应用粒子群序列二次规划算法的结构可靠性优化

针对粒子群算法在寻优过程中局部搜索能力较差、后期收敛慢的缺点,提出使用序列二次规划法来改进粒子群算法的局部搜索性能。该混合算法既保持了粒子群算法全局收敛的特点,又补充了序列二次规划法精确求解的能力,因此该算法可以快速获取全局最优解。应用于经典测试函数,可得到较高精度的最优解,验证了算法的有效性。对实际齿轮减速器进行结构可靠性优化设计,建立了结构可靠度约束下最小体积的优化模型,并用该混合算法方法进行优化计算,仿真计算结果表明:该方法解决结构可靠性优化问题是合理有效的。     

禁忌粒子群算法在几何约束求解中的应用

约束问题可以转化为优化问题。针对粒子群优化算法在算法后期易陷入局部最优的缺点，本文提出禁忌粒子群优化算法（TPS0），在算法的前期采用粒子群算法快速产生全局最优解信息素的初始分布，后期引入禁忌搜索算法，记录已经达到的局部最优解，在下一次搜索中，不再或者有选择地搜索这些点，从而跳出局部最优点，并且在搜索过程中允许接受劣解，充分利用禁忌搜索的记忆能力及较强的爬山能力，大大提高了获得全局最优解的概率。该算法综合了粒子群优化算法的快速性、随机性和全局收敛性以及禁忌搜索局部寻优的能力。在确保全局收敛性的基础上，能够快速搜索到高质量的优化解。该方法用于几何约束求解的性能明显高于标准粒子群算法，算法具有良好的优化性能和时间性能。     

一种新的求解优化问题的混合粒子群算法

将粒子群优化算法与一种自适应局部搜索算法相结合,提出了一种新的混合粒子群优化算法,使粒子群算法寻优过程中的全局搜索能力和局部搜索能力良好平衡;采用了典型函数和模糊神经网络优化问题对算法性能进行测试,并与其它方法进行比较.实验结果表明,这种混合粒子群优化算法能获得质量更好的解,具有较高的收敛性,特别是在高维复杂函数优化上具有很强的竞争力,其性能大大优于单一的优化方法.     

一种新的求解优化问题的混合粒子群算法

将粒子群优化算法与一种自适应局部搜索算法相结合,提出了一种新的混合粒子群优化算法,使粒子群算法寻优过程中的全局搜索能力和局部搜索能力良好平衡;采用了典型函数和模糊神经网络优化问题对算法性能进行测试,并与其它方法进行比较.实验结果表明,这种混合粒子群优化算法能获得质量更好的解,具有较高的收敛性,特别是在高维复杂函数优化上具有很强的竞争力,其性能大大优于单一的优化方法.     

超越方程的全局优化解法

现有的粒子群算法在求解超越方程时具有局部搜索能力差、后期收敛速度较慢的缺陷,导致了粒子群算法无法得到较为精确的超越方程的根.在粒子群算法的基础上,加入局部搜索能力较好、后期收敛速度较快的拟牛顿算法,依照算法的进程自动甄选粒子群算法和拟牛顿算法,充分发挥粒子群算法的全局搜索性能和拟牛顿法的局部搜索性能,进而将超越方程转化为了纯粹的函数优化问题,并基于此方法进行求解实验,结果表明该方法具有极高的收敛速度和求解精度.     

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.     

基于侦察学习策略的粒子群算法优化

针对粒子群算法收敛能力不足和易陷入局部最优的问题,提出了一种基于侦察学习策略的新型粒子群算法。 算法首先利用拓扑结构构建粒子种群,其次采用联合因子均衡算法的局部搜索能力和全局搜索能力,并通过侦察学习策略改进算法的速度和位置公式进而产生候选解;Wilcoxon 秩和检验结果和CEC2017 基准函数检测结果表明,新型粒子群算法的收敛能力,最优解精度以及算法稳定性更好,说明算法性能得以提升。     

基于Memetic框架混合群智能算法的NARMAX模型参数辨识

针对NARMAX模型的参数辨识问题,提出一种新颖的混合群智能算法.该算法在Memetic算法框架的基础上,采用粒子群算法与人工蜂群算法融合作为全局搜索策略,采用单纯形优化法作为局部搜索策略.针对三个复杂程度不同的NARMAX模型进行的参数辨识仿真实验,结果显示,与标准人工蜂群算法和随机惯性权重粒子群算法相比,新算法无论在鲁棒性还是求解精度上都具有一定优势.     

求解作业车间调度问题的混合QPSO算法

文章使用混合量子粒子群优化算法求解作业车间调度问题,并设计了一种基于工序的编码方式;为了克服量子粒子群优化算法容易陷入局部最优的缺点,将模拟退火算法引入量子粒子群优化算法,使算法具有跳出局部最优的能力并增强其全局搜索能力,形成量子粒子群-模拟退火调度算法;仿真结果表明,混合算法具有良好的全局收敛性能.     

基于改进粒子群算法的自适应波束形成

基于最小均方误差准则,将自适应波束形成的权值求解问题表示为多目标优化模型,利用提出的改进粒子群优化算法,获得了阵列最优权值向量.改进粒子群优化算法中引入动态邻域拓扑结构,自适应调整粒子的领域搜索范围,避免粒子陷入局部最优.仿真结果表明:所提算法的收敛速度优于传统算法.     

全局粒子群优化算法

针对粒子群优化算法在解决大维数的无约束优化问题时具有较差的收敛性和稳定性,提出了一种全局粒子群优化(GPSO)算法.GPSO算法引入了一种新的惯性权重,它被定义为一个指数型函数与一个随机数的乘积,这有利于维持算法的全局搜索和局部搜索.同时,GPSO算法对全局最优解进行了小的扰动,这可以有效地避免算法早熟.使用三种粒子群优化算法来解决6个无约束优化问题.仿真结果说明,与其他两种粒子群优化算法相比,GPSO算法具有更快的收敛速度和更强的逃离局部最优的能力.     

一种新的交叉粒子群算法

针对标准粒子群优化算法(SPSO)在处理高维复杂问题极易陷入局部最优的不足,文章在研究标准粒子群优化算法理论基础上,提出了一种带交叉因子的改进粒子群优化算法(MyPSO),减小了算法陷入局部极值的可能。仿真实验表明,该算法(MyPSO)提高了全局搜索能力,但同时增加了搜索时间。     

一种新的优化神经网络权值算法及其应用

为克服和改进BP算法的不足,文章在分析遗传算法(GA)和粒子群优化(PSO)算法优越性与不足的基础上,提出了一种基于GA和PSO结合的算法——GA-PSO算法,用于训练神经网络权值.算法产生下一代个体时,不仅采用交叉和变异算子,而且在重新定义局部最优粒子的基础上,引入粒子群优化算法,有效地结合了遗传算法的全局收敛性能和粒子群优化算法的局部搜索能力.通过对异或问题和IRIS模式分类问题的学习,仿真结果明显好于单纯地用GA或PSO进行前向神经网络训练,能有效避免早熟收敛的同时,提高搜索精度.     

基于分数阶位置状态的量子粒子群算法

由量子力学的概念和粒子群优化算法的结合,量子行为粒子优化算法作为粒子群算法的一个变种,具有更好的全局搜索能力.为了提高量子粒子算法的全局搜索能力,结合分数阶微积分的概念,本文提出了一种新的算法.该算法将分数阶微积分中常用的GL定义引入了量子粒子算法的更新迭代公式中,利用分数阶微积分的长时记忆特性,通过记忆量子粒子在更新迭代过程中的历史位置和历史信息,增强算法的收敛速度和收敛精度.为了全面评估算法的基本性能,本文进行了一些关于基本测试函数的功能测试.通过对于不同阶次的分数阶量子粒子算法的对比实验和与其他粒子群改进算法的对比实验,实验结果表明,该算法具有更高的收敛精度.     

面向单目标优化的集成粒子群算法

串行粒子群算法广泛应用于多个领域,出现了多个变种,但解决不同种类的优化问题时性能有差异.为提高串行粒子群算法对各种优化问题的适应能力,提出一种集成粒子群优化算法.新算法使用Matlab的单程序多数据并行结构发挥单节点多核计算能力,通过设置外部档案分享不同粒子群的全局最佳位置,促进不同串行粒子群算法之间的信息交流,综合利用不同串行粒子群算法在解决不同类型优化问题的优势.在广泛使用的测试函数集上开展仿真实验,结果验证了新算法的有效性,与多个知名的串行粒子群算法相比,新算法在寻优性能上优势明显.新算法不仅能够提高粒子群算法的适应能力,而且,所采用的算法框架也适应于其他群智能算法,改善了算法的性能.     

一种TDCS自适应粒子群导频优化设计算法

为了解决变换域通信系统(transform domain communication system,TDCS)基函数存在不可用频带而产生的导频优化设计问题,提高TDCS的信道估计精度,提出了基于自适应粒子群算法的TDCS导频优化设计.构建TDCS信道估计模型,分析不可用频带对信道估计性能的影响并建立导频优化模型,设计导频优化的适应值函数和自适应惯性权重,通过粒子群算法对导频的位置和功率进行优化.在不同干扰环境下的仿真结果表明,新算法较传统粒子群算法收敛速度更快,优化能力更强,其信道估计精度和误码率性能接近最优导频.与等间隔等功率导频相比,在单干扰和多干扰频带下误码率分别有2.6 dB和2.2 dB的性能增益.     

分段式微粒群优化算法

提出一种分段式微粒群优化算法。该算法将所要搜索的区域分成若干段,首先在每一区段内搜索出区段的最优位置,然后将各区段的最优位置组成一微粒群,继续搜索全局最优位置。通过对5个常用标准测试函数进行优化计算,仿真结果表明:分段式微粒群优化算法能有效地搜索到全局最优解,具有比基本微粒群优化算法更快的搜索速度和更好的优化性能。     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

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。     

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。