基于种群分区的多策略综合粒子群优化算法

针对标准粒子群优化算法容易陷入局部最优收敛精度不高的问题,提出一种基于种群分区的多策略综合学习粒子群优化算法(MSPSO).该算法利用竞争机制将种群分为两个子种群：潜力子群与普通子群,对这两个子群实行不同的进化策略,潜力子群中的粒子主要负责全局探索,普通子群中的粒子则侧重于局部勘探.为验证算法的性能,在不同类型的基准函数上与其他粒子群算法及其他群智能算法进行对比,所提算法都能取到最优的平均结果,证明所提算法具有更优异的算法性能.     

基于密集距离的多目标粒子群优化算法

设计出基于密集距离的多目标粒子群优化算法(CMPSO),该算法根据密集距离大小按轮盘赌方式为每个粒子从外部档案选取全局最好位置并采用基于密集距离的方法对外部档案进行维护.将算法应用于3个复杂的测试实例,并与强度Pareto进化算法2等算法进行比较,计算结果表明CMPSO具有良好的连续优化能力.     

基于GIS的CA-PSO多出口场景疏散模型研究

参考当前所处位置的人员密度以及所选出口的密度大小,融合元胞自动机与粒子群优化算法,建立了一个新的CA-PSO人员疏散模型模拟教学楼中学生的疏散过程.通过对同一疏散环境中教室的学生进行模拟疏散实验对比,结果表明:在元胞自动机模型基础上结合粒子群优化算法,模拟疏散过程的结果更加符合实际,疏散效率高.将其结合地理信息系统,模拟教学楼某楼层学生疏散行为,具有较好的实用性和通用性.     

多目标粒子群优化算法研究

在过去的十多年,粒子群算法对多目标优化问题的应用研究取得了较大的进展．本文首先描述多目标粒子群优化算法（MOPSO）的基本流程,然后从算法设计与应用等方面回顾MOPSO的研究进展,最后对该算法未来的研究进行了分析和展望.     

基于多目标粒子群优化算法的输电网规划

输电网规划是一个离散型、非线性、多目标的混合整数规划问题,难于求解.提出一种多目标粒子群优化算法用来求解输电网规划问题.在输电网规划模型中考虑了建设投资费用、运行费用及网损费用等3方面的因素.多目标粒子群优化算法基于Pareto支配关系来更新粒子的个体极值,并采用了精英归档技术,粒子的全局极值由档案库中的非劣解提供.使用Matlab7.1对Garver-6节点系统进行仿真计算,结果表明:与传统的单目标遗传算法相比,多目标粒子群优化算法获得的规划方案总费用更低,该方法可以提高输电网规划的经济性水平.     

基于粒子群优化的多目标作业车间调度

为了利用粒子群优化算法解决作业车间调度问题,提出了将调度问题转化为连续优化问题的有效策略;设计了Pareto档案粒子群算法(PAPSO),该算法将档案维护和全局最好位置选取结合在一起,在档案维护过程中为每个粒子选取全局最好位置;给出了变异与PAPSO的结合新策略.将PAPSO和带变异的PAPSO应用于15个调度实例,以最小化总拖后时间和最大完成时间,与强度Pareto进化算法2等进行比较,结果验证了PAPSO在作业车间调度方面的良好性能.     

基于改进多粒子群算法的电力系统无功优化

将改进的多粒子群算法应用于电力系统无功优化问题的求解，克服了传统粒子群算法收敛精度不高、易陷入局部最优的缺点．该优化方法对原粒子群算法进行了如下改进：通过增强粒子群间的协同作用、引入惯性因子以及扰动的策略，来平衡集中强化搜索和分散多样化搜索过程．对IEEE6节点和IEEE30节点系统分别进行无功优化计算，并与传统粒子群算法进行了比较，结果表明，该算法求得的有功损耗较原状态降低了近1／5，且电压合格率为100％，具有较强的全局搜索能力和较高的收敛精度，是求解无功优化的有效方法．     

基于粒子群优化的多目标作业车间调度

为了利用粒子群优化算法解决作业车间调度问题，提出了将调度问题转化为连续优化问题的有效策略；设计了Pareto档案粒子群算法（PAPSO），该算法将档案维护和全局最好位置选取结合在一起，在档案维护过程中为每个粒子选取全局最好位置；给出了变异与PAPSO的结合新策略；最后将PAPSO和带变异的PAPSO应用于15个调度实例，以最小化总拖后时间和最大完成时间，与强度Pareto进化算法2等算法进行比较，结果验证了PAP—SO在作业车间调度方面的良好性能．     

带有局部信息策略的粒子群优化算法

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,为此本文改进了基本粒子群优化的速度方程．提出了一种带有局部信息策略的粒子群优化算法,对典型优化问题的实例仿真说明了带有局部信息策略的粒子群优化算法具有更好的全局搜索能力和更高的计算精度．     

一种基于Kriging模型加点策略的多目标粒子群优化算法

针对工程问题中优化结果误差较大的不足, 提出一种基于Kriging模型的多目标粒子群优化算法. 先利用Kriging模型的响应信息对误差进行预测, 并将预测误差引入Pareto支配关系比较、 全局领导者和局部领导者的选取及变异机制的进行过程中, 再结合文中加点策略使优化过程在少量抽样的前提下快速准确地逼近Pareto前沿解集. 性能测试结果表明, 该算法可提高复杂系统模型的优化效率及准确性.     

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。     

一种结合多样性策略的自适应粒子群优化算法

提出一种结合多样性策略的自适应粒子群优化算法,该算法在粒子群的全局优化过程中,使用根据种群搜索状态自适应调整邻域空间的局部搜索算法加强算法的局部搜索能力,并允许非优粒子具有引导种群搜索方向的可能性.在著名基准函数上的对比实验结果表明,这种混合粒子群优化算法能获得更高的搜索成功率和质量更好的解,特别在高维多峰函数优化上表现出较强的竞争力.     

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。     

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.     

粒子群优化算法的惯性权值递减策略研究

为了有效地控制粒子群优化算法的全局搜索和局部搜索，基于递减惯性权值的基本思想，在现有的线性递减权值策略的基础上，提出了开口向下抛物线、开口向上抛物线和指数曲线3种非线性的权值递减策略，并采用Sphere、Rosenbrock、Griewank和Rastrigrin这4个标准测试函数测试这些策略对算法的影响．试验结果表明，对于多数连续优化问题，在初始权值和最终权值相同的情况下，凹函数递减策略优于线性策略，而线性策略优于凸函数策略，凹函数递减策略能够在不影响收敛精度的情况下较大幅度地提高粒子群算法的收敛速度．     

一种基于Kriging模型加点策略的多目标粒子群优化算法

针对工程问题中优化结果误差较大的不足, 提出一种基于Kriging模型的多目标粒子群优化算法. 先利用Kriging模型的响应信息对误差进行预测, 并将预测误差引入Pareto支配关系比较、 全局领导者和局部领导者的选取及变异机制的进行过程中, 再结合文中加点策略使优化过程在少量抽样的前提下快速准确地逼近Pareto前沿解集. 性能测试结果表明, 该算法可提高复杂系统模型的优化效率及准确性.     

平面绞链四杆机构的改进微粒群算法优化设计

文章介绍了微粒群优化算法的原理，提出了增加种群多样性和算法随机性的改进微粒群算法及实现过程，并把该算法应用于复杂机械优化问题。实例表明，该方法全局收敛性好，是解决工程设计中复杂线性优化问题的可行方法。     

基于粒子群算法的盲源分离算法

简要地介绍了粒子群算法(PSO)及其改进算法和盲源分离算法(BSS),改进的粒子群算法具有并行性、易实现等优点。将改进的粒子群算法与盲源分离算法相结合,提出了基于粒子群算法的盲源分离算法。该算法以混合信号的峰度为目标函数,采用独立分量分析的方法,用改进的粒子群算法代替常规的最陡梯度下降法,对瞬时混合的信号进行盲分离,解决了梯度算法收敛速度慢的问题。实验仿真表明:该算法具有收敛速度快、分离效果好等特点。