粒子群算法惯性权重的研究

粒子群算法惯性权重ω的设置其极重要,直接影响算法性能.本文利用云发生器对惯性权重进行调整,对其取值范嗣做了进一步的研究,并应用于粒子群算法的改进.以高维函数优化为实例,实验仿真结果表明,新算法的全局搜索能力、收敛速度,精度和稳定性均有了显著提高.     

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。     

一种改进惯性权重策略的粒子群优化算法

针对惯性权重改进策略大多采用同代粒子使用相同权重,忽略了粒子本身特点以及不同维上的有效信息,提出一种基于不同粒子不同维的动态自适应惯性权重粒子群算法(AWPSO)。在该算法中利用矢量运算分析粒子进化公式,用一种新的方法构造惯性权重公式,使惯性权重随不同代不同粒子不同维动态改变,加快粒子收敛速度和全局搜索能力。通过对7个典型测试函数的测试结果表明,AWPSO在收敛速度,收敛精度,全局搜索能力方面比线性惯性权重粒子群算法(LDIWPSO)均有不同程度上的提高。     

一种改进的动态惯性权重粒子群优化算法

针对粒子群算法在寻优过程中容易陷入局部最优,以及难以平衡求精和求泛的能力,提出一种动态惯性权重粒子群优化算法。该算法同时考虑到粒子的进化速度和集聚程度对算法寻优的影响,当粒子集聚程度较高时,增大惯性权值,提高算法的全局搜索能力。为平衡算法全局和局部寻优能力,当进化速度较快时,提高局部搜索能力,以免错过较好的位置。将此算法用于优化4个经典测试函数,实验表明:此算法不仅可以平衡局部和全局的搜索能力,还能提高算法的搜索效率和精度。     

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...     

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。     

一种改进的粒子群算法

粒子群算法是一种新型的智能优化技术,该算法程序实现简单,可调整的参数少。本文针对粒子群优化算法易早熟收敛陷入局部极值的事实,对粒子群优化算法的惯性权重进行适当改进,数值仿真结果说明该算法是非常有效的。     

粒子群优化算法中惯性权重改进策略综述

在粒子群优化算法的3个参数中,惯性权重是最重要的参数,它对粒子群优化算法性能的提高起到至关重要作用.因此许多学者对粒子群优化算法中的惯性权重设计进行了广泛研究,目前取得许多成果.本文介绍了基本粒子群优化和标准粒子群优化算法,综述了惯性权重在粒子群优化算法中的各种改进策略.为粒子群优化算法的进一步改进研究提供参考.     

基于惯性权重指数递减的粒子群优化算法求解绝对值方程

利用惯性权重指数递减的粒子群优化算法求解一类不可微的NP难的绝对值方程问题. 该算法通过调整惯性权重的动态变化能有效克服基本粒子群算法在后期局部搜索能力差、 易陷入局部最优解的缺点. 数值试验表明, 在求解具有唯一解或多个解的绝对值方程时, 该算法精度高, 迭代次数少.     

动态改变惯性权重的新模式粒子群算法

针对标准粒子群算法在求解复杂优化问题时易陷入局部最优、收敛精度不高和收敛成功率低的不足,提出了一种改进的粒子群算法.通过算法所处的迭代阶段和粒子的分布情况动态改变惯性权重的值,并根据每个粒子的更新情况调整其飞行的起点.最后4个测试函数仿真结果表明,在求解复杂优化问题时,改进后算法的收敛精度和收敛成功率均有明显提高.     

一种动态改变惯性权的自适应粒子群算法

针对惯性权值线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权的自适应粒子群算法(DCW).在该算法中引入了参数粒子群进化速度因子和聚集度因子,并根据这2个参数对粒子群算法搜索能力的影响,将惯性因子表示为粒子群进化速度因子和聚集度因子的函数.在每次迭代时算法可根据当前粒子群进化速度因子和聚集度因子动态地改变惯性权值,从而使算法具有动态自适应性.对几种典型函数的测试结果表明,DCW算法的收敛速度明显优于LDW算法,收敛精度也有所提高.     

基于自适应随机惯性权的粒子群优化算法

分析惯性权值对粒子群优化算法(PSO)优化性能的影响,提出了基于自适应随机惯性权(ARIW)的改进粒子群优化算法.在进化过程中,为粒子群中的各个粒子随机选取惯性权值,并随进化代数自适应地调整随机惯性权值的概率分布.使用四个基准函数进行测试,结果表明基于ARIW的PSO算法不但计算简便,而且能有效地调整算法全局与局部的搜索能力,显著提高了全局搜索的速度与精度.     

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.     

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.     

Incorporate Energy Strategy into Particle Swarm Optimizer Algorithm

The issue of optimizing the dynamic parameters in Particle Swarm Optimizer （PSO） is addressed in this paper. An algorithm is designed which makes all particles originally endowed with a certain level energy, what here we define as EPSO （Energy Strategy PSO）. During the iterative process of PSO algorithm, the Inertia Weight is updated according to the calculation of the particle＇s energy. The portion ratio of the current residual energy to the initial endowed energy is used as the parameter Inertia Weight which aims to update the particles＇ velocity efficiently. By the simulation in a graph theoritical and a functional optimization problem respectively, it could be easily found that the rate of convergence in EPSO is obviously increased.     

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．     

一种改进的自适应粒子群优化算法

针对粒子群优化算法中出现对大规模问题搜索失败,分析了粒子群优化算法的收敛性,指出了粒子速度与搜索失败的关系,提出了一种根据速度信息自适应调整参数的粒子群优化算法,该算法在满足收敛性的条件下,搜索过程中粒子根据理想的速度自适应调整参数进行搜索。修改后的算法经过大量测试函数上的模拟实验验证,并与其他算法进行了比较。实验结果表明,该算法能克服基本PSO算法在求解高维、多峰等复杂非线性优化问题时易陷入局部最优和不收敛等搜索失败的问题。     

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.     

一种改进的完全信息粒子群算法研究

为了提升粒子群算法求解复杂的多峰问题的能力,提出一种改进的完全信息粒子群算法(IFIPSO).对粒子自身最优位置的运行,进行变异操作以增加种群的多样性; 同时,引入并改进完全信息粒子群算法,使得粒子充分地向自身邻居的历史最优位置进行学习,提升种群向最优解飞行的概率.在基准函数的测试中,结果显示IFIPSO算法相比其它算...