用于RFID网络规划的含Expansion关系的多目标云优化算法（英文）

给出了一个含有Expansion关系的多目标云优化算法,并用于求解RFID网络规划问题.该算法的思想源自于云模型,利用云模型理论估计优化过程的优势解区域和生成新解.在优化过程中,算法利用获得的信息建立优势解区域的云模型,并用反向云生成算法计算该云模型的3个数字特征.在此基础上,依据这3个数字特征,用正向云生成算法产生当前代的子代种群.为了引导寻优过程,Expansion关系被用于比较最好的一些个体,并对当前代种群和当前代子种群的并集用Expansion关系进行排序;之后,依据这个排序结果从中选择一些最好的个体组成下一代种群.该算法与其它一些算法就一组基准函数进行了模拟测试比较,并用于求解一个模拟RFID网络规划问题,代距准则(GD)和多样性(Δ)用于评价算法的性能,模拟结果显示该算法是有效的.     

含速度变异算子的粒子群算法

提出了一种新型的PSO算法——含速度变异算子的粒子群算法（PSOVMO）．该算法在进行变异时的变异对象是搜索速度（ν）,而不是通常情况下的位置（Х）．其方法是,设置一个随迭代的进行按指数级数减小的临界速度．在变异开始到整个搜索循环结束之间的每一次迭代中,只要第i个粒子在d维上的搜索速度的绝对值│νi,d│大于此时的临界速度,就以一定的概率重新初始化νi,d：让νi、d 随机分布在区间[-Vmax,Vmax]上,从而通过位置迭代公式将原本聚集的粒子均匀地“驱赶”到前一位置的周围,达到变异的目的．通过对4个多峰测试函数所做的对比实验,表明PSOVMO优于原始的PSO,也优于按传统方法变异的PSO．     

具有差分进化算子的社会蜘蛛群优化算法（英文）

【目的】社会蜘蛛群优化算法(SSO)是一种新颖的元启发式优化算法,自从它被提出之后就受到该领域学者的广泛关注,并且也被成功应用到许多领域。但是由于社会蜘蛛群优化算法还处在算法的研究初期,该算法的收敛速度与收敛精度还需要进一步提高。【方法】将差分进化算子引入到社会蜘蛛群优化算法(SSO-DM)中,并将改进的算法应用于函数优化问题中,通过5个标准测试函数来验证基于差分进化算子的社会蜘蛛群优化算法(SSO-DM)的优化性能。【结果】差分进化算子增强了社会蜘蛛群优化算法的收敛速度与收敛精度。【结论】本研究中所提出的算法能够获得精确解,并且它也具有较快的收敛速度和较高的算法稳定性。     

带交叉算子的量子粒子群优化算法

为了改善量子粒子群优化(QPSO)算法、提高其求解多峰优化问题的能力,采用新的粒子吸引点和势阱特征长度计算方法,引入遗传算法中的交叉算子并融入交叉概率自适应的参数控制技术,设计了一种带交叉算子的量子粒子群优化(CQPSO)算法.CQPSO算法既可确保QPSO粒子群体的多样性、维护粒子整体的活力性,又能克服特殊情况下QPSO算法收敛的不稳定性和陷入局部最优的偶发性.实验结果表明,在21个标准测试函数中,无论对应单峰函数、多峰函数或是偏移、旋转函数,在相同的物理仿真平台上,CQPSO算法的性能在绝大多数情况下都优于其他改进的量子粒子群算法,从而验证了CQPSO算法的有效性和鲁棒性.     

基于粒子群优化算法的组合算子水质评价模型

根据参数化组合算子方法建立了水质评价模型,应用粒子群优化算法确定模型中的参数,并将该模型分别应用于富营养化海水、地下水与地表水的水质评价.案例分析结果表明,基于粒子群算法的参数化组合算子水质评价模型对各类水体的水质评价结果与传统方法基本一致,具有方法简单、计算量小和适用于非线性水质评价问题的特点.     

用于 RFID 网络规划的含 Expansion 关系的多目标云优化算法

给出了一个含有Expansion关系的多目标云优化算法,并用于求解RFID网络规划问题。该算法的思想源自于云模型,利用云模型理论估计优化过程的优势解区域和生成新解。在优化过程中,算法利用获得的信息建立优势解区域的云模型,并用反向云生成算法计算该云模型的3个数字特征。在此基础上,依据这3个数字特征,用正向云生成算法产生当前代的子代种群。为了引导寻优过程,Expansion关系被用于比较最好的一些个体,并对当前代种群和当前代子种群的并集用Expansion关系进行排序;之后,依据这个排序结果从中选择一些最好的个体组成下一代种群。该算法与其它一些算法就一组基准函数进行了模拟测试比较,并用于求解一个模拟RFID网络规划问题,代距准则（ GD）和多样性（Δ）用于评价算法的性能,模拟结果显示该算法是有效的。     

粒子群优化算法

论述粒子群优化算法(PSO)的基本原理、特点、实现步骤,以及PSO的各种改进技术,包括基于PSO参数的改进技术(主要是惯性权重)、基于遗传算法进化机理的改进技术(受遗传算法启发提出的带交叉算子的PSO、带变异算子的PSO、带选择算子的PSO),以及其他算法融合的改进技术(模拟退火PSO、免疫PSO、混沌PSO),并总结PSO热点研究问题.     

基于粒子群优化算法的云数据均衡放置策略

在拥有多个存储节点的云数据存储系统中,保持云存储系统的负载均衡水平为一个合理的值和最小化数据检索的时间是一个值得研究的问题。本文提出一种基于粒子群优化算法的云数据均衡放置策略(balanced placement strategy of cloud data based on particle swarm optimization algorithm, BPCD),首先,给出一种云存储系统模型;其次,引入基尼系数作为衡量该系统负载均衡水平的指标,结合数据检索时间目标函数构建多目标约束优化模型;再次,采用粒子群优化算法对问题进行求解,主要包括数据节点编码与参数设置、种群初始化、粒子群空间搜索、算法迭代4个过程;最后,将本文算法与传统云数据放置算法进行对比分析。仿真实验表明,本文提出的云数据均衡放置策略在优化云存储系统的负载水平和数据检索时间方面具有良好的效果。     

基于云模型粒子群算法的WSN节点部署优化

节点部署优化技术是无线传感器网络的主要应用点,也是近年来国内外学者研究的热点问题,它在军事、民防、环境等多个领域中具有广阔的应用前景.针对目前无线传感节点部署方法存在节点分布不均匀、覆盖不完全等问题,提出一种采用云模型改进粒子群算法,并将该算法用于无线传感器网络节点部署.对比实验结果表明,该方法能够以相对较小的代价完成传感器感知节点部署,能快速收敛于最优解,能够降低网络部署的成本,提高网络的整体覆盖率.     

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.     

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.     

简约粒子群优化算法

针对全局版粒子群的早熟和局部版粒子群的最优位置信息利用率低的问题，提出简约粒子群算法．该算法使用速度松弛迭代策略，使粒子不必频繁更新速度，当粒子速度有利于适应度进一步提高时，就在下一个迭代周期内维持该速度，这有利于提高良好速度信息的利用率，减小算法的计算量，加快运算的收敛速度．同时，利用精英集团策略，使多个最优位置信息在种群内充分共享，有效地控制了种群多样性，避免了早熟现象．在典型标准测试函数上进行了全局、局部版惯性因子粒子群和全局、局部版约束因子粒子群测试比较，结果表明简约粒子群算法具有更强的寻优能力和更高的稳定性，且计算量也比较小．     

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。     

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。     

分组粒子群优化算法

分组PSO算法将粒子群分成几个小群,每个小群有不同的进化参数且每个小群分别进化,在间隔一定时刻进行组间变异和重组操作,并且在重组的同时对各小组参数进行粒子群优化,相比普通粒子群算法无论在收敛速度还是在精度和操作方便性上都有提高.     

粒子群优化算法研究进展

粒子群优化(PSO)算法是一种源于人工生命和演化计算理论的新兴优化技术.其基本思想为:每个粒子被随机的初始化以表示一个可能的解,并在解空间通过更新迭代搜索最优解.PSO的优势在于算法简单,对目标函数要求少,易于实现而又功能强大.目前,已受到演化计算领域的学者们的广泛关注,并提出了许多改进的算法.本文阐述基本粒子群的原理,给出了各种改进的算法,并展望了PSO的发展方向.     

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.     

基于混沌退火粒子群优化算法的路径测试数据生成

为实现指定路径的软件测试数据自动生成,提出了一种基于粒子群优化(PSO)算法的演化测试方法.利用分支函数插装和强制路径执行策略,得到用于优化搜索的路径适应值.通过引入混沌搜索、模拟退火和早熟收敛判断机制,克服了标准PSO算法易陷入局部最优而无法找到测试数据的缺陷.三角形判断程序的测试数据自动生成实验表明:在最大迭代次数Tmax为500时,混沌退火粒子群优化(CAPSO)算法的命中概率为99%,标准PSO的命中概率为95%;在Tmax为2 000时,CAPSO算法的命中概率为100%,标准PSO算法的命中概率为95%左右;继续增大Tmax不能使标准PSO算法的命中概率提高,而CAPSO算法总能摆脱局部极值找到满足要求的测试数据.     

离散三群粒子群优化算法

提出了离散三群粒子群优化算法(DTHSPSO),该算法将整个粒子群分为三群,第1群粒子朝全局历史最优方向飞行,第2群粒子朝着相反方向飞行,第3群粒子在全局历史最优位置周围随机飞行。粒子的速度保持连续性,对于粒子位置的处理采用两种方法:一是通过传递函数,根据速度的大小进行离散化;二是直接通过强硬限制函数(Hardlim函数)将位置离散化。通过对两种离散函数进行测试与比较,表明两种DTHSPSO都比基本离散粒子群优化算法(DPSO)具有更好的优化性能,而且直接采用Hardlim函数的DTHSPSO算法效果更加突出。