改善微粒群算法多样性的多子群动态聚合

针对微粒群算法的群体多样性问题,将无标度网络形成过程中的择优连接机制引入微粒群算法的群体构造过程中,提出了一种多子群动态聚合的微粒群算法．依据算法搜索的状态,当某个子群面临搜索困境时,择优选择优秀子群建立连接,随着搜索的不断推进,微粒群体由多个独立的子群逐步聚合为一个类无标度群体网络．通过仿真实验发现,该算法通过调整微粒的邻域规模和连接方式平衡了算法的勘探和开发的能力,获得了较好的收敛性能．     

面向多模态函数的自适应混沌爬山微粒群算法

针对微粒群算法在多模态函数优化中难以找到全部极值点以及陷入局部最优和后期收敛速度慢等缺陷,提出了一种基于熵的自适应混沌爬山微粒群算法.算法根据熵的值来衡量种群多样性,当发现种群多样性匮乏时,采用动态混沌机制增强多样性;后期融入了局部收敛速度较快的爬山算法提高微粒群算法的后期收敛速度.4种典型多模态函数测试结果表明该算法在求解复杂多模态函数优化问题方面的可行性.     

一种改进的自适应微粒群优化算法

为了提高微粒群算法(PSO)优化高维目标的性能,提出了个体惯性权重自适应调整微粒群算法(PSO-IIW).PSO-IIW中微粒拥有个体的惯性权重以满足不同微粒对全局和局部搜索能力的不同需求,此权重在对微粒每次进化后的适应值进行评价的基础上被自适应地调整,以加快其收敛速度并逃离局部最优.用该方法与其他两种不同微粒群优化算法对3个经典函数在80,120和160维数进行仿真的结果进行比较,证明在解决高维度目标时可以有效提高微粒群算法的性能.     

复杂函数优化中的一种扩展微粒群算法

为了提高标准微粒群算法处理复杂函数时的优化性能,引入了一种扩展形式的新微粒群算法。该算法充分利用了微粒群算法中两个量的优点：群体最优位置利于引导个体快速进化、个体最优位置的中心利于增强群体的多样性。新算法是标准微粒群算法的扩展形式,同时保持了迭代公式的简洁形式。通过复杂函数优化的数值模拟表明,扩展的微粒群算法较标准微粒群算法在寻优能力上有明显的提高。     

面向高维度目标函数的微粒群优化算法

针对基本微粒群算法在处理高维度目标函数容易出现早熟的问题,提出了一种新的微粒群算法面向高维度目标函数的微粒群算法(HDOF-PSO).分析了基本微粒群算法难以处理高维度目标函数的原因.通过引入信心度和试探策略,算法的收敛速度得到提高;通过引入成功度,搜索过程中的变异概率能够自适应修正.在特定测试函数集上的实验表明,HDOF-PSO在处理高维目标函数时,比基本微粒群算法和一个改进的微粒群算法具有更快的收敛速度和更好的收敛性.     

一个与信籁域搜索技术相结合的微粒群算法

微粒群优化算法(PSO)是一种有效的随机全局优化技术.文章针对利用微粒群优化算法进行多极值点的函数优化时,存在陷入局部极小点和搜索效率低的问题,把信籁域搜索技术引入到PSO算法中,提出了基于信籁域搜索的微粒群优化算法(TRPSO).该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度.仿真计算结果表明,该算法的性能优于混沌微粒群优化算法(CPSO)和基本微粒群优化算法(PSO).     

惯性权重线性调整的局部收缩微粒群算法

针对微粒群优化算法存在陷入局部极小点和搜索效率低的问题, 给出一个新的速度更新策略局部收缩策略, 并提出一种改进的微粒群优化算法, 该算法保持微粒群优化算法结构简单的特点, 改善了微粒群优化算法的全局寻优能力, 提高了算法的收敛速度和计算精度. 仿真计算结果表明, 改进的算法性能优于混沌微粒群优化算法、 微粒群优化算法和带有收缩因子的微粒群算法.     

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。     

异步随机微粒群算法

在研究微粒群算法生物特征的基础上，提出了一种异步随机微粒群算法——ASPSO．该方法是在微粒的进化过程中，采用异步模式使全局最好位置信息以异步方式在种群中传播。从理论上证明了ASPSO与同步模式微粒群算法SPSO相比较具有更快的局部收敛速度，并对四个经典测试函数进行了仿真测试，测试结果表明：与SPSO相比，ASPSO算法具有更快的收敛速度。     

工程项目多目标协同优化研究

将微粒群算法(particle swarm optimization,PSO)引入工程项目多目标协同优化领域,研究工程项目的质量、费用、资源和工期的协同优化问题。文章首先系统介绍微粒群算法原理、流程以及算法的改进发展,然后研究了工程项目质量、费用、工期和资源的协调功效系数,并建立了质量、费用、工期和资源的多目标协同优化模型,接下来介绍了应用微粒群算法编码解决工程项目多目标优化的方法步骤。最后,通过一个应用实例,计算表明微粒群算法可以准确快速地解决工程项目多目标协同优化问题。     

基于改进粒子群算法优化电梯群控系统

给出的粒子群优化算法是一种群智能优化技术,利用群体和个体的智能行为来求解组合优化问题,并将多目标问题分别在粒子的各子种群中以内在并行的方式搜索多个非劣解,同时对各子种群粒子的适应度采用积分排序,较好地解决了电梯群控系统的多目标问题。充分弥补了传统方法解决多目标问题出现的不足。针对不同客流强度进行分析,分别得到不同平均的候梯时间和乘梯时间,结果表明采用此种改进的粒子群算法充分保证了算法的收敛速度和精度。     

基于粒子群的多目标多执行模式项目调度

聚焦多目标多执行模式特点下的项目调度问题,通过建立工期、费用、资源和质量多目标函数,构建综合优化模型,同时运用粒子群算法解决工程项目多目标多执行模式优化问题.最后,通过一个应用实例计算,表明粒子群算法可以准确快速地解决该模型下的工程项目多目标优化问题,达到了项目调度中面对不同模式进行抉择,并且缩短工期、减少成本、均衡资源以及提升质量的综合的理想效果.     

精英竞争和综合控制的多目标粒子群算法

目的 多目标粒子群算法虽然极易实现且收敛速度快,但在平衡其收敛性和多样性方面仍需进一步改善。方法 针对上述问题,提出一种精英竞争和综合控制的多目标粒子群算法(ECMOPSO)。一方面,算法采用全局损害选择精英粒子集,然后将两两竞争引入多目标粒子群算法中,通过精英竞争选取优胜者粒子,将其与全局领导者融合形成更全面的社会综合信息,以增强种群中粒子之间信息的交互性,更好引导种群中的粒子飞行,提升算法全局探索能力;另一方面,结合全局损害和基于位移密度估计对外部存档进行维护,从而提高外部存档中非劣解的质量,平衡算法的收敛性和多样性。结果 将ECMOPSO算法与4个多目标粒子群算法和4个多目标进化算法在ZDT和UF系列基准测试问题上进行仿真实验,并采用Wilcoxon秩和检验和Friedman秩检验比较ECMOPSO算法与所选对比算法的整体性能。实验结果表明：相比其他几个对比算法,ECMOPSO算法的收敛能力、解的分布性以及稳定性都得到了一定的提升。结论 ECMOPSO算法可以很好地平衡收敛性和多样性,提升其整体性能,能有效求解大多数多目标优化问题。     

一种新颖的多目标优化算法

粒子群算法的特性使得其在解决多目标优化问题时具有很强的竞争性,提出了一种结合小生境思想和在线归档策略的多目标粒子群优化算法,该算法能够在进化过程中保持优良种群。通过3个测试函数来评价算法性能并将算法与NSGA-II做比较,结果表明提出的算法的时间耗费明显小于NSGA-II算法且解集沿着Pareto非劣最优目标域有很好的扩展性。     

基于多目标粒子群优化的服务选择算法

基于多目标粒子群优化算法提出一种高效的服务选择算法(MOPSOSS).首先将服务选择问题建模为带QoS约束的多目标组合优化问题;其次,根据支配的概念构造远小于原子服务集的新子服务集;最后基于多目标粒子群优化算法求解由新子服务集构成的服务选择问题,从而获得一组满足约束的pareto最优解.理论分析表明,MOPSOSS能正确、高效地求出原问题的全局最优解.与遗传算法(GA)的对比结果表明当问题规模大于150时,MOPSOSS的平均运行时间仅为GA的7%,求出的解的个数是GA的1.15倍,75%的解能支配GA求出的解,分布广度是GA的1.5倍.随着约束强度的增加,MOPSOSS的平均运行时间减少,而解的质量并无显著下降.与GA相比,MOPSOSS能用更短的时间求出更多高质量的解.     

认知无线网络中基于HJ-DQPSO优化的频谱分配机制

在认知用户和授权用户共存的认知无线网络模型中,为了解决认知无线网络中最大化网络效益和用户间接入网络的公平性联合最优化的多目标频谱分配难题,提出了一种新的基于 hooke jeeves（HJ）计算和量子粒子群（quantum particle swarm optimization,QPSO）理论的离散多目标组合优化机制,即 HJ-DQPSO 优化机制。该机制中,提出了采用 HJ 算法进行局部搜索,防止陷入局部最优,并对 QPSO 算法进行离散化处理以便更匹配离散的频谱分配模型。与现有的频谱分配算法进行仿真性能比较,实验结果表明,该机制具有逼近最优解、快速收敛、不易陷入局部最优、参数设置少的特点。在不同的优化目标情况下,能够较好地逼近频谱分配最优解而且可以实现快速收敛,在满足多个优化目标的情况下可以获得更合理的频谱分配方案。     

Dynamic Multi-objective Optimization of Chemical Processes Using Modified Bare- Bones MOPSO Algorithm

Dynamic multi-objective optimization is a complex and dimcult research topic of process systems engineering. In this paper. a modified multi-objective bare-bones particle swarm optimization （ MOBBPSO） algorithm is proposed tbat takes advantage of a few parameters of bare-bones algorithm. To avoid premature convergence. Gaussian mutation is introduced; and an adaptive sampling distribution strategy is also used to improve the exploratory capability. Moreover. a circular crowded sorting approach is adopted to improve the uniformity of the population distribution. Finally. by combining the algorithm with control vector parameterization. an approach is proposed to solve the dynamic optimization problems of chemical processes. It is proved that the new algorithm performs better compared with other classic multiobjective optimization algorithms through the results of solving three dynamic optimization problems.     

6-RSS并联机器人机构多目标优化设计

针对6-RSS并联机器人机构,以工作空间和速度全域性能为目标建立多目标优化模型,并使用改进的基于动态聚集距离多目标粒子群优化算法求解。为了快速有效地求解6-RSS并联机器人机构的工作空间,本文采用蒙特卡洛方法;为了求解带约束的6-RSS并联机器人机构多目标优化模型,将随机排序法引入基于动态聚集距离多目标粒子群优化算法。结果表明,该方法可以得到多个Pareto解供使用者选择,体现了多目标优化设计在并联机构设计中的有效性。     

改进差分进化算法在铝电解多目标优化中的应用

针对多目标优化问题,提出一种改进的差分进化算法(DE).该改进算法首先将DE与粒子群优化算法(PSO)结合,提高DE的收敛速度,然后引入多种群进化策略,有利于维持Pareto解的多样性.同时,在综合考虑机理与工艺的基础上建立铝电解多目标优化模型,并应用改进算法进行求解.仿真结果表明:在电流效率为92％时,改进算法所得的直流功耗为14.03 MW.h/t,比NSGA-Ⅱ的直流功耗降低了1.45％,比传统DE的直流功耗降低了1.75％.表明本文改进算法有效地提高了传统进化算法的性能.     

基于偏好的多目标粒子群优化的结晶器预测控制

针对结晶器出口温度和液位控制问题,提出了一种基于改进的偏好多目标粒子群优化的非线性预测控制算法（IMPSO-NPC）。改进的偏好多目标粒子群优化算法（IP-MPSO）将参考点偏好算法和参考区域偏好算法融合在一起,在参考点和参考区移动过程中动态调整参考区,控制解集的偏好范围。另外,为了选取粒子群全局最优粒子,提出一种球扇占优的策略,提高了粒子群的搜索能力。将改进算法应用于结晶器的控制过程,仿真结果证明了其有效性和可行性。