一种拟随机初始化模拟退火粒子群算法

针对粒子群优化算法在求解高维问题时易出现的早熟收敛、停滞现象,提出一种拟随机初始化模拟退火粒子群算法.采用Hammersley方法对算法进行初始化,可以提高算法在高维搜索空间的搜索能力,进一步将模拟退火思想引入到粒子群优化算法中,结合粒子群优化算法的快速寻优能力和模拟退火算法的概率突跳特性,使算法具有跳出局部最优从而实现全局最优的能力.分别在5个经典测试函数上测试算法的性能,仿真实验结果表明,提出的算法有效克服了传统粒子群优化算法在求解高维空间优化问题时易出现的停滞现象,在进化后期仍保持较强的搜索能力,提高了传统粒子群优化算法在高维空间的全局寻优能力.     

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。     

改进的粒子群优化算法在可靠性问题中的应用

提出了一种改进的粒子群优化(IPSO)算法以解决可靠性问题.IPSO算法使用3种策略来改进粒子群优化算法(PSO)的速度更新步骤,这有利于提高算法对解空间的开发能力.另外,一种动态调整的惯性权重被引入到速度更新中以平衡IPSO算法的全局搜索和局部搜索.实验结果表明,在解决可靠性问题上,IPSO算法比其他两种粒子群优化算法具有更强的收敛性和稳定性.IPSO算法是解决可靠性问题的一个有效的选择.     

基于混合引导策略的高精度萤火虫优化粒子滤波算法

针对现有群智能优化粒子滤波算法精度较低和收敛速度较慢的问题,提出了一种基于混合引导策略的萤火虫优化粒子滤波算法(MSFA-PF).通过在萤火虫寻优过程中加入混沌扰动搜索策略,以权衡粒子的寻优能力与开发能力;提出一种动态视觉搜索策略,以提高粒子向高似然区域移动的寻优利用率;根据粒子滤波机制设计了新的荧光亮度计算公式,以扩展观测信息,从而提高了粒子质量.仿真结果表明,所提出的MSFA-PF算法能够有效提高智能优化粒子滤波对非线性系统状态估计的精度和速度.     

基于改进粒子群算法的柔性制造系统无死锁优化调度

柔性制造系统的优化调度问题是一个复杂的组合优化和NP-hard问题。以赋时Petri网为模型、最小化最大完工时间为优化目标,利用改进粒子群算法对一类柔性制造类系统建立了一种新的无死锁优化调度方法。该方法首先采用2层编码方式对路径和工序进行编码,建立工序与粒子位置之间的一一映射关系;其次,基于实时在线的死锁避免策略对粒子进行死锁检测与修复,保证所搜索的粒子均能解码为无死锁的可行调度序列;然后,设计了2种改进策略：粒子工序定向调整策略和局部搜索策略,以提高算法的寻优效率和局部搜索能力,保证快速得到最优或次优的可行序列;最后,利用2个仿真实验验证所提算法的有效性。实验结果表明：与其他已有算法相比,改进粒子群算法在求解柔性制造系统无死锁优化调度问题上具有较好的寻优能力。     

基于多种群多策略的竞争粒子群算法

针对标准粒子群算法遇到的易陷入局部最优、收敛差、求解精度低等问题,提出了多种群多策略竞争粒子群优化算法.新算法将每一代粒子根据适应度排序,将其划分为不同的子种群,并引入非线性Logistic混沌映射权重、收缩因子和混合高斯-柯西扰动机制来更新这些子种群.使用不同的粒子更新方式平衡了算法整个时期的全局搜索和局部开发能力,从而加快了收敛速度.最后,将多种群多策略竞争粒子群优化算法与标准粒子群算法和其它优化算法在11个测试函数上进行对比,结果表明,新算法在跳出局部最优解、和寻优精度方面显著优于标准粒子群算法,且有更快的收敛速度.在寻优能力和算法稳定性上大幅度强于其它对比算法.     

弹性粒子群优化算法及其在水电优化调度中的应用

为有效避免粒子群优化算法后期收敛速度慢的问题,提高寻优能力,设计了一种以自适应方式更新粒子飞行速度的弹性粒子群优化算法,建立了水电优化调度数学模型,提出了弹性粒子群优化算法解决水电优化调度问题的实现方法,包括粒子编码设计、适应度函数设计以及弹性修正值设计,并编制了基于Matlab语言的优化程序.实例仿真结果表明:弹性粒子群优化算法是有效的;相比基本粒子群优化算法和自适应粒子群优化算法,弹性粒子群优化算法求解水电优化调度问题具有更强的全局寻优能力和更快的收敛速度.     

基于改进粒子群的柔性作业车间调度问题优化研究

主要针对柔性作业车间调度问题进行求解,利用改进粒子群算法作为求解方法,以最小化最大完工时间(C_max)作为该问题的求解目标.在算例的选取上,选用作业车间调度问题的8*8经典算例和柔性作业车间调度问题的Brandimarte算例对提出的算法进行验证.改进粒子群算法由遗传算法和粒子群算法构成,遗传算法具有较好的全局搜索能力,但搜索过程中收敛的精度不高,粒子群算法由于其寻优特性,在搜索过程中速度较快,但容易陷入局部最优,综合考虑两者的优缺点,将遗传算子引入粒子群算法中,采用交叉搜索的方式,调整惯性权重以及变异的方式使粒子进化,当粒子群进化到一定程度后,对部分粒子进行变异处理从而避免算法陷入局部最优解,同时可以提高粒子群算法的收敛精度.依据柔性作业车间调度问题的特点,在经过多次变换种群规模以及迭代次数后,求解出最适合柔性作业车间调度问题的最优解.     

非线性混合整数规划的简化二阶震荡粒子群混合算法

为了求解整数约束和混合整数约束优化问题,提出了简化二阶震荡粒子群优化算法.在二阶震荡粒子群算法的基础上,对更新过程进行简化,使得迭代方程由原来的二阶降成一阶,粒子的搜索过程更为简单高效,便于搜索和寻优;引入了平均个体最优位置,使得所有粒子的有效信息被充分利用;对不满足约束条件的粒子重新生成,从而加快算法的收敛速度;为了防止算法的早熟收敛现象,提出了"优胜劣汰"的更新机制.最后,为了验证算法求解整数和混合整数优化问题的可行性和有效性,将简化二阶震荡粒子群混合算法对16个测试函数进行了测试并与其他三种算法比较.实验结果表明,本文算法在精确度和成功率方面有明显的提高.     

基于多目标量子粒子群算法的环境/经济调度

针对传统的粒子群优化算法在求解环境/经济调度中存在控制参数多和局部搜索精度低等问题,提出一种基于多目标量子粒子群优化算法的环境/经济调度问题的求解方法.该算法利用具有量子行为特性的粒子搜索解空间,引入改变作用区间的变异算子增强全局搜索能力,并采用基于粒子多样性的方法更新全局最优的领导粒子.仿真结果表明,该算法是有效的,所求Pareto解集能逼近真实的Pareto解集且具有良好的分布性.     

非线性混合整数规划问题的改进量子粒子群算法

提出了一种改进的量子粒子群算法,并将该算法用于求解非线性混合整数规划问题。构造了一种自适应调整的惯性权重,平衡了算法的全局搜索和局部搜索能力;针对混合整数规划问题,给定一定比例的初始可行解,提高了初始种群解的多样性;利用协同进化选择策略,对种群中的不可行解重新生成,使种群中每个粒子的信息充分利用,从而提高算法的收敛速度;为了抑制算法的早熟现象,给出了一种新的混沌搜索方式,对全局最优解进行局部搜索,增强算法的局部搜索能力。通过16个常见的测试函数测试结果表明,改进的量子粒子群优化算法对求解非线性混合整数规划问题,在成功率和精度方面得到很大的提高。     

莱维飞行与粒子群的混合搜索算法

粒子群算法在解决多维的复杂优化问题时,存在收敛精度不高和易陷入局部收敛等不足,针对这些问题,将莱维飞行与偏好随机游动引入粒子群算法中,提出莱维飞行与粒子群的混合搜索算法。在该算法的解更新过程中,采用莱维飞行、偏好随机游动与粒子群算法的更新方程以串行方式对得到的解进行更新寻优。实验结果表明,改进后的混合算法与粒子群算法相比较,加快了收敛速度,提高了搜索精度。     

基于MMPC-FPSO 贝叶斯网络混合结构学习方法

针对贝叶斯网络结构学习的过程中网络结构规模随节点数增加呈指数增长,导致网络结构搜索空间增大,进而导致网络结构学习算法效率低下的问题,提出一种基于最大最小父子集合约束与萤火虫粒子群搜索算法的贝叶斯网络混合结构学习方法。首先,针对粒子群算法在解决贝叶斯网络结构学习过程中,随机初始化网络结构种群导致算法搜索效率低下,网络结构准确性低的问题提出一种基于改进的最大最小父子集合算法的种群约束方法。其次,针对传统的基于粒子群评分搜索方法速度慢,精度低,易陷入局部最优的问题,提出一种基于萤火虫算子的粒子寻优策略。最后,为了验证所提方法的正确性和优越性,将上述方法用于3种标准网络的结构学习。仿真结果表明:所提算法与传统的基于粒子群的结构学习方法相比,所得的贝叶斯信息准则评分与标准网络评分的差距分别缩小了68.7%、65.5%、34.1%。     

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.     

约束优化问题的修正选择粒子群优化算法

提出一种求解约束优化问题的修正选择粒子群优化算法(RSPSO).在这个算法中,利用动态多阶段罚函数方法处理约束,并加入一种违反约束的修正选择策略,采用线性递减违反约束容忍度来引导粒子,即利用修正的可行基规则来更新个体极值和全局极值,指引粒子迅速飞向可行域;考虑到粒子群中每个粒子周围的局部信息对它未来飞行的影响,改进了基本粒子群优化的速度方程.数值结果表明,所提出的算法求解约束最优化问题具有较高的计算精度、较好的稳定性和较强的全局寻优能力.     

一种基于搜索历史信息的粒子群算法

针对粒子群算法易过早收敛、陷入局部最优,从而导致收敛精度不足等问题,提出一种基于搜索历史信息的粒子群算法。该算法利用粒子群算法速度迭代公式产生的新速度与上一代飞行速度协同学习,以此作为新的粒子速度更新粒子个体;对历史飞行速度进行学习可以扩大粒子搜索区域,增强算法寻优能力,有效改善早熟收敛问题;构建多种策略对学习因子进行差异化选取,达到多样化搜索路径的目的。采用CEC 2014不同类型基准测试函数进行仿真试验,与其他经典粒子群算法进行对比表明,所提算法具有更稳定、更优异的综合性能。     

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.     

一种适用于配电网重构的动态调整策略

提出了一种适用于配电网重构的动态调整策略,将其与整数粒子群优化算法相结合,实现了高效的配电网重构.动态调整策略分为问题变量解空间动态调整策略和粒子位置变量截断方式动态调整策略两部分:前者是指初始化时,粒子位置向量中的每一维变量根据已经更新的问题变量动态调整问题解空间,从而保证映射的问题解都是拓扑可行解;后者是指粒子更新过程中,位置向量的每一维变量通过动态调整截断方式来改变粒子位置向量空间到问题解空间的映射关系,潜在的拓扑不可行解被视为截断误差偏大而自动优化调整,这样不仅使更新过程不产生拓扑不可行解,而且更新过程的优化特性得以保留.动态调整策略可以结合粒子连续运动空间和问题离散解空间的映射关系,避免粒子搜索过程中产生网络拓扑不可行解,不仅达到了减少冗余搜索的目的,还提高了算法的优化性能.算例结果表明,提出的结合整数粒子群映射关系的动态调整策略不仅能够有效地求解配电网重构问题,而且具有良好的鲁棒性.     

混合离散粒子群算法求解机器人装配线平衡问题

以最小化总成本为目标，将一组工序和机器人分配至工作站上的问题称为面向成本的机器人装配线平衡问题(cRALBP),为了解决此NP难问题，提出一种混合离散粒子群优化(HDPSO)算法.首先，对于给定工序，设计动态规划方法直接获取工序对应的最优机器人分配方案，从而缩小搜索空间，提高算法的全局寻优能力.然后，提出一种新的算法框架，其通过融合路径重连加强算法的局部搜索能力，并通过汉明距离评估解之间的差异，选择采用多片段交叉算子或者片段变异算子进行粒子更新，取代随机选择算子的方法，从而实现算法全局搜索和局部搜索的平衡.将所提出的HDPSO算法与最新的粒子群、人工鱼群算法在144个算例上进行对比，验证了HDPSO算法的有效性和优越性.     

基于解空间划分的PSO改进算法

 提出一种基于解空间划分的粒子群优化算法, 该算法在保持粒子群搜索能力的前提下对解空间进行预处理, 寻找最佳搜索区间, 提高了粒子群搜索效率; 在粒子群搜索过程中设置检查点, 动态更新解空间区间划分. 实验结果表明, 该算法有效提高了粒子群的搜索效率, 并使粒子群算法不易陷入局部极值. 同时, 在自适应状态下, 该算法能搜寻到指定精度下粒子群所需的最小迭代次数, 并得到较满意的最优值.