一种新的简化粒子群优化算法

针对粒子群算法在寻优中存在早熟和收敛精度不高等问题,论文对粒子位置的更新策略以及更新公式进行改进,提出了一种新的简化粒子群优化算法(New Simple Particle Swarm Optimization,NSPSO),并将其在15个多极值基准函数进行全局最优化测试,实验结果表明,NSPSO算法收敛的精度大大提高了,而且算法收敛速度也很快,对于高、低维复杂函数的优化均适用.     

粒子群优化算法的改进及数值仿真

提出一种改进的粒子群优化算法,该算法采用使全局探索与局部开发合理平衡的方法,降低了粒子群优化易陷入早熟收敛的可能性.先用Beta分布初始化种群,再用逆不完全Γ函数更新惯性权重,然后基于差分进化的新算子实现速率更新,最后采用基于边界对称映射的方法处理粒子的越界.数值仿真结果表明,改进算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和蚁群优化算法.     

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。     

一种新的粒子群算法与人工鱼群算法的混合算法

通过分析粒子群算法和人工鱼群算法的优缺点,利用粒子群算法收敛速度快及人工鱼群算法能较好地收敛到全局最优解的特点,提出了一种新的混合算法.算法以粒子群为基础进行设计,根据人工鱼群的公告板、群聚和随行策略的模式对粒子群进行速度与位置变更,使原有的粒子群变成具有一定智能的粒子,从而达到提高搜索精度及效率的目的.通过Generalize-Schwefel等3个经典函数进行优化仿真后发现,该混合算法具有搜索精度更高及收敛速度更快的特点,同时该算法在求解高维问题时具有明显优势.     

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.     

采用群智能算法的多约束问题优化

为了解决约束优化问题,采用一种基于群智能算法优化的多约束问题优化方法.首先构造同时计及约束条件和优化适应度的目标函数,然后分别利用粒子群算法和人工蜂群算法优化其函数,从而获得约束条件下的优化解.仿真结果表明,该多约束问题优化方法是可行性的,人工蜂群算法比粒子群算法具有更好的搜索和收敛能力.     

基于高斯变异与Levy飞行策略的混合粒子群优化算法

目的 解决粒子群算法易陷入局部最优解、出现早熟收敛从而导致求解精度不高的缺陷.方法 将高斯变异(Gaussian M utation)、Levy飞行策略与基本粒子群优化算法(PSO)进行混合,提出一种称为GLPSO混合粒子群算法.在该算法中粒子通过Levy飞行更新自己的位置,若粒子在若干次迭代后无法产生更优值,则在保存当前最优值的前提下进行高斯变异来保持种群多样性.结果 与结论通过对基准测试函数优化的实验结果对比,GLPSO在5个基准测试函数中的优化精度和全局搜索能力优于其他对比算法,GLPSO有更加出色的全局搜索能力和更高的求解精度.     

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.     

基于分组简化粒子群算法的盲源分离

传统盲源分离算法普遍存在收敛精度低和易陷入局部最优的缺点,针对上述问题,提出将蛙跳算法的分组思想应用到盲源分离算法中.该分组思想是将整个粒子群分为多组子群体,每组粒子在进行组内寻优的同时进行全局寻优,从而增加了粒子之间的差异性,可以有效避免早熟收敛.该算法以负熵为目标函数,通过对分离矩阵进行调整,使各个信号分量之间相互独立,从而完成对瞬时混合信号的盲源分离.实验仿真结果表明,提出的算法与基本的粒子群盲源分离算法相比,能有效避免早熟收敛并进一步提高收敛精度和算法的稳定性.     

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。     

一种改进的粒子群优化算法

粒子群算法是一种新型的进化计算方法,已在许多领域得到了广泛的应用,但基本粒子群算法在计算过程中易出现过早收敛现象.为此提出了一种改进的粒子群算法,利用差异演化的思想,当陷入局部极小点时,通过一定的策略迫使粒子群摆脱局部极小点.对经典函数的测试计算,验证了方法的正确性和有效性.     

基于粒子群和人工蜂群算法的混合优化算法

提出一种基于粒子群(PSO)和人工蜂群算法(ABC)相结合的新型混合优化算法—PSOABC。该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由人工蜂群算法进化而来,并且在人工蜂群算法中按轮盘赌的方式选择个体进化所需的随机个体。此外,算法采用一种信息分享机制,使两个种群中的个体可以实现协同进化。对4个基准函数进行仿真实验并与ABC进行比较,表明本文提出的算法能有效地改善寻优性能,增强摆脱局部极值的能力。     

珊瑚礁算法的改进研究

珊瑚礁算法易于陷入局部最优且寻优精度低，因此提出一种改进的珊瑚礁算法.此算法借鉴粒子群算法、高斯变异和模拟退火算法的思想改进珊瑚礁算法的内部有性繁殖、无性繁殖和更替机制，提高了算法的寻优精度并可跳出局部最优.在仿真实验中，将改进珊瑚礁算法与基本珊瑚礁算法和粒子群算法等10种算法分别在高维和低维测试函数下进行比较.实验结果表明，改进的珊瑚礁算法不仅较其他算法具有更好的收敛速度和精度，而且在高维测试函数中，仍然可以保持良好的性能.     

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。     

基于高斯学习多峰延迟粒子群优化算法

为克服粒子群在解决多峰函数复杂问题时存在收敛速度慢和极易陷入局部最优值的缺点,提出了一种基于高斯学习多峰延迟粒子群混合算法。首先引入改进的高斯学习提高算法的收敛速度,然后在此基础上,针对4 种进化状态在算法中引入延迟因子避免局部最优问题。通过对6 个单峰多峰测试函数进行仿真实验,验证了GLPSO( Gaussian Learning PSO) 算法具有更好的收敛速度,同时验证了GLMDPSO( Gaussian Learning Multimodal Delayed PSO) 算法在处理多峰函数复杂问题时具备更好的全局搜寻能力。因此,改进算法在解决多峰函数寻优问题时可有效跳出停滞状态,提高收敛速度并具有较好的寻优能力。