一种动态非线性改变惯性权的自适应粒子群优化算法

惯性权值线性递减(LDI)的粒子群算法不能很好地反映粒子搜索过程的复杂非线性行为,收敛速度和收敛精度仍不够理想。对此,提出一种动态非线性改变惯性权(DNI)的自适应粒子群算法。在该算法中通过引入非线性指数函数来描述惯性权值在进化过程中的动态变化特性,并通过数值实验确定了非线性函数关键控制参数的合适取值范围。通过典型测试函数验证算法的性能,并与文献报道的已有结果比较。实验表明:对单峰值函数优化问题,DNI自适应粒子群算法收敛速度明显优于LDI算法;对多峰值函数优化问题,DNI算法跳出局部最优的能力及收敛精度也好于LDI算法。     

惯性权自适应调整的量子粒子群优化算法

针对量子粒子群的惯性权值β线性递减不能适应复杂的非线性优化搜索过程的问题,提出了一种惯性权自适应调整的量子粒子群优化(DCWQPSO)算法.在该算法中,引入了量子粒子群进化速度因子sd和聚集度因子jd,并将惯性因子β表示为sd,jd2个参数的函数.在每次迭代时,算法可根据当前量子粒子群进化速度因子和聚集度因子动态地调整惯性权值,从而使算法具有动态自适应性.对典型的标准函数的测试结果表明,与量子粒子群算法相比,改进后的量子粒子群优化算法的收敛速度明显提高.     

一种自适应改变惯性权重的粒子群算法

针对标准粒子群算法收敛性和收敛速度的问题,分析标准粒子群算法惯性参数对算法性能优化的影响,提出一种自适应改变惯性权重的粒子群算法（ACPSO）。通过对粒子速度和位置变化过程的分析,并结合早熟收敛程度和个体适应值自适应的调整惯性权重,使得算法能在全局收敛性和收敛速度之间找到良好的平衡关系,并且通过典型的函数测试,表明此方法有效的控制了粒子群的多样性,而且具有良好的收敛速度。     

一种动态惯性权重的自适应粒子群优化算法

在标准粒子群算法中,权重过大导致最优点的搜寻能力降低,不能适应复杂的非线性优化搜索过程,动态惯性权重的自适应粒子群算法(APSO)解决了这一问题。在该算法中,粒子群中所有粒子适应度的整体变化可以跟踪粒子群的状态,在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性。通过对几种典型函数的测试结果表明,APSO算法的收敛速度和收敛精度明显优于LDW算法,从而提高了算法的性能。     

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.     

多惯性权重的自适应粒子群优化算法

惯性权重是粒子群优化算法重要参数之一,它能够平衡算法的全局搜索能力和局部搜索能力.为了利用已知惯性权重解决某些问题的优点,提出一种多惯性权重的自适应粒子群优化算法.首先定义了K步进化度的概念,然后基于进化度,从惯性权重集中随机选择惯性权重,使得适合解决某一问题的惯性权重在迭代过程中能够多次被使用,从而提高算法性能,把该...     

基于惯性权重自适应改变的混沌粒子群算法

粒子群算法是美国学者受鸟类觅食行为启发提出的一种群体优化算法,在迭代后期易早熟收敛.为此利用混沌运动的随机性、规律性和遍历性的特点对粒子群算法进行优化,提出了一种惯性权重自适应改变的混沌粒子群算法.在算法中对惯性权重进行调整加快算法前期收敛速度,而且加入了变异操作以帮助粒子后期跳出局部极小.最后用测试函数进行仿真实验,结果表明该算法收敛快,寻优能力强,寻优精度高.     

一种搜索空间自适应变化的自适应粒子群算法

提出一种搜索空间自适应的自适应粒子群优化算法.该算法对不同等级的粒子适应值采取不同的惯性权重,并随着算法的迭代不断缩小粒子群的搜索空间.同时,选择当前代的较优部分粒子直接进入下一代,其他粒子通过在缩小的搜索空间内随机生成,加快了种群收敛速度,同时又能使种群不断跳出局部最优解.几种典型函数的仿真实验表明,该算法在收敛速度...     

一种动态惯性权重的粒子群优化算法

自粒子群优化算法被提出以来,由于其收敛速度快、易实现,得到了快速发展和广泛应用.在此提出了一种改进型的粒子群优化算法,主要特点是随进化代数的增加而动态非线性减小惯性权重,以此改善演化后期收敛速度迅速降低的问题.为了评价其性能,选取了5个基准函数进行测试,并与惯性权重线性递减的粒子群优化算法作了比较.数字仿真表明,改进算法能极大地提高搜索性能.     

基于自适应惯性权重的混沌粒子群算法

针对粒子群优化(particle swarm optimization,PSO)算法易陷入早熟的缺陷,提出了一种基于自适应惯性权重的混沌粒子群算法。首先利用立方映射产生的混沌序列对粒子位置进行初始化,为全局搜索的多样性奠定基础;然后采用自适应惯性权重优化策略,提高收敛速度;最后如果判断算法陷入早熟,则对算法进行混沌扰动,使其跳出局部最优。仿真实验结果表明,改进算法的收敛速度及收敛精度都有明显提高,能有效地避免早熟。     

粒子群优化算法的惯性权值递减策略研究

为了有效地控制粒子群优化算法的全局搜索和局部搜索，基于递减惯性权值的基本思想，在现有的线性递减权值策略的基础上，提出了开口向下抛物线、开口向上抛物线和指数曲线3种非线性的权值递减策略，并采用Sphere、Rosenbrock、Griewank和Rastrigrin这4个标准测试函数测试这些策略对算法的影响．试验结果表明，对于多数连续优化问题，在初始权值和最终权值相同的情况下，凹函数递减策略优于线性策略，而线性策略优于凸函数策略，凹函数递减策略能够在不影响收敛精度的情况下较大幅度地提高粒子群算法的收敛速度．     

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。     

基于混沌理论和自适应惯性权重的PSO算法优化

针对粒子群算法固定惯性权重和早熟收敛的缺陷,提出一种动态自适应惯性权重调整策略,有效增强了算法的全局和局部寻优能力;并针对早熟问题,采用混沌映射方法增加种群多样性,同时利用负梯度方向调整群体极值,极大降低了算法陷入局部极值的概率.通过在多个常用测试函数上与其他算法比较,证明了所提改进粒子群算法的正确性和有效性.     

一种基于种群多样性的自适应粒子群算法

以信息熵的角度研究了种群多样性测度的指标,提出了一种新的自适应粒子群算法.通过对种群多样性测度新指标的应用,采用保留最优个体的精英保留变异操作、新的速度项和动态惯性权重等技术,有效提高了种群的多样性.仿真试验说明了本文算法的优点.     

改进型耗散粒子群优化算法

通过对标准粒子群优化算法中惯性权重的分析和对耗散理论的研究,提出了一种惯性权重正弦调整的耗散粒子群优化算法(S-DPSO),并对该算法进行了深入的分析和研究.通过对4个典型函数的仿真测试,试验结果表明S-DPSO在收敛速度和全局收敛性方面都比标准粒子群优化算法、随机惯性权重粒子群优化算法、惯性权重正弦调整粒子群优化算法、耗散粒子群优化算法和随机惯性权重耗散粒子群优化算法有明显改进.理论分析和仿真试验验证了S-DPSO的正确性和有效性.     

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.