和全局极值,从而引导不可行粒子尽可能到达可行的区域,以增加种群的多样性和提高全局搜索能力.数值实验表明,该算法是有效、稳定且计算精度高的全局...     

基于动态和谐搜索的混合粒子群优化算法

针对粒子群优化算法随维数增大群体多样性相对减小而早熟收敛的问题,在对和谐搜索算法进行适应性改进的基础上,将其引入粒子群算法中,提出一种动态和谐搜索混合粒子群优化算法(DHSPSO).该方法使得粒子在搜索初期更具遍历性,降低算法对初始值的敏感性,并通过和谐搜索算法搜索的随机性和优胜劣汰机制改善粒子群的多样性,使得算法具有更快的收敛速度与更好的全局搜索能力.以多个标准测试函数优化进行仿真测试,结果表明,DHSPSO算法在进行高维优化问题时,在寻优速度、精度和成功率等方面均显示出良好的优化效果.     

基于蜣螂优化的改进粒子群算法

针对标准粒子群算法存在的局部最优、早熟和慢收敛等问题,提出了一种新的粒子群更新方法。改进了算法惯性权重,引入一种新的更新方式;借鉴蜣螂优化算法中蜣螂滚球、繁殖、觅食和偷窃行为,将基本粒子群的操作划分为寻优、变异、波动和跳跃,从而提高了算法的全局寻优能力和收敛速度,并避免了早熟问题。通过与其他9种智能算法进行实验对比表明,在10个基准测试函数中,基于蜣螂优化的改进粒子群算法在寻优能力和收敛速度方面表现出色,证实了该算法的优越性。     

基于粒子群优化和SOM网络的聚类算法研究

利用改进的粒子群优化算法(PSO)的优化性能,结合SOM网络模型,提出了一种基于粒子群优化算法和SOM网络的聚类算法(PSO/SOM),使用PSO对SOM网络进行训练来代替SOM的启发式训练方法.将PSO/SOM算法用于对Wine和Iris等数据集进行模式聚类识别,可以得到较优的聚类识别效果.相比标准SOM算法能有效提高网络映射的准确程度,降低网络的量化误差和拓扑误差,同时也降低了错聚率,实验结果验证了本算法的有效性.     

基于约束粒子群优化的克里金插值算法

针对常规克里金插值算法中的不足之处,通过改变粒子群算法中粒子多样性,结合地质变量的特征和数据特征,提出了一种改进的插值方法——基于约束粒子群优化的克里金插值算法,在粒子群优化过程中,通过高斯变异、样本点权重系数设定、搜索范围约束等方式提高了插值精度。实验结果表明:基于约束粒子群优化的克里金插值算法可以获得高精度的插值效果,优于常规的克里金插值。