一种自适应混合纵向多变异粒子群算法

为克服标准粒子群算法搜索后期收敛速度慢、容易陷入局部最优的缺点,通过引进自适应惯性权重因子平衡标准粒子群优化算法的全局搜索和局部改良能力,同时设计了均匀分布变异和高斯分布变异相结合的粒子群混合纵向多变异策略,来提高算法摆脱局部极值和局部寻优的能力.根据提出的改进算法流程,针对公认的Sphere,Rastrigin,Griewank和Salomon四种标准测试函数进行了收敛精度和收敛速度的测试.测试结果表明,在标准粒子群、自适应权重粒子群、自适应变异粒子群和自适应混合多变异粒子群4种算法中,提出的新算法具有最好的全局最优值搜索能力和最稳定的全局收敛特性,且在提高收敛速度的同时,有效地避免了早熟收敛问题.     

带有个体扰动和相互学习改进的粒子群优化算法

针对粒子群优化算法容易陷入局部极值、进化后期早熟收敛现象,提出了一种带有个体扰动和相互学习改进的粒子群优化算法.算法在迭代的过程中,根据群体适应度方差按照一定的概率对当前的个体最优粒子进行扰动,增强了算法的局部探索的能力,使得粒子跳出局部最优点;同时增加粒子的相互学习阶段,使得每个粒子的进化不仅受到个体最优粒子和全局最优粒子的影响,而且还受到其他粒子之间相互学习的影响,提高了算法的收敛速度.数值实验表明,改进的新算法具有更高的收敛速度和收敛精度,能有效克服早熟收敛现象.     

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。     

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.     

一种基于运动方向变异的混合粒子群算法研究

针对粒子群算法搜索精度不高、易早熟收敛、搜索后期多样性下降快等问题,提出一种基于运动方向变异的混合改进粒子群算法.该算法通过改变部分粒子的运动方向增加种群多样性,扩大粒子的搜索范围;利用非线性减小惯性权重的方法增加搜索后期的精度;用线性地增大和减小两个学习因子来平衡搜索的范围和精度,使得在搜索前期能够迅速定位到全局最优点附近,在搜索后期能够收敛到全局最优点.将该方法应用于函数优化中,仿真结果表明,该算法能够使粒子均匀分布在最优值空间范围内,调整和平衡粒子的全局搜索和局部精细搜索能力,同时能延缓粒子多样性的下降速度,使粒子能够跳出局部最优值.     

一种改进的粒子群优化算法

粒子群优化算法是一种基于仿生技术的启发式算法,针对粒子群优化算法存在易早熟现象,提出一种改进的粒子群优化算法.该算法给出了一种新的变异算子,该算子具有一定探索和开发能力,从而避免算法陷入局部最优.基于新变异算子给出一个新的粒子位置更新公式.根据系统稳定性理论,推出了算法的参数设置区域.最后,通过标准测试函数的性能测试,验证了改进粒子群优化算法收敛速度和求解精度.实验结果表明,该算法具有较好的收敛速度和求解精度.     

基于正交试验设计的粒子群优化算法

针对粒子群优化(particle swarmopti mization,PSO)算法在进化初期收敛速度快但容易陷入局部最优、在进化后期收敛速度变慢且精度低的缺陷,为了提高粒子群算法的收敛速度和全局寻优能力,提出了基于正交试验设计的粒子群优化(orthogonal-experi mental-design-based PSO)算法.在基本粒子群算法的基础上,算法OE-PSO对当前搜索到的解进行局部寻优,利用正交试验设计对搜索空间的分布均匀性在可行解的领域选择有代表性的解进行测试.算法OE-PSO用搜索到的更好的解在下一次迭代中引导粒子进行搜索,从而获得更快的收敛速度和更精确的解,同时避免局部最优.实验结果表明,算法OE-PSO不但具有较快的收敛速度,而且能够有效提高解的精确性,增强算法的鲁棒性.     

一种基于复合惯性权值的粒子群优化算法

在研究神经网络优化的问题上,粒子群优化算法被广泛应用.针对基本粒子群优化算法收敛速度慢和易陷入局部最优等问题,提出了一种改进的粒子群优化算法.该算法除了采用线性惯性权值和进化速度-聚集度动态惯性权值相结合的方式来调整其权值,还将一种新颖的收缩因子引入到算法中.通过对4种典型测试函数进行仿真测试,实验结果表明新算法在收敛速度、收敛精度、改善优化性能上完全优于基本的粒子群优化算法,有效避免了基本群优化算法的缺陷.     

基于扰动的自适应粒子群优化算法

【目的】针对标准粒子群优化算法在应用中暴露出的缺点,如在迭代后期收敛速度慢、搜索精度不高、容易陷入局部最优等,提出一种基于扰动的自适应粒子群优化算法。【方法】该算法将扰动因子加入速度更新公式中,使种群搜索范围扩大;采用自适应的惯性权重,以起到平衡全局和局部寻优能力的作用;对最优粒子进行自适应的柯西变异,拓展最优粒子的搜索空间,降低粒子陷入局部最优的可能性;最后对算法进行仿真实验。【结果】新算法能够增强全局搜索能力,有效避免局部最优,具有更快的收敛速度。【结论】新算法克服了标准粒子群优化算法的缺点,为进一步研究粒子群优化算法的改进和应用提供科学依据。     

交叉策略粒子群算法

提出了一种基于交叉策略的粒子群优化算法(CSPSO),该算法利用遗传算法中的交叉变异策略的优点,将粒子两两进行交叉变异进而得到相同数目的子代粒子来更新替代亲代的粒子,从而更好地解决粒子群优化算法容易陷入局部最优值以及计算精度低等问题.通过对仿真实验的结果分析可知,与基本粒子群优化算法、布谷鸟搜索算法以及已有的部分改进算法相对比,CSPSO在收敛速度和精度方面的优势更为突出.     

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。     

邻域自适应的微分变异约束分数阶粒子群优化

分数阶粒子群算法（FOPSO）是一种具有路径记忆的改进型粒子群优化算法。在多峰约束优化问题中,针对FOPSO易于早熟和依赖于初始参数的问题,文中提出了一种邻域自适应的约束分数阶粒子群优化方法（NAFPSO）。在算法中,依据进化状态来动态调整邻域拓扑从而更新粒子位置和速度,以提高可行解的全局寻优能力和收敛速度;采用带惩罚因子的罚函数约束处理技术,迫使粒子趋向可行区域;设计了微分变异策略以增加种群多样性,增强粒子逃脱局部最优的能力。用9个约束优化基准函数实验验证了NAFPSO的有效性和收敛性能,并应用于2个约束工程设计问题,结果表明,提出的算法寻优能力强、收敛快、精度高、稳定性好,可用于有效地解决复杂的约束工程设计优化问题。     

融合多种策略的改进粒子群算法及其在电子商务多级物流中的应用研究

为了提高粒子群优化算法(PSO)求解复杂优化问题的能力,本文对基于细菌趋化的粒子群优化算法(PSOBC)进行改进。PSOBC算法是PSO算法的一种新思路,可以有效地克服其易陷入局部最优、后期粒子多样性差的缺点,故将一般反向学习策略和自适应惯性权重与PSOBC算法相结合,得到一种改进的粒子群优化算法。改进的粒子群优化算法的开发能力和勘探能力都得到了很大的提高;在求解复杂性优化问题时种群能够在搜索范围内快速收敛到局部最优处,并且当种群密度足够小时,及时增大种群密度即进行去全局寻优。最后将改进后算法应用到电子商务多级物流中心选址及路径规划问题上。     

基于sharing函数具有死区初始化功能的 粒子群算法

主要是研究粒子群优化原理,针对粒子群算法的中局部最优问题,提出一种具有死区初始化粒子群算法.首先通过观察MATLAB可视化下粒子的运行轨迹,分析粒子陷入局部最优时的特征,并针对运行过程中出现停滞现象的粒子群,以当前局部最优粒子为中心画定“死区”,并对“死区”内的粒子重新初始化.利用标准测试函数进行测试,仿真结果表明,改进后算法不仅具有良好的稳定性,而且提高了粒子突破局部收敛限制的能力,从而提高了粒子群搜索最优解的能力.     

基于Powell搜索法的混合微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部搜索能力强等优点,本文提出了一种与Powell搜索法相结合的改进微粒群算法实践.改进算法将微粒的搜索过程分为两阶段,第一阶段,将PSO算法的速度公式改进后进行搜索;第二阶段,将第一阶段的最后一代微粒作为Powell搜索法的初始点,让Powell搜索法与PSO算法交替进行.这样既克服了PSO算法易陷入局部最优的缺点,也大大提高了算法的求解精度和收敛速度,同时保持了微粒的多样性.仿真结果表明:同PSO算法相比,Powell-PSO算法具有较高的求解精度和较强的寻优能力,并且不论是对单峰函数还是多峰函数都能取得很好的优化效果.     

动态改变惯性权重的新模式粒子群算法

针对标准粒子群算法在求解复杂优化问题时易陷入局部最优、收敛精度不高和收敛成功率低的不足,提出了一种改进的粒子群算法.通过算法所处的迭代阶段和粒子的分布情况动态改变惯性权重的值,并根据每个粒子的更新情况调整其飞行的起点.最后4个测试函数仿真结果表明,在求解复杂优化问题时,改进后算法的收敛精度和收敛成功率均有明显提高.     

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.     

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。     

基于改进粒子群算法的自适应波束形成

基于最小均方误差准则,将自适应波束形成的权值求解问题表示为多目标优化模型,利用提出的改进粒子群优化算法,获得了阵列最优权值向量.改进粒子群优化算法中引入动态邻域拓扑结构,自适应调整粒子的领域搜索范围,避免粒子陷入局部最优.仿真结果表明:所提算法的收敛速度优于传统算法.     

基于自适应搜索的免疫粒子群算法

经典粒子群算法由于多样性差而陷入局部最优,从而造成早熟停滞现象.为克服上述缺点,本文结合人工免疫算法,提出一种基于自适应搜索的免疫粒子群算法.首先,该算法改善了浓度机制;然后由粒子最大浓度值来控制子种群数目以充分利用粒子种群资源;最后对劣质子种群进行疫苗接种,利用粒子最大浓度值调节接种疫苗的搜索范围,不仅避免了种群退化现象,而且提高了算法的收敛精度和全局搜索能力.仿真结果表明该算法求解复杂函数优化问题的有效性和优越性.