粒子群遗传融合算法

提出一种融合粒子群算法和遗传算法改进优化算法,该算法首先采用一种自适应弹性粒子群算法,弹性地修正粒子速度的幅值,有效地避免了粒子群算法的早熟收敛问题。再与遗传算法融合,模仿自然界的个体成熟过程,对遗传算法中的每一代群体中的优秀个体,先采用自适应弹性粒子群算法获得进一步的提高。再经过提高、交叉、变异三步,获得最优解。以动态系统FCRNN的设计为例,改进算法收敛速度快,误差精度高。     

动态速度限制粒子群算法及其应用

根据梯级水电站优化调度特点,建立了粒子群算法求解多阶段最优化问题数学模型。针对基本粒子群算法早期存在精度较低、易发散等缺点,后期出现"趋同性"和"早熟"等现象,从算法参数方面对基本粒子群算法进行改进,提出了动态速度限制粒子群算法并与基本粒子群算法、改进型粒子群算法分别在雅砻江梯级水库群优化调度中应用,通过对其优化结果的比较,验证了改进策略在提高算法求解精度和收敛性能方面的有效性。     

基于遗传粒子群的图像融合算法及应用

为改善传统图像融合方法对细节信息的丢失,提出了一种基于遗传粒子群算法（geneticalgorithmofparticleswarmoptimization,GAPSO）的图像融合方法,该算法应用于像素级的图像融合,使图像融合问题归结为最优化问题．该算法结合遗传算法和粒子群算法的优点,对标准粒子群算法进行了改进,将交叉与变异算子引入到标准粒子群算法,提高了该算法的收敛性能和全局求解能力．实验结果表明,该算法获得的评价指标都优于遗传算法和PSO算法,且融合图像较好地从源图像中提取了有用信息,提高了融合质量．     

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。     

基于云遗传的混合混沌粒子群算法研究

为了解决PSO算法种群随机初始化遍历性差、易陷入早熟收敛以及不具备全局收敛性的缺点,提出一种基于云遗传的混合混沌粒子群优化算法,使用均匀性更优的无限折混沌叠映射实现粒子初始化,通过自适应云算子、改进的Metropolis接受准则以及动态调整粒子集规模等策略,实现了云遗传算法和PSO算法的协同,最后通过全局收敛性证明、时间复杂度和实验分析,验证了算法的有效性。     

基于并行交叉遗传粒子群算法的水文频率参数估计

针对水文频率参数估计问题,提出了基于并行交叉遗传粒子群算法的水文频率优化适线方法.该方法从初始种群的产生和编码、算法的执行方式和数据融合,以及其中的PSO算法的惯性权重三个方面对传统算法进行了改进.为了验证该算法的性能,分别采用矩法、权函数法、概率权重矩法、线性矩法、GA、PSO和文中所提出的算法,对某水文站的年径流量进行了研究分析,得到了各个方法对应的水文频率曲线,实验结果表明:文中提出的并行交叉遗传粒子群算法较其它6种方法,可以得到更小的离差平方和,该算法得到的水文频率曲线可以很好地拟合实测数据.     

基于改进粒子群算法排课问题研究

排课问题属于背包问题中具有重要实用价值的一类优化组合难题,描写了如何利用粒子群算法解决排课中的多种冲突.但由于粒子群算法有收敛速度慢且易收敛于局部最优的缺点,针对排课问题中最优解的分布特点,对粒子群算法进行了改进.改进后的算法与传统算法相比有着较高的收敛速度和计算精度,可以在解空间内高效地寻找到全局最优解.     

基于人工免疫粒子群优化算法的动态聚类分析

模糊C-均值聚类算法受初始化影响较大,在迭代时容易陷入局部极小值。将粒子群优化算法与模糊G-均值聚类算法相结合,提出一种新颖的动态聚类算法。该算法利用人工免疫思想改进粒子群优化过程,在很大程度上避免了粒子群算法和聚类算法早熟现象的发生,全局搜索能力和局部搜索能力优于同类算法。利用聚类理论中的经验规则kmax≤√n确定聚类数k的搜索范围,在最优粒子基础上进化新一级种群,该方案可有效提高算法的收敛速度。两组数据的仿真实验表明,新算法优于传统模糊C-均值聚类算法,具有收敛速度快和解的精度高的特点。     

Logistic动态粒子群优化算法的改进及分析

分析了Kennedy最新提出的高斯动态粒子群优化算法（GDPSO）的寻优模式,针对GDPSO的特点,结合粒子群优化算法的新寻优模式,提出了Logistic动态粒子群优化算法（LDPSO）;并基于LDPSO和GDP—SO的特性,设计了LDPSO算法的两种改进策略——混合优化策略和最优粒子变异策略,混合优化策略用以提高收敛速度,最优粒子变异策略用以保持群体多样性,避免算法陷入局部最优。实验结果显示了LDPSO及其改进算法的有效性。     

基于神经网络和粒子群算法的遗传位点与患病信息的关联性分析

基于遗传疾病与某些遗传基因位点存在的较强关联性,并考虑到位点间存在交互作用的情形,提出了关联性最强的位点组合的筛选方法。将每个候选位点组合对应的基于神经网络的预报准确率作为评价标准,用粒子群算法（PSO）通过迭代逼近找出最优的位点组合,并与神经网络权重分析法进行比较。结果表明,由本文方法得到的位点组合预报精度更高,对患病情况有着较好的识别效果,可为遗传疾病诊断等提供参考方法。     

基于遗传算法和粒子群优化算法的电力系统无功优化

从数学的角度分析,电力系统无功优化是一个多变量、多约束、非连续性的混合非线性规划问题,因此,优化过程十分复杂.以减少有功网损为目标函数建立电力系统无功优化计算的数学模型,基于遗传算法和粒子群优化算法,提出一种新颖的混合策略来求解无功优化问题.IEEE 6和IEEE 14节点系统的仿真计算结果表明:与单一的遗传算法或粒子群优化算法相比,该混合策略在优化效果方面具有明显的优势.     

基于动态和谐搜索的混合粒子群优化算法

针对粒子群优化算法随维数增大群体多样性相对减小而早熟收敛的问题,在对和谐搜索算法进行适应性改进的基础上,将其引入粒子群算法中,提出一种动态和谐搜索混合粒子群优化算法(DHSPSO).该方法使得粒子在搜索初期更具遍历性,降低算法对初始值的敏感性,并通过和谐搜索算法搜索的随机性和优胜劣汰机制改善粒子群的多样性,使得算法具有更快的收敛速度与更好的全局搜索能力.以多个标准测试函数优化进行仿真测试,结果表明,DHSPSO算法在进行高维优化问题时,在寻优速度、精度和成功率等方面均显示出良好的优化效果.     

基于混沌粒子群--专用遗传算法切换策略的移动机器人路径规划

为了发挥粒子群算法和专用遗传算法的各自优点,提出了一种将二者结合的切换优化策略。该策略前期采用一种基于种群最优个体混沌化的混沌粒子群算法,后期选用专用遗传算法。通过大量仿真实验确定了在迭代代数、种群标准差和最优个体适应度差三种切换指标下各自的最优切换条件。与单一专用遗传算法和单一混沌粒子群算法的仿真对比表明：本文提出的切换优化策略在综合路径长度、平滑性和规划时间三个性能指标后具有一定的优越性。     

基于目标级联法和粒子群算法的柔性分布式车间调度

针对传统的单车间调度优化不能满足分布式车间调度优化的需求,提出一种基于目标级联法和粒子群算法的层次化柔性分布式车间调度优化模型,其中的生产计划层负责零件的分配,车间调度层负责零件加工路线的规划.以2个柔性制造车间组成的调度优化问题为例,验证该调度模型的有效性.研究结果表明:所提出的模型在将加工零件合理地分配到适当车间的同时,实现了零件加工路径的规划,从而为解决柔性分布式车间调度优化问题提供一种有效方法.     

改进的粒子群优化算法在云计算任务调度中的应用

针对粒子群优化算法在求解云计算任务调度问题中存在的收敛速度慢、精度低、易陷入局部极值等缺陷,综合考虑最大完成时间最少、任务执行总时间最优两个优化目标,提出一种多策略融合的粒子群优化(multi-strategy particle swarm optimization, MSPSO)算法,并将其应用于求解云计算任务调度问题。该算法融合模拟退火算法、饥饿游戏搜索和双重变异限制策略。首先,通过模拟退火算法动态更新惯性权重,平衡粒子群优化算法的全局搜索和局部搜索,帮助粒子跳出局部极值。其次,引入饥饿游戏搜索算法优化粒子位置更新策略,在算法后期加快粒子收敛速度,提高结果精度。最后,采用双重变异限制策略,同时限制粒子速度和位置,避免粒子发生越界。与其他3种粒子群优化算法进行对比实验,在适应度平均值、最小值、标准差3个方面,MSPSO都有更好的表现。通过仿真,在求解不同任务量的云计算任务调度问题中,MSPSO在总成本、适应度值最小化两方面均表现出明显优势。尤其当任务量为40时,MSPSO总成本比其他算法分别降低了14.4%、15.3%、11.2%,适应度值分别降低了10.5%、10.6%、7.6%,...     

基于改进混合粒子群算法的服务动态选择方法

针对服务组合过程中的服务动态选择问题,建立带约束的Web服务组合QoS全局优化问题的描述模型,分析当前已有各种算法的缺陷和不足,提出一种改进混合粒子群算法的求解方法,并从可行性、有效性以及运行效率3个方面进行仿真实验。研究结果表明:改进的混合粒子群算法综合利用了群体自身信息、局部较优信息、全局较优信息以及遗传算法的交叉、变异、选择等操作对粒子进行更新,增强了粒子群的搜索空间和搜索效率,可以较好地解决服务组合中服务的动态选择问题。     

基于樽海鞘群与粒子群混合优化算法的特征选择

针对现有特征选择方法中存在的收敛速度慢和计算效率低等问题,提出了一种基于樽海鞘群与粒子群优化的混合优化(hybrid optimization of salp swarm algorithm and particle swarm optimization,HOSSPSO)特征选择方法,该方法在樽海鞘群算法(salp swarm algorithm,SSA)的基础上,引入粒子群优化(particle swarm optimization,PSO),提高了SSA的收敛速度,改进了探索和开发步骤的效率,增加了解空间更多的灵活性和多样性,使得方法能够迅速获得全局最优值.为了验证算法的性能,在2个实验序列上进行了测试:第一个实验序列使用基准函数,将HOSSPSO与标准SSA、PSO进行了比较;第二个实验序列采用不同的UCI数据集,通过提出的算法确定最佳特征集.实验结果表明,相比于其他优化算法,HOSSPSO的性能更具优势,在多项评估指标中获得较好的效果,能以极少量的特征获得最大的分类精度.     

自适应逃逸动量粒子群算法的数据库多连接查询优化

为了提高数据库多连接查询的优化效率,针对粒子群算法存在的早熟、局部最优等缺陷,提出一种自适应逃逸动量粒子群算法的数据库多连接查询优化方法.该算法首先将遗传算法的交叉机制引入粒子群算法中,以保持粒子群的多样性,避免早熟现象出现;然后,引入动量算法平滑粒子搜索轨迹,加快粒子群的收敛速度;最后,将该算法应用于数据库多连接查询优化求解,以获得最优的数据库多连接查询方案.仿真结果表明,该算法提高了数据库查询效率,缩短了查询响应时间.     

求解可重入作业车间调度问题的改进离散微粒群优化算法

本文针对可重入作业车间调度问题,对离散微粒群算法的搜索方式进行改进,混合一种变异机制,并结合Interchange邻域局部搜索机制,设计与开发有效的混合离散微粒群算法。通过实验仿真结果的比较,有力地证明了所提算法的有效性。