一个求解约束优化问题的混合算法

通过引入Hook-jeveese搜索法和可行基规则,提出一个求解约束优化问题的混合算法—Hook-jeveese搜索法和与可行基规则相结合改进的微粒群算法的混合算法.与惩罚函数法相比,可行基规则不需要额外的参数,且指引粒子迅速飞向可行域.并利用6个典型实例问题进行仿真计算比较,仿真结果表明了新算法是求解约束优化问题的一个高效的算法,而且获得了一些比以往文献更好的解.     

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法,已在许多领域得到了非常成功的应用。本文以约束优化问题为对象,首先介绍了采用罚函数法将约束优化问题化为无约束优化问题,和将约束优化问题转化为minmax问题,然后对无约束优化问题和minmax问题,采用PSO算法进行进化求解;在此基础上,以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

Powell搜索法和惯性权重非线性调整局部收缩微粒群算法的混合算法

提出一种求解无约束最优化问题的新的混合算法Powell搜索法和惯性权重非线性调整局部收缩微粒群算法的混合算法.该算法不需要计算梯度, 容易应用于实际问题中.通过对微粒群算法的修正, 使混合算法具有更加精确和快速的收敛性.首先利用20个基准测试函数进行仿真计算比较, 计算结果表明, 新混合算法在求解质量和收敛速率上都优于其他算法(PSO, GPSO和NM-PSO算法).其次, 将新混合算法和最新的各种协同PSO算法进行分析比较.结果表明, 新混合算法在解的搜索质量、效率和关于初始点的鲁棒性方面都远优于其他算法.     

基于信赖域技术的局部收缩的微粒群算法

为了改善标准的微粒群优化算法(SPSO)的性能,给出一个新的速度更新策略——局部收缩策略,且把信赖域技术引入PSO算法中进行惯性权重的动态调整,提出一个新的微粒群优化算法——基于信赖域技术的局部收缩的微粒群算法.新算法(NPSO)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.利用10个测试函数测试新算法的性能,并分别与SPSO、与混沌相结合的微粒群算法(PSOC)、具有被动聚集的微粒群算法(PSOPC)、SPSO的全局版本及带有收缩因子的微粒群算法(CPSO)比较,实验结果表明,新算法(NPSO)大大地改善了实例测试函数的表现.       

求解约束优化问题的改进微粒群算法

微粒群算法在处理约束条件时最常采用的方法是约束保持法,但该方法易使粒子在搜索中停滞不前,为了改进传统约束保持法的缺点,将微粒群算法与信赖域算法相结合,从而保持了粒子的多样性并使最优解在可行域内。另外,采用与信赖域搜索技术相结合的随机惯性权重,改善了算法的全局寻优能力,提高了算法的收敛速度和计算精度。实验结果表明：与标准微粒群算法和一些其他优化算法相比,改进算法具有较强的寻优能力和寻优效率。     

一种求解约束优化问题的微粒群算法

约束保持法是目前求解约束问题时处理约束的主要方法之一,该方法的思想是确保进化过程中所有粒子始终在可行域范围内。本文借鉴复合形法的思想,提出一种求解约束优化问题的新方法。当粒子超出可行域范围时,通过反射、扩张、收缩等操作,为粒子重新产生一个可行位置。通过对标准函数仿真实验表明,该算法实现原理简单,而且能得到较优的解。     

求解约束优化问题的改进粒子群优化算法

针对约束优化问题,提出了一种改进的粒子群优化算法.该算法利用罚函数法将约束优化问题处理为无约束优化问题,并利用可行基规则来更新个体极值和全局极值,使不可行的粒子尽快飞向可行域,显著提高了算法的全局搜索能力.在标准粒子群算法研究基础上,为了提高粒子群算法求解非线性复杂优化问题的性能,对速度方程和惯性权重做了改进.数值算例表明,该算法是求解约束优化问题的一种较为有效的全局优化算法.     

一个关于无约束最优化的Powell搜索法和微粒群算法的混合算法

该文提出一种求解无约束最优化问题新的混合算法--Powell搜索法和微粒群算法的混合算法.主要目的是通过加入混合策略证明标准微粒群算法是能够被改进的.仿真结果证明了新算法是求解无约束最优化问题的一个高效的算法.     

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.     

约束函数估值策略辅助的微粒群算法

针对约束函数计算费时的优化问题,提出了一种基于分类器的预测微粒群算法。通过构造一个分类器对种群个体进行约束条件满足与否的估计判断,从而减少约束函数的计算时间,缩短整个优化时间。在13个标准测试函数上的测试结果表明,本文提出的方法可以大大减少约束函数的实际计算次数。     

融合简化粒子群的教与学优化算法

教与学优化算法(teaching-learning-based optimization algorithm,TLBO)是一种基于班级"教师阶段"和"学生阶段"的新型群智能优化算法.针对算法求解高维非线性复杂优化问题时精度较低的缺点,提出一种混合的教与学优化算法(HTLBO).首先,对"教师阶段"中的学生平均水平重新定义,并采用一种自适应策略根据粒子的适应度值对学习因子动态取值;然后,在迭代的过程中,根据适应度值将种群分成两个子种群,对于适应度值好的子种群采用改进的教与学优化算法(ATLBO)更新以增加种群的多样性,对于适应度值差的子种群采用简化粒子群算法(SPSO)以提升子种群的收敛性;最后,通过10个无约束优化问题进行对比测试实验,结果显示,HTLBO在探索性能和收敛速度方面优于TLBO等其他4种类型的算法.     

带有局部信息策略的粒子群优化算法

考虑到粒子群中每个粒子周围的局部信息对它未来飞行的影响,为此本文改进了基本粒子群优化的速度方程．提出了一种带有局部信息策略的粒子群优化算法,对典型优化问题的实例仿真说明了带有局部信息策略的粒子群优化算法具有更好的全局搜索能力和更高的计算精度．     

约束优化问题的改进粒子群优化算法

提出一种求解约束优化问题的改进粒子群优化算法.该算法更多地考虑了当前全局最优粒子和个体最优粒子对粒子群搜索能力的影响,对速度更新公式做了改进;然后利用修正的可行基规则来更新个体极值和全局极值,从而引导不可行粒子尽可能到达可行的区域,以增加种群的多样性和提高全局搜索能力.数值实验表明,该算法是有效、稳定且计算精度高的全局...     

一种改进的粒子群优化算法

提出一种改进的粒子群算法(EDAPSO).这种改进算法结合分布估计算法的探索能力和粒子群算法的开发能力.首先利用EDAPSO算法解决无约束的问题,并且比较EDAPSO算法与其他三种经典的粒子群算法的结果.无约束问题的实验结果表明:EDAPSO算法可以找到更好的解,并且稳定性更高.然后EDAPSO算法被用来解决含有13个单元的电力系统的负荷经济分配问题.实验结果表明:EDAPSO算法所获得的解比近期文献所报道的解好.     

改进的粒子群算法

为了改善基本粒子群算法的搜索性能,针对粒子群算法随机性较强,收敛较慢的问题,提出了基于退火思想的改进的粒子群优化算法,新的算法更有利于粒子发现问题的全局最优解。通过对经典函数的测试计算,验证了方法的正确性和有效性。     

微粒群优化算法研究

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种启发式全局优化技术.通过介绍微粒群优化算法的原理、算法流程、算法参数及其对算法性能的影响,给出了各种改进的微粒群算法形式以及研究现状,归纳了微粒群算法的国内外应用进展及研究方向.     

一种离散型多目标粒子群优化算法

为获得更好的非劣前端,提出一种离散型多目标粒子群优化算法。该算法根据离散型多目标优化问题的特点,将种群分成多个子种群,在各个子种群中利用表现型共享的适应度函数选择每个子种群的最优粒子。通过多个最优粒子的引导,使整个种群分布更均匀,避免陷入局部最优,保证了解的多样性。实验表明了该算法的有效性。