新的粒子群优化算法

粒子群优化(PSO:Partic le Swarm Optim ization)算法是一种有效的全局优化技术。对于PSO算法,很容易陷入局部极值。针对上述缺点,提出了两点改进:对基本PSO算法的速度更新公式中的全局极值给出新的定义,以使粒子群体保持多样性;适当地缩放适应值,与随机规则共同决定某个粒子作为速度公式中的全局极值。改进的两点用于PSO算法后期,形成新的PSO算法(NPSO:New PSO)。NPSO能有效地改善算法,具有摆脱局部极值的能力。在给定的条件下,选用3个函数进行了测试。实验结果显示,在获得平均适应值方面,该算法比PSO算法提高1.62%~16.5%,明显优于基本的PSO算法。     

粒子群优化算法综述

粒子群优化(PSO)算法是一种基于群智能方法的演化计算技术,通过粒子间的相互作用发现复杂搜索空间中的最优区域,优势在于简单容易实现而且功能强大.由于它简单易操作的特点,PSO—提出,立刻引起演化计算等领域学者们的广泛关注,并在函数优化、神经网络训练、工业系统优化和模糊系统控制等领域得到了广泛的应用.介绍了基本的PSO算法、若干类改进的PSO算法及其应用.     

文化粒子群优化算法

为了提高粒子群优化(PSO)算法的计算精度和计算效率,避免"早熟",给出了文化粒子群优化算法.该算法模型将PSO纳入文化算法框架,组成基于PSO的主群体空间和知识空间,两空间具有各自群体并独立并行演化.下层主群体空间定期贡献精英个体给上层知识空间,上层知识空间经演化后,定期贡献精英个体给下层主群体空间,于是形成"双演化双促进"机制,从而实现增加PSO的群体多样性.在以卫星舱和印刷电路板布局设计为背景的算例中进行了数值验证,结果表明对于该算例,该方法的计算精度和计算效率比遗传算法、PSO算法高.     

浅谈粒子群优化算法

粒子群优化（PSO）算法是一类随机全局优化技术,其思想来源于人工生命和演化计算理论。PSO算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO的优势在于简单容易实现而又功能强大。PSO已成为国际演化计算界研究的热点。该文介绍了基本的PSO算法及其应用,并讨论将来可能的研究内容。     

粒子群优化算法的系统稳定性分析

在离散系统理论的基础上,研究粒子群优化算法的稳定性,分析了算法各参数的设置区域,指出在该参数区域内算法渐近稳定,粒子群能够收敛到全局最优点.     

三群协同粒子群优化算法

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,提出了一种三群协同粒子群优化算法(TSC-PSO)。搜索时,如果全局极值连续若干代没有改善,粒子未找到全局最优点,就任选某个优群,将其群内粒子和差群粒子交换。仿真结果显示,对一些经典多峰值函数、非凸病态函数,TSC-PSO增强了全局搜索能力,具有比基本PSO更好的优化性能。     

粒子群优化算法综述

粒子群优化（PSO）算法是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO通过粒子追随自己找到的最好解和整个群的最好解来完成优化。该算法简单易实现,可调参数少,已得到广泛研究和应用。详细介绍了PSO的基本原理、各种改进技术及其应用等,并对其未来的研究提出了一些建议。     

一种改进的粒子群优化算法

粒子群算法是一种新型的进化计算方法,已在许多领域得到了广泛的应用,但基本粒子群算法在计算过程中易出现过早收敛现象.为此提出了一种改进的粒子群算法,利用差异演化的思想,当陷入局部极小点时,通过一定的策略迫使粒子群摆脱局部极小点.对经典函数的测试计算,验证了方法的正确性和有效性.     

多目标粒子群优化算法研究

在过去的十多年,粒子群算法对多目标优化问题的应用研究取得了较大的进展．本文首先描述多目标粒子群优化算法（MOPSO）的基本流程,然后从算法设计与应用等方面回顾MOPSO的研究进展,最后对该算法未来的研究进行了分析和展望.     

一种改进的粒子群优化算法

提出了一种改进的PSO(粒子群优化)算法,该算法在基本PSO算法的粒子位置更新公式中增加了一个积分控制项,积分控制项根据每个粒子的适应值决定粒子位置的变化,改善了PSO算法摆脱局部极小点的能力。另外,在该算法中粒子行为是基于个体极值中心点和全局极值点确定的,这使得粒子能够获得更多的信息量来调整自身状态。用3个基准函数对新算法进行了实验,结果表明新算法优于已有的一些改进PSO算法。     

基于粒子群算法的多用途船结构优化

建立了多用途船的舱段有限元模型,利用Matlab调用有限元软件,将粒子群算法（PSO）引入复杂船舶结构的优化中,实现了PSO对复杂船舶结构的优化,取得较好的结果,并与遗传算法的结果进行了对比, 验证了PSO用于复杂船舶结构优化的有效性.     

一种仿生优化方法—微粒群算法

介绍了一种新的仿生优化算法—微粒群算法。与传统的优化算法相比,微粒群算法在全局优化性能等多方面具有相当的优越性。     

改进的PSO算法在RFID网络调度中的应用

为在寻优过程中有效地保持算法的种群多样性,提出了一种改进的PSO（Particle Swarm Optimization) 算法--PSOPC（Particle Swarm Optimizer based on Predator-prey Coevolution）。PSOPC算法将生态系统中捕食者和猎物的竞争协同进化机制嵌入到PSO算法中。基于PSOPC进行RFID（Radio Frequency IDentification）读写器网络调度模型的求解,根据读写器冲突关系的变化在线进行读写器的时隙分配求解与控制,在不影响读写器工作效率的同时,有效消除密集读写器环境下的读写器冲突问题,并优化整个读写器网络的工作效率。     

Locust Behaved Particle Swarm Optimization Technique

The collective behavior of certain animals and insects has the characteristic of self-organization. The simple interactions among individuals can produce complex adaptive patterns at the level of the group. Recently, new scientific investigation pointed out that desert locusts show extreme phenotypic plasticity in transforming between the lonely phase and the swarming gregarious phase depending on the population density, which is controlled by a serotonin called 5 - hydroxytryptamine（5HT）. In this paper, based on the mechanism of the locusts＇ collective behavior, a new particle swann optimization technique called LBPSO is studied. The number of swarms is selfadaptively adjusted by the acquired outstanding particles coming from behind the previous global best solution. The swarm sizes are related to the corresponding serotonin 5HT, which is determined by the optimization parameters such as global best and iteration number. And each swann adopts one of three rules below according to its density, generalized social evolution strategy, generalized cognition evolution strategy and the independent moving strategy. A comparative study of LBPSO, social particle swann optimization （ SPSO ）, improved SPSO and the standard particle swann optimization （StdPSO） on their abilities of tracking optima is carried out. And the results under four static benchmark functions and a dynamic function generator moving peaks benchmark （MPB） show that LBPSO outperforms the other three functions in both static and dynamic landscapes due to the introduced locusts＇ collective behavior.     

微粒群优化算法的研究现状与发展

针对群体智能算法(SIA)中引起广泛兴趣的微粒群优化算法(PSO)的基本原理、框架,介绍了PSO的一些研究现状及其进展,最后提出了PSO有待进一步研究的若干方向和工作.     

一种基于粒子群优化算法对基于点表示的模型进行特征检测的新方法

基于粒子群算法, 提出一种针对基于点表示模型的新特征检测方法, 解决了大规模数据模型特征的快速显示问题. 该方法对粒子群优化算法进行优化, 将其应用于物体空间的特征检测上, 实现了多目标搜索. 通过对粒子群算法中的粒子、适应度函数、 初始结束条件、 局部最优解、 全局最优解和迭代公式的重新定义, 将局部搜索与全局搜索相结合, 可快速搜索到多个目标. 该算法通过构造可估计局部曲面变化的适 应度函数检测特征点, 并对特征点做标记, 以快速显示出模型的特征. 实验结果表明, 所提出的特征检测算法适用于对基于点表示的模型的快速特征检测, 尤其适用于大规模数据模型     

一种基于协同进化的随机微粒群算法

在多种群协同进化和随机微粒群算法基础上,提出了一种改进的多种群随机微粒群算法,将各个子种群度独立的按照随机微粒群去进化,周期性的更新共享信息,共同寻求最优解。其中采用了两种不同的更新策略,并对这两种不同的方法进行详细的分析和比较。实验表明:合理调整更新周期能提高算法的收敛性。     

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。     

压缩搜索空间与速度范围粒子群优化算法

为了改善粒子群优化(PSO)算法的搜索性能,提出一种改进的粒子群算法CSV PSO算法·该算法在粒子群进化的过程中根据粒子群的最佳适应值动态地压缩粒子群的搜索空间与粒子群飞行速度范围;针对PSO算法可能出现的暂时停滞现象,引入分区重新初始化机制·数值仿真结果表明:随着粒子群进化,适当的压缩粒子群搜索空间与飞行速度范围,有利于加速算法收敛,提高收敛精度;该算法收敛速度更快,精度更高,运行更为稳定·