求解约束优化问题的改进粒子群算法

针对高维复杂约束优化问题,提出了一种基于平滑技术和一维搜索的粒子群算法(NPSO)。该算法使粒子的飞行无记忆性,结合平滑函数和一维搜索重新生成停止进化粒子的位置,增强了在最优点附近的局部搜索能力;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒,使微粒能快速的找到位于约束边界或附近的最优解;最后,为了扩大粒子的搜索范围,引进柯西变异算子。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

解决约束优化问题的一种改进PSO研究

为有效求解约束优化问题,提出一种改进粒子群算法（ICPSO）。该算法在处理约束时不引入惩罚因子,而是根据目标函数值和粒子违背约束奈件程度。并根据种群中介体的可行性,采用三种不同的交叉操作对粒子自身最优位置进行操作,同时对全局最优粒子采取变异操作以产生新的学习样本,引导种群的飞行,提升种群跳曲局部最优解的能力。最后,引入一种混合粒子速度更新策略,提升种群向最优解飞行的概率。标准测试函数的仿真结果表明ICPSO是可行的,有效的。     

求解约束优化的模拟退火PSO算法

针对有约束最优化问题,提出了基于模拟退火的粒子群优化(particle swarm optimization simulated annealing, PSO SA)算法。该算法利用模拟退火算法以一定概率接受较差点的概率突跳特性,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性原则进行约束处理,并在模拟退火算法产生新粒子的过程中保留最优不可行解的信息,弥补了可行性原则处理最优点位于约束边界附近时存在的不足。4个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解.     

求解约束优化问题的动量粒子群算法

为解决约束优化问题,提出使用双可行域吸引子策略改进动量粒子群算法。该算法只需初始种群中有一个粒子位于可行域内,随着搜索过程的进行,整个种群自动进入可行域内搜索。一方面,在搜索过程早期,由于可行域内粒子少,所有粒子移向相同的吸引子,整个种群迅速进入可行域内。另一方面,随着进入可行域粒子的增多,由于每个粒子使用距本身最近的可行域吸引子,较好地维持了种种群的多样性,避免早熟现象的发生,使算法具有较好的寻优性能。与国际上当前解决约束优化问题的粒子群算法在4个标准约束优化函数上测试比较,实验结果表明本算法取得的最优值要优于其它粒子群算法。

Abstract：

The strategy that two good positions in feasible region worked as attractors was incorporated into momentum particle swarm optimization algorithm in order to resolve constrained optimization problems. The resulting algorithm only requires that one of the initial particles is in the feasible region, and then all particles in the swam automatically move into the feasible region. On the one hand, in the early iterations few particles appear in the feasible region and hence all particles move toward the same attractors, so the particles soon enter into the feasible region. On the other hand, as the number of particles in the feasible region increases, each particle adopts the most near attractor so that each particle has different attractor. Therefore, the algorithm maintains the diversity of the population, alleviates the premature, and hence achieves good performance. The algorithm is compared with other particle swarm optimization algorithms on four benchmark functions. The experimental results show that the solution of the algorithm is better than that of others.     

基于PSO-ABC的混合算法求解复杂约束优化问题

为了改善粒子群优化（particle swarm optimization, PSO)算法在处理复杂约束优化问题时的求解效果,提出了一种基于粒子群和人工蜂群的混合优化(particle swarm optimization artificial bee colony,PSO-ABC)算法。在采用可行性规则进行约束处理的基础上,将PSO种群分为可行子群和不可行子群,并在ABC算法从粒子种群中选择蜜源时,保留部分较优的可行解信息和约束违反程度较低的不可行解信息,弥补了联赛选择算子在处理最优点位于约束边界附近的问题时存在的不足。同时,使用禁忌表存储局部极值,减小了PSO算法陷入局部最优的危险。针对4个标准测试实例的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。     

求解全局优化问题的智能遗传算法

提出了一种智能遗传算法,该算法融合了5种交叉算子、8种变异算子和5种灾变算子,能根据当前优化结果智能地选择交叉算子、变异算子和灾变算子,在不影响搜索过程随机性的前提下收敛于全局最优解。不同于传统遗传算法,本算法增加了对各种算子优化性能的统计,在优化过程中尽可能使用那些优化性能高的算子,从而提高了智能遗传算法的优化性能。为了验证本算法的性能,采用12种传统遗传算法和本算法同时对20个测试函数进行了求解。最终的数据实例表明,方法是可行的、正确的和有效的。     

解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。     

求解混合变量约束优化问题的改进粒子群算法

针对工程设计中混合变量约束优化问题,提出一种基于模拟退火的粒子群算法。通过引入模拟退火算法,重新生成停止进化粒子的位置,增强了全局搜索能力。鉴于最优解位于可行域边界的特点,结合一种自适应保持群体中不可行解比例的策略,采用个体比较准则处理约束。同时结合混合变量优化问题的特点,通过转换函数,使算法真正在离散空间中进行搜索,保证了解的可行性。仿真结果表明:该算法能够快速准确地找到最优解,具有较好的稳定性。     

基于模式搜索的类电磁算法求解约束优化问题

针对约束优化问题,提出了一种基于模式搜索的类电磁算法。引入了粒子的违反度函数,将约束优化问题转化为双目标无约束优化模型来求解;提出了双目标模型中粒子的电荷和受力的计算公式,引导不可行粒子转化为满足约束条件的粒子;为了提高算法的搜索能力,结合模式搜索算法改进种群中的粒子,为类电磁算法提供了有效的局部信息。与以往算法仿真结果相比,新算法具有性能好、较稳定的优点。     

求解动态优化问题的分叉PSO算法

近些年来,求解动态环境中的优化问题已经逐渐成为进化计算领域的一个新的研究热点。为了改善一般PSO算法求解这种动态优化问题的能力,现提出了一种采用分叉策略的多粒子群PSO算法。该算法能够利用一个较大的主粒子群不断搜索问题适值曲线上新的峰,而利用从主粒子群中分离出来的若干个较小的子粒子群去跟踪已经发现的峰的变化。通过对一组标准动态测试函数的实验,能够证明所提出的算法在动态环境中具有较强的鲁棒性和适应性。

Abstract：

Recently,there has been increased interest in evolutionary computation algorithms applied into dynamic environments since many real-world optimization problems are time-varying.Inspired by a forking mechanism,a new multi-swarm optimization algorithm （Forking PSO,FPSO） was proposed to enhance simple PSO’s search in dynamic landscape.In FPSO,a larger main swarm is continuously searching for new peaks and a number of smaller child swarm,divided from main swarm,are used for tracking the achieved peaks over time.Experimental study over a benchmark dynamic problem suggests that the proposed algorithm has much stronger robustness and adaptability in dynamic environments.     

基于层次粒子群算法的非线性双层规划问题求解策略

在交通与物流网络系统规划中的许多决策问题可以归结为双层规划模型, 这类问题大多属于非凸优化问题. 现有算法要么难以获得全局最优解, 要么在解决大规模问题时存在算法复杂度及计算效率问题. 本文基于 进化博弈及多目标优化非支配排序的思想设计了层次粒子群算法, 通过两个粒子群算法的交互迭代来模拟 决策者之间的博弈寻优过程, 从而获得使各方利益最大化的双层规划问题的最优解. 最后通过测试函数验 证算法的有效性.     

Margin optimization algorithm for digital subscriber lines based on particle swarm optimization*

The margin maximization problem in digital subscriber line (DSL) systems is investigated. The particle swarm optimization (PSO) theory is applied to the nonconvex margin optimization problem with the target power and rate constraints. PSO is a new evolution algorithm based on the social behavior of swarms, which can solve discontinuous, nonconvex and nonlinear problems efficiently. The proposed algorithm can converge to the global optimal solution, and numerical example demonstrates that the proposed algorithm can guarantee the fast convergence within a few iterations.     

基于粒子群优化的稀疏分解变尺度快速算法

针对一类可分稀疏性度量函数,结合最优化理论,研究了稀疏信号重构的快速算法。稀疏分解可以看成是一个带等式约束的优化问题,首先利用惩罚函数法将其转化为无约束优化问题|然后在粒子群优化估计搜索步长的基础上,利用变尺度法寻找无约束优化问题的最优解|最后依次增大惩罚因子,直至稀疏表示系数满足分解精度的要求。该算法避免了矩阵求逆运算,且无需先验地选取惩罚因子。仿真实验验证了算法的有效性和快速性。     

Stochastic focusing search: a novel optimization algorithm for real-parameter optimization

A novel optimization algorithm called stochastic focusing search (SFS) for the real-parameter optimization is proposed. The new algorithm is a swarm intelligence algorithm, which is based on simulating the act of human randomized searching, and the human searching behaviors. The algorithm’s performance is studied using a challenging set of typically complex functions with comparison of differential evolution (DE) and three modified particle swarm optimization (PSO) algorithms, and the simulation results show that SFS is competitive to solve most parts of the benchmark problems and will become a promising candidate of search algorithms especially when the existing algorithms have some difficulties in solving certain problems.     

基于粒子群-遗传的混合优化算法

提出了一种基于实数编码的粒子群优化和遗传算法的混合优化算法,该算法首先由粒子群优化进化一定代数后,将最优的M个粒子保留,去掉适应度较差的pop_size M个粒子。然后以这最优的M个粒子的位置值为基础,选择复制得到pop_size M个个体,并进行交叉、变异等遗传算法运算。最后将保留的M个粒子位置值与遗传算法进化得到新的pop_size M个体合并形成新的粒子种群,进行下一代进化运算。该算法在进化过程中能进行多次信息交换,使两种算法互补性得到更充分的发挥。通过5个函数优化实例与其他多种算法的对比研究,表明该算法收敛性能好,运算速度快,优化能力强。此外,还研究了最优粒子保留规模M以及粒子群优化进化较少代数规模对算法性能的影响。     

资源约束的拼件维修模型与粒子群求解算法

为了获得最优的装备作战单元的拼件维修方案与任务分配方案, 建立了一种同时优化拼件维修方案与任务分配方案的非线性规划模型, 模型中同时考虑了不同任务对武器系统的具体需求、武器系统的客观情况、维修资源约束, 可以最大化地协调任务、装备群与维修资源之间的矛盾, 所以更加贴合实际. 设计了基于粒子群算法的求解算法, 包括算法框架、粒子的表示、初始化、适应度函数、更新方法等. 最后, 应用该粒子群算法对具体实例进行了求解, 分析表明模型与算法可以有效地优化任务分配方案与拼件维修方案, 提高装备作战单元任务成功概率, 为决策者制定决策提供指导.