用随机模式和调整机制改进粒子群优化算法

提出一种改进的粒子群优化(particle swarm optimization,PSO)算法,将随机(random)概念与调整(regula-tion)机制导入PSO算法中,既可避免族群搜寻过程中陷入局部最优解,又可提高算法在最优区域局部搜寻的能力。最后用2种复杂程度不同的函数为例,比较了本算法与广被采用的PSO-CF算法的最优化能力。结果显示,算法在搜寻成功率、平均收敛时间及平均收敛代数方面的性能皆优于PSO-CF算法。     

基于高斯学习多峰延迟粒子群优化算法

为克服粒子群在解决多峰函数复杂问题时存在收敛速度慢和极易陷入局部最优值的缺点,提出了一种基于高斯学习多峰延迟粒子群混合算法。首先引入改进的高斯学习提高算法的收敛速度,然后在此基础上,针对4 种进化状态在算法中引入延迟因子避免局部最优问题。通过对6 个单峰多峰测试函数进行仿真实验,验证了GLPSO( Gaussian Learning PSO) 算法具有更好的收敛速度,同时验证了GLMDPSO( Gaussian Learning Multimodal Delayed PSO) 算法在处理多峰函数复杂问题时具备更好的全局搜寻能力。因此,改进算法在解决多峰函数寻优问题时可有效跳出停滞状态,提高收敛速度并具有较好的寻优能力。     

一种新的变异粒子群算法

基于对现实中鸟的飞行方式的模拟,提出了一种新的变异粒子群优化算法(VPSO).该算法增加了粒子的飞行(搜索)模式,粒子具有随时调整其飞行(搜索)方式的能力.实验结果表明:笔者算法在一定程度上改善了标准PSO存在的易陷入局部最优之不足,具有比标准PSO更强的跳出局部最优的能力和更好的全局优化能力,可用于求解高维复杂优化问题.     

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.     

基于协同进化思想的人工鱼和粒子群混合优化算法

在分析人工鱼群算法(AFSA)、粒子群算法(PSO)存在不足的基础上,提出一种将PSO群与AFSA群作为两个独立进化的群,同时进行搜索的算法.该算法利用协同思想与正反馈机制,让AFSA群跟踪PSO群的全局最优解,PSO群跟踪AFSA群的全局最优解的算法.这样,一方面利用AFSA的快速找到全局极值邻域的能力克服PSO易陷入局部的不足;另一方面利用PSO的快速收敛能力来提高AFSA的收敛速度和求解精度.基于典型的函数和实例测试的结果都说明了该算法具有收敛速度较快、精度较高的特点.     

SA-PSO算法在CNN边缘提取模板设计中的应用

提出了一种用于边缘提取的细胞神经网络(CNN)模板的设计方法,该方法在基本粒子群算法的基础上引入模拟退火机制,形成模拟退火粒子群算法(SA-PSO)对模板参数值进行搜寻。在搜索过程中,用退火温度调节粒子的突跳概率,轮盘赌策略确定粒子的全局最优的替代值,这样能有效避免基本PSO算法容易陷入局部最优解的问题。同时,为了保证每轮搜寻产生的解均能使CNN网络稳定,用CNN反馈模板的研究结论对粒子群解空间进行约束。模拟实验表明,文章算法设计出的CNN模板有良好的边缘提取能力。     

一种求解TSP问题的改进粒子群优化算法

针对基本粒子群优化算法(PSO)容易陷入局部最优的缺点,将遗传算法、模拟退火算法与粒子群算法结合,提出一种改进的粒子群优化算法.在PSO的快速寻优基础上,融入遗传算法的交叉与变异操作,使粒子群具有变异能力,同时引入模拟退火算法的Metropolis准则,允许粒子在目标函数有限范围内变坏,防止陷入局部最优,形成一种新的算法模型,应用于TSP问题求解.采用TSPLIB中burma 14和att 48作为实验数据,对算法求解旅行商问题进行模拟与分析.仿真实验结果表明该改进算法提高了求解质量,全局搜索能力得到增强.     

基于增量式PID的改进粒子群算法

基于粒子群优化(PSO)算法的简单模型和增量式PID控制原理,引入PID增量算子和4个新随机因子,对标准粒子群优化(SPSO)算法进行了扩展.扩展粒子群算法(EPSO)提升了粒子自身认知能力和社会认知能力,增加了粒子共享的信息量,粒子在运动过程中更加智能化.4个新随机因子的引入,提高了种群的多样性,一定程度上克服了PSO容易陷入局部最优的缺陷,提高了PSO算法全局搜索能力.对6个常用目标函数进行优化仿真,结果表明EPSO算法较SPSO算法收敛速度显著加快,且不易陷入局部极值点.SPSO算法是EPSO算法的一种特殊情形;EPSO算法作为SPSO的扩展,可应用于所有SPSO求解的优化问题.     

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.     

粒子群优化算法的改进与性能分析

粒子群优化算法(PSO)在众多的优化问题上表现出良好的性能,广泛应用于很多领域,但极易陷入局部最优解的困局.本文从提高收敛速度方面对PSO算法改进进行了研究,并通过仿真实验证明改进算法的可行性,一定程度上克服了PSO算法易于陷入局部最优解的缺点.     

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.     

基于粒子群优化算法的模式分类规则获取

提出了基于粒子群优化的规则提取算法．该算法将规则编码为粒子,通过粒子群优化算法的速度-位移搜索模型以及粒子保存的记忆信息指导生成模式分类规则集．算法用于Iris数据集模式分类规则的提取．与其他规则提取方法比较,该算法在提高分类规则正确率的同时减少了计算费用．     

一种改进的粒子群算法

粒子群优化算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优.为了克服这个缺点,通过调整粒子的速度更新公式,使粒子获得更多信息来调整自身的状态,以增强算法跳出局部最优的能力.通过对6个基准函数的仿真实验,表明了改进算法的有效性.     

基于粒子群算法的盲源分离算法

简要地介绍了粒子群算法(PSO)及其改进算法和盲源分离算法(BSS),改进的粒子群算法具有并行性、易实现等优点。将改进的粒子群算法与盲源分离算法相结合,提出了基于粒子群算法的盲源分离算法。该算法以混合信号的峰度为目标函数,采用独立分量分析的方法,用改进的粒子群算法代替常规的最陡梯度下降法,对瞬时混合的信号进行盲分离,解决了梯度算法收敛速度慢的问题。实验仿真表明:该算法具有收敛速度快、分离效果好等特点。     

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。     

基于离散粒子群算法的近似最大连通分量抽取

无向图中的最大连通分量抽取(Maximum Clique Problem,MCP)是一种具有重要应用价值的组合优化问题,已被证明属于NP问题．传统的深度优先、分枝限定等算法可以处理规模较小的MCP问题,所以提出处理大规模MCP问题的算法是非常必要的．粒子群优化算法是一种基于群智能的演化计算技术,离散粒子群算法(DiscretePSO)是其中解决离散编码的算法．提出了一种基于离散粒子群算法的近似连通图的抽取算法,通过定义连通图编码、合法随机初始化过程,编码校正算法使得DPSO能够解决最大连通图的抽取问题．为验证其效果及效率,将该算法与RAClique进行了比较．实验结果表明,该算法在解决此类问题时,执行的速度受节点规模变化不大,效率略优于RAClique其他算法．     

一种双组群差分演化算法

研究了一种提高差分演化算法收敛速度的方法.这种新的演化优化方法将全体参量分为两个组群,即同化组群和进化组群.对不同的组群进行不同的处理以产生下一代,在每一代中,进化组群中最好的成员将有幸加入同化组群,取代同化组群中表现最差的成员.实验结果证明,这种新的改进提高了DE优化算法收敛速度.     

利用人工鱼群算法求解一类函数的极值

人工鱼群算法是一种基于动物行为的群体智能寻优算法。具有并行性、全局性、简单性、快速性、跟踪性等优点。可以处理一些非凸、非线性等方面的问题．针对一类不可用经典方法求解极值的函数,提出了一种基于人工鱼群算法求解这一类函数极值的方法,并通过仿真实验的研究,验证了该算法求解函数极值是有效可行的．     

PSO算法在电力系统中的应用现状和前景探析

粒子群优化（PSO）算法是一种新兴的群体智能优化技术,在简要介绍PSO算法工作原理的基础上,描述了粒子群优化方法在电网规划、检修计划、短期发电计划、机组组合、负荷频率控制、最优潮流、无功优化、谐波分析与电容器配置、参数辨识、状态估计、优化设计等方面的应用,并对今后可能的应用指出了研究方向．     

粒子群优化算法在非线性模型预测控制中的研究应用

提出了一种基于粒子群优化算法(PSO)的非线性模型预测控制（NMPC）。作为NMPC重要组成的滚动优化部分对控制效果的好坏起着关键的作用,因而寻求一种可靠的优化算法十分必要。PSO算法是一种群集智能方法,通过粒子之间的合作与竞争及进化实现对多维复杂空间的高效搜索,属于一类随机全局优化技术,已成功应用于各科学和工程领域。本文在滚动优化部分应用粒子群优化算法来求解预测控制律,对非线性系统施加优化控制,此外,对常规线性递减加权因子ω策略进行了讨论,提出了非线性递减策略,可进一步缩短优化时间和优化精度。仿真实验效果良好,验证了这种优化算法的正确性和有效性。