一种求解大规模问题的自学习协同粒子群算法

随着工程技术要求的提高,许多实际优化问题从低维问题发展成高维的大规模优化问题,自然计算算法在面对该类问题时容易陷入局部最优,而协同粒子群算法是解决大规模优化问题的重要手段之一。本文将子种群划分自学习策略和惯性权重自适应策略引入到协同粒子群算法中,增强了算法的自学习能力,提高了算法的全局寻优能力。实验结果表明,所提算法的性能超过了传统协同粒子群等算法,具有求解大规模问题的较大潜力。     

云模型和混沌粒子群算法的多目标无功优化

为了克服基本粒子群算法易陷入局部最优值和后期收敛速度慢的不足,提出一种基于云模型的自适应粒子群算法。该算法首先采用混沌优化策略对粒子群进行初始化,增加粒子取值的多样性;其次根据粒子的适应度值将种群中的粒子分成靠近最优值、较靠近最优值和远离最优值3个子群,并分别采取不同的惯性权重生成策略进行处理,其中较靠近最优粒子子群的惯性权重由正态云发生器动态自适应调整,摆脱算法陷入局部最优值束缚;最后在迭代后期通过正态云算子实现粒子的变异操作,使算法后期快速收敛到最优解。对标准IEEE30节点系统和IEEE118节点系统进行测试仿真,结果表明了文中算法解决多目标无功优化的有效性。     

维度学习探路者算法

针对探路者算法在解决最优化问题存在收敛速度慢、易陷入局部最优的缺点,提出维度学习策略改善不足.在种群搜寻最优解的过程中,通过对越界个体执行限制维度学习,对迭代不成功个体采取加强维度学习策略,帮助种群跳出局部最优,提高算法的收敛性能.为验证策略可行性,通过5个Benchmark测试函数与4种算法进行对比实验,结果表明,改进后的算法明显优于其他算法.维度学习策略用于粒子群优化算法表明,该策略对于提高算法性能具有普适性.     

基于分层多子群的教与学优化算法

文章针对教与学优化(teaching-learning-based optimization,TLBO)算法在求解高维函数优化问题时易陷入局部最优与"早熟"现象、迭代后期收敛速度慢、求解精度低的缺点,提出了一种基于分层多子群的教与学优化算法(hierarchical subpopulation TLBO,HSTLBO),对平均学生水平进行重新定义,并根据适应度值对教学因子动态取值;通过预设的一个等级层次结构,将种群划分为若干个子群,构成层次结构的底层;底层子群粒子相对独立进化,保证种群多样性,每个子群的最优粒子则构成层次结构的上一层,提升算法的全局收敛能力,子群自下而上更新。通过10个Benchmark函数将提出的算法与其他算法进行对比实验,结果表明,HSTLBO在求解精度和收敛速度方面均优于其他算法。     

基于模糊聚类的粒子群优化算法

粒子群优化算法(PSO)的基础上,提出了基于模糊C-均值聚类(FCM)算法的粒子群优化算法.该算法在每次迭代过程中首先通过FCM算法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和子群中的最优粒子更新自己的速度和位置值.通过典型复杂函数测试表明,基于模糊C-均值(FCM)的粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法.     

基于三方竞争机制的反向多目标粒子群优化算法

针对传统多目标粒子群优化算法容易早熟的问题,提出一种基于三方竞争机制的反向多目标粒子群优化算法(MOPSO-TCOL).该算法利用当前种群在每一代中选择的三方竞争者来引导种群进化,这能够有效减少维护外部存档时的计算成本.在每次竞争中,MOPSO-TCOL从种群中随机挑选3个粒子进行比较,并基于不同的策略分别进行更新,这有利于保持种群的多样性.提出了一种基于反向学习策略的渐进式粒子更新方式,部分粒子进行反向学习以避免算法陷入局部最优,其他粒子通过向指定的更优粒子学习进行更新以加强收敛性.将所提出算法与8个多目标优化算法在14个标准测试函数上进行了性能比较试验.结果表明MOPSO-TCOL算法在多样性和收敛性上具有显著优势,且具有更快的收敛速度.     

求解PFSP问题的多粒子群协同学习算法

针对以最小化最大完工时间为目标的置换流水车间调度问题,提出了一种多粒子群协同学习算法。该算法在协同粒子群算法的基础上,采用了精英库种群和普通种群共同进化框架,重新构造了学习交流方式。精英库种群采用改进的综合学习策略,普通种群中的每个子群采用经验指导的精英学习策略进行局部搜索。此外,还引入了精英迁移策略,促进整个种群的信息交流与协同进化。通过在不同规模问题的实例与另外两种优化算法进行比较,仿真结果表明了该算法在解决置换流水车间问题上的有效性。     

基于动态双种群粒子群算法的柔性工作车间调度

针对标准粒子群优化算法存在易陷入局部最优点的缺点,提出了一种基于动态双种群的粒子群优化算法(DPSO).DPSO算法将种群划分成两个种群规模随进化过程不断变化的子种群,两个子种群分别采用不同的学习策略进行进化,并在进化过程中相互交换信息.该算法提高了全局寻优能力,有效地避免了早熟收敛的发生.将以DPSO算法为基础的排序算法和启发式分配算法(HA)相结合形成了解决柔性工作车间调度问题的新方法(DPSO-HA).通过对算例的研究和与其他方法的比较表明,该方法是有效可行的.     

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.     

多策略自适应粒子群优化算法

为了提高粒子群优化算法搜索最优解的效率,该文提出多策略自适应粒子群优化(MAPSO)算法。通过构建多样性测试方式评价种群的分布性。粒子的进化状态分别为勘探或开发状态,通过执行实时交替策略,确定粒子的进化状态。在迭代优化时,根据粒子的多样性动态地控制惯性系数。基于所构建的多样性测试方式,通过融入精英学习策略进一步改善种群多样性,以阻止种群陷入局部解。实验结果表明,与自适应性粒子群优化(APSO)、综合性学习粒子群优化(CPSO)、振荡粒子群优化(PPSO)算法相比,MAPSO算法能够持续地改善PSO跳出局部最优解的能力,其可靠性和成功率均优于其它算法,并能有效改善搜索性能和收敛速度。     

改进协同粒子群优化算法及其在Flow Shop调度中的应用

针对协同粒子群优化算法存在的停滞现象,提出了一种改进的协同粒子群优化算法。采用优化法的子群协作方式,既保证了收敛速率,又可以防止陷入局部最优。同时引入综合学习策略,增加种群的多样性,防止种群出现停滞现象。在此基础上,又加入了扰动机制,进一步避免算法陷入局部最优。采用该算法对3个经典函数进行测试,并将其应用于Flow Shop调度问题,仿真实验结果表明:新算法有效克服了停滞现象,增强了全局搜索能力,比基本协同粒子群优化算法的优化性能更好。     

基于蛙跳算法的无线Mesh网QoS路由算法

提出了一种解决无线Mesh网QoS路由问题的蛙跳算法.该算法采用路径节点编码,采用两点交叉生成新解.在进化过程中,整个种群首先被分成多个子群,各子群独立的进行局部搜索.然后各子群重新合并为一个新种群,使搜索到的信息得到了有效交流.仿真试验表明了所提算法的有效性.     

多策略改进的麻雀搜索算法

针对麻雀搜索算法在迭代收敛时易陷入局部最优的问题,提出多策略改进的麻雀搜索算法（NLSSA）。利用邻域重心反向学习策略优化麻雀算法的初始种群,提高初始个体质量。通过Levy飞行策略的长短距离跳跃更新麻雀生产者位置,从而提升麻雀算法的局部极值逃逸能力。在跟随者位置更新机制中引入自适应权重,从而平衡麻雀算法的局部挖掘和全局寻优能力。为了验证所提NLSSA算法的性能,利用8个基准测试函数进行测验,测试结果与Wilcoxon符号秩检验结果表明,与麻雀搜索算法、粒子群优化算法、灰狼优化算法和其他改进的麻雀搜索算法相比,NLSSA算法在寻优精度、稳定性能和收敛速度方面的效果更佳。     

一种离散型多目标粒子群优化算法

为获得更好的非劣前端,提出一种离散型多目标粒子群优化算法。该算法根据离散型多目标优化问题的特点,将种群分成多个子种群,在各个子种群中利用表现型共享的适应度函数选择每个子种群的最优粒子。通过多个最优粒子的引导,使整个种群分布更均匀,避免陷入局部最优,保证了解的多样性。实验表明了该算法的有效性。     

基于精英高斯学习的改进鱼群粒子群混合算法

为提高算法在高维函数上的寻优性能,提出改进鱼群粒子群混合算法。该算法将鱼群算法全局搜索性能好与粒子群算法局部搜索性能强的优点相结合,在寻优初始阶段采用鱼群算法获得最优群体,在后期用粒子群算法实现精搜索。针对初始种群随意性大、分布不均的问题,通过均匀初始化,优化初始种群的分布; 并对算法全局搜索方向性差、效率低的问题,采用仿照蛙跳算法的分组方式对种群进行分组,同时对组内优秀个体和一般个体使用不同搜索策略,提高搜索的目的性和效率。引入改进的精英高斯学习,从而提升最终结果的精度。利用该算法对6 个标准函数寻优并与其他算法比较,结果表明,该算法的改进有效且性能优于其他算法。     

基于混合蛙跳粒子群算法的 TSP 问题求解

为提高粒子群算法求解TSP(Travelling Salesman Problem)问题的性能, 在算法搜索初期, 将混合蛙跳算法和 粒子群算法相融合, 针对初始粒子群随意性大、 粒子分布不均的问题, 利用混合蛙跳算法的分组策略将种群分 组, 采用改进的蛙跳更新公式优化次优个体, 并抽取各层次个体得到新种群, 从而提高最优个体的获得速度; 在算法后期, 引入3 重交叉策略和基于疏密性的引导变异操作, 解决粒子多样性降低、 易陷入局部最优的问题。 利用改进算法求解 TSP 问题, 并与其他算法进行对比。 结果表明, 改进算法是有效的且性能优于其他算法。     

求解约束优化问题的动态多种群粒子群算法

为有效求解带有约束条件的优化问题,提出一种动态多种群粒子群算法。采用动态多种群策略和广泛学习策略来提升种群的多样性, 并根据人类社会“人尽其才”的思想, 为每个子群指派成员, 以发挥每个粒子的最大效用。采用动态变异策略, 对全局最优粒子(Gbest)进行变异操作以提升算法跳出局部最优解的能力。在基准函数的测试结果中显示DMCPSO获得了较高的求解精度。     

融合榜样学习和反向学习的粒子群优化算法

为了提高粒子群优化算法(Particle swarm optimization,PSO)的优化效率,降低其陷入局部最优的概率,提出了一种融合榜样学习和反向学习的PSO算法(PSO based on combing Example learning and Opposition learning,EOPSO).首先,对粒子群中的非最优粒子采用新颖的榜样学习机制更新,以便提高全局搜索能力,避免算法陷入局部最优;其次,对粒子群中最优粒子采用反向学习混合机制更新,提升该粒子的搜索能力,进一步避免算法陷入局部最优;最后,对粒子群中的最优粒子还采用了自身变异机制更新,有利于搜索前期的全局搜索和后期的快速收敛.在15个不同维度的基准函数上进行了仿真实验,实验结果表明,与最先进的PSO改进算法ELPSO、SRPSO、LFPSO、HCLPSO相比,EOPSO优化性能更好.     

一种基于全局最优的改进的正弦余弦算法

针对正弦余弦算法在求解优化问题时容易陷入局部最优,求解精度不高的缺点,提出了一种改进的正弦余弦算法.该算法利用分群的思想将群体分成两个子群,并利用群体中的最优信息改进已有迭代公式,借鉴共生生物搜索算法的思想设置新的迭代公式,使得在进化过程中各子群使用不同的迭代公式,通过子群间的协作与竞争来实现对最优解的搜索.函数优化问题和实际问题的实验结果表明了该算法的可行性和有效性.     

带高斯扰动和协同寻优的蝙蝠粒子群混合算法

为了进一步提高粒子群算法的性能,提出了一种新的群体智能优化算法——带高斯扰动和协同寻优的蝙蝠粒子群混合算法。该混合算法利用蝙蝠个体脉冲的回声定位对最优粒子gbest进行高斯扰动而产生一个局部解,把该局部解加到蝙蝠种群中,然后根据局部解的位置优劣与蝙蝠个体产生的响度来更新粒子群。在寻优过程中,对gbest进行高斯扰动增加了种群的多样性而避免粒子群过快陷入局部最优,并且加强了蝙蝠种群与粒子群的信息交互,协同寻优。与蝙蝠算法、标准粒子群算法、烟花算法、带高斯扰动的粒子群算法、粒子群差分算法相比,带高斯扰动和协同寻优的蝙蝠粒子群混合算法的总体性能优于其他5种算法。