一种新的求解优化问题的混合粒子群算法

将粒子群优化算法与一种自适应局部搜索算法相结合,提出了一种新的混合粒子群优化算法,使粒子群算法寻优过程中的全局搜索能力和局部搜索能力良好平衡;采用了典型函数和模糊神经网络优化问题对算法性能进行测试,并与其它方法进行比较.实验结果表明,这种混合粒子群优化算法能获得质量更好的解,具有较高的收敛性,特别是在高维复杂函数优化上具有很强的竞争力,其性能大大优于单一的优化方法.     

噪声环境下函数优化问题的混合优化算法

针对噪声环境下的函数优化问题提出一种混合粒子群优化算法UPSOOHT, 并考察了最优计算量分配（OCBA）和噪声幅度对算法性能的影响. 该算法将粒子群优化算法与假设检验及OCBA有效地结合, 具有很好的全局搜索能力和局部精化能力. 与其他优化算法比较的测试结果表明, UPSOOHT算法的性能和抗噪声能力都具有明显的优势.     

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.     

一种改进的混合粒子群优化算法

为了提高粒子群优化算法的局部搜索能力、算法的收敛速度和解的精度,提出了一种改进的混合粒子群优化算法。采用聚类方法和混沌初始化、同时引入线性组合式局部搜索过程,通过四个标准函数的测试实验,与标准粒子群优化算法、混沌粒子群优化算法进行比较分析,提出的算法寻找全局最优解的能力有显著的提高,算法收敛速度和解的精度均优于其它参与比较的算法。     

求解作业车间调度问题的混合QPSO算法

文章使用混合量子粒子群优化算法求解作业车间调度问题,并设计了一种基于工序的编码方式;为了克服量子粒子群优化算法容易陷入局部最优的缺点,将模拟退火算法引入量子粒子群优化算法,使算法具有跳出局部最优的能力并增强其全局搜索能力,形成量子粒子群-模拟退火调度算法;仿真结果表明,混合算法具有良好的全局收敛性能.     

一种混合拓扑结构的粒子群优化算法

为进一步提高粒子群优化算法的搜索性能,在分析不同拓扑结构对算法性能影响的基础上,针对不同拓扑结构粒子群优化算法的优缺点,提出一种混合使用全局版本和局部版本粒子群优化算法的方法,每一代粒子在速度更新时随机选择全局模型或局部模型方式进行.在典型测试函数上进行对比实验,结果验证了新算法不仅能有效地进行全局搜索,而且具有更好的收敛精度.     

一种改进的混沌粒子群优化混合算法

提出了一种改进的混沌粒子群优化混合算法.该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力.通过对3个标准函数进行测试,仿真结果表明该算法与差分进化粒子群优化（DEPSO）算法相比,全局搜索能力和抗早熟收敛性能大大提高.     

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.     

超越方程的全局优化解法

现有的粒子群算法在求解超越方程时具有局部搜索能力差、后期收敛速度较慢的缺陷,导致了粒子群算法无法得到较为精确的超越方程的根.在粒子群算法的基础上,加入局部搜索能力较好、后期收敛速度较快的拟牛顿算法,依照算法的进程自动甄选粒子群算法和拟牛顿算法,充分发挥粒子群算法的全局搜索性能和拟牛顿法的局部搜索性能,进而将超越方程转化为了纯粹的函数优化问题,并基于此方法进行求解实验,结果表明该方法具有极高的收敛速度和求解精度.     

改进粒子群算法在作业车间调度问题中的应用

调度问题是一类典型的NP-hard问题,传统粒子群优化算法在解决该类问题上具有一定的局限性.通过分析其优化机理,提出了改进粒子群算法,结合了粒子群优化算法的全局搜索能力和交换粒子位置的局部搜索能力,提出了新的粒子编码方法--基于粒子坐标值排列编码(PPP),发展了一种快速、易实现的新的混合启发式算法.大量实验仿真结果表明本算法可以有效求解作业车间调度问题,通过与遗传算法比较,验证了改进粒子群算法是求解Job-shop调度问题可行而高效的方法.     

一种求解非线性函数优化问题的混合遗传算法

结合单纯形法的混合遗传算法是将单纯形操作替代原来的交叉算子,并采用最优群体保留策略,算法可以很小的群体规模实现兼顾全局搜索和局部搜索的均衡搜索,大幅度提高搜索精度和效率,算法不需要梯度信息,不需进行编码操作,非常适合求解非线性函数优化问题。     

具有协同寻优的蝙蝠萤火虫混合优化算法

萤火虫算法存在着对于初始解分布的依赖性、后期收敛速度慢、易于停滞、早熟和求解精度低等缺陷。本研究在萤火虫算法引入蝙蝠种群在全局最优附近进行更加详细的局部搜索,以协助萤火虫种群进行寻优;并在寻优过程中加强蝙蝠种群与萤火虫种群的信息交互,协调寻优;最后对全局最优个体进行高斯扰动以增加种群的多样性,从而避免种群陷入局部最优解。通过使用6个常见的基准测试函数对该算法进行测试,并与其他3种算法(标准粒子群算法、蝙蝠算法、萤火虫算法)进行对比实验,结果表明该混合算法的总体性能优于其他3种算法。引入蝙蝠种群对萤火虫性能有较大提升,改善切实有效。     

混合优化算法及在约束优化问题中的应用

针对混沌优化方法和Alopex算法的特性,将改进的Alopex算法嵌入到混沌优化算法中,提出了一种混合优化算法,此算法充分发挥了改进的Alopex算法的快速搜索能力和混沌优化方法细致寻优的特性,提高了算法的收敛速度,避免了优化算法陷入局部最优的缺陷;同时将混合优化算法应用于约束优化问题中．仿真结果表明了混合优化算法的有效性．     

改进的基于局部搜索策略的生物地理学优化算法

为了提高生物地理学优化（BBO）算法的优化特性,提出一种改进的基于局部搜索策略的生物地理学优化算法（ILSBBO）。改进的算法将差分进化算法的局部搜索策略与BBO算法的迁移策略进行结合,并引入了差分进化算法中的选择操作。在13个基准测试函数上,对改进的算法、基本BBO算法,以及基于BBO的混合差分进化算法（DE/BBO）进行比较,结果表明改进的算法优于所比较的其他两种算法;此外,改进后的算法在收敛速度上也优于基本BBO算法。     

基于样本均值和中位值的粒子群优化定位算法

针对室内LOS/NLOS混合环境,提出基于假设检验的方法确定NLOS状态,并采用具有收缩因子的粒子群优化算法进行定位.在采样值存在异常情况时,样本中位值性能优于样本均值.因此,在LOS和NLOS状态下,分别采用样本均值和样本中位值建立最小平方误差代价函数.为了增强算法的全局和局部搜索能力,在粒子群优化算法的基础上引入收缩因子.仿真实验表明,在NLOS遮挡比较严重的情况下,所提出的基于样本均值和样本中位值改进的粒子群优化定位算法较只采用样本均值改进的粒子群优化算法和一般的粒子群优化算法定位精度高.     

基于互信息和混合优化算法的多模医学图像配准

针对互信息函数的多极值问题,提出了一种基于混合优化算法的多模医学图像配准方法.对于多模医学图像,以互信息作为相似性测度,使用混合优化算法搜索出最佳配准变换参数,将待配准图像进行变换,从而达到配准的目的.实验表明,该算法能避免陷入局部最优值,配准结果精度达到亚像素级.     

微粒群优化在Job-shop调度中的应用

Job-shop调度问题是典型的NP-难问题,利用微粒群优化的全局搜索能力和高搜索效率以及模拟退火算法的局部搜索能力,发展了一种快速、且易于实现的新的混合启发式算法,并将其应用于求解标准Job-shop调度问题,计算结果以及与其他算法的比较说明,该算法是一种求解Job-shop调度问题的可行且高效的方法。