分组进化人工鱼群算法

针对人工鱼群算法搜索性能较差的缺陷,结合粒子群、蛙跳和人工鱼群算法的优点,文章提出了一种分组进化人工鱼群算法,该算法将人工鱼群算法简化后,仿照蛙跳算法进行分组进化,并加入粒子群算法的更新机制对个体位置进行更新,以便充分利用种群信息.实验证明,该算法有较强的寻优能力,且稳定性好,实用性强.     

基于改进粒子群算法的方案飞行弹道优化设计

研究导弹方案飞行弹道的优化问题.在对方案飞行弹道优化本质特征进行分析的基础上,针对爬升-转弯段弹道提出了一种基于粒子群优化算法的方案弹道优化算法.该算法引入罚函数法和权系数法构建综合的目标函数,采用非均匀B样条方法实现控制规律的参数化,采用改进的具有动态初始化策略的粒子群优化算法进行寻优计算.仿真算例及结果表明,该方法结构清晰,具有较好的通用性,优化后的方案飞行弹道满足约束条件.     

基于粒子群与人工鱼群混合算法的TSP求解模型

传统的群智能算法不断被优化和改进,但由于传统单纯算法的固有缺陷和局限性很难从根本上去除,因此衍生出许多群智能混合算法。针对人工鱼群算法(AFSA)收敛速度慢及粒子群算法(PSO)全局收敛性差的缺陷,提出了一种新的粒子群与人工鱼群的混合算法。算法以人工鱼群算法为基础,将粒子群算法的线性递减惯性权重策略引入到人工鱼群算法中,对人工鱼进行编码处理以及动态改变人工鱼个体的视野,使之形成新的粒子群人工鱼群混合算法(PSO-AFSA)。完成算法融合并将混合算法应用于旅行商(TSP)问题。仿真结果表明:与传统的人工鱼群算法和粒子群算法相比,该混合算法全局收敛性效果更好,收敛速度更快。     

一种新的粒子群算法与人工鱼群算法的混合算法

通过分析粒子群算法和人工鱼群算法的优缺点,利用粒子群算法收敛速度快及人工鱼群算法能较好地收敛到全局最优解的特点,提出了一种新的混合算法.算法以粒子群为基础进行设计,根据人工鱼群的公告板、群聚和随行策略的模式对粒子群进行速度与位置变更,使原有的粒子群变成具有一定智能的粒子,从而达到提高搜索精度及效率的目的.通过Generalize-Schwefel等3个经典函数进行优化仿真后发现,该混合算法具有搜索精度更高及收敛速度更快的特点,同时该算法在求解高维问题时具有明显优势.     

改进人工鱼群算法求解TSP问题

针对TSP问题的特点,在经典最近邻点法基础上对其运行方式加以改进,结合基本人工鱼群算法的优势,对基本人工鱼群算法加以改进。利用改进最近邻点法为基本人工鱼群算法构造多个较优初始解,进而改进基本人工鱼群法的觅食行为。改进后的人工鱼群算法能更有效地搜索全局最优解。选取典型的TSP问题实例进行实验仿真,验证该算法的有效性。实验表明,改进后的人工鱼群算法在求解旅行商问题时,比基本人工鱼群算法搜索效果更好,寻优性能更强。     

基于自适应模拟退火的改进混合粒子群算法

为了改善旅行商(TSP)优化求解能力,对模拟退火与混合粒子群算法进行改进,引入了自适应寻优策略。交叉、变异的混合粒子群算法,易于陷入局部最优,而自适应的模拟退火算法可以跳出局部最优,进行全局寻优,所以两者的结合兼顾了全局和局部。该算法增加的自适应性寻优策略提供了判定粒子是否陷入局部极值的条件,并可借此以一定概率进行自适应寻优,增强了全局寻优能力。与混合粒子群算法实验结果对比,显示了本文算法的有效性。     

基于精英高斯学习的改进鱼群粒子群混合算法

为提高算法在高维函数上的寻优性能,提出改进鱼群粒子群混合算法。该算法将鱼群算法全局搜索性能好与粒子群算法局部搜索性能强的优点相结合,在寻优初始阶段采用鱼群算法获得最优群体,在后期用粒子群算法实现精搜索。针对初始种群随意性大、分布不均的问题,通过均匀初始化,优化初始种群的分布; 并对算法全局搜索方向性差、效率低的问题,采用仿照蛙跳算法的分组方式对种群进行分组,同时对组内优秀个体和一般个体使用不同搜索策略,提高搜索的目的性和效率。引入改进的精英高斯学习,从而提升最终结果的精度。利用该算法对6 个标准函数寻优并与其他算法比较,结果表明,该算法的改进有效且性能优于其他算法。     

基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断

针对LSSVM算法参数优化选取的问题,提出一种结合人工鱼群(AFSA)和粒子群优化(PSO)的混合智能算法,优化LSSVM的参数,利用AFSA算法进行全局寻优搜索参数初值,PSO算法局部更新最优解、加速跳出局部最优.最后通过对风电机组齿轮箱振动加速度数据进行模拟实验,建立了PSO-LSSVM、AFSA-LSSVM和AF...     

PSO优化算法的微粒寻优过程移动规律研究简

为了更好地扩展和应用粒子群优化(PSO)算法,明确其寻优过程中微粒的移动规律十分必要.基于PSO算法简化模型,建立了围绕平衡点振动的微粒寻优过程的运动学方程,然后给出参数选择与微粒运动的振动角频率和振幅之间的关系,进而给出了基本粒子群优化算法的微粒寻优运动规律.仿真实验表明,(1)简化PSO模型中粒子的寻优运动规律为:粒子以当前最佳适应值为平衡点进行围绕振动;(2)基本PSO模型中粒子的寻优运动规律为:粒子以随机的角频率和振幅围绕平衡点进行振动.这两条规律填补对微粒寻优过程移动规律认识的空白,有利于推广和改进PSO算法,以便使得其适合解决实际优化问题.     

多障碍建筑群图像空间布局智能寻优方法优化

为了解决传统方法大多将注意力放在建筑群体局部优化方面,缺少对整个含多障碍建筑群体空间布局优化研究的问题。通过改进粒子群法研究多障碍建筑群图像空间布局智能寻优方法优化问题。建立寻优问题模型,将最小化最大风速比、最大化采光满足率、最优化容积率作为多障碍建筑群图像空间布局智能寻优目标,依据寻优问题模型建立总目标函数。针对粒子群算法的弊端,对其进行改进;将粒子和种群最优粒子差异程度当成依据对权重进行确定。通过密集距离对粒子和相邻粒子间的密集程度进行描述,依据密集程度,选用逐一去除法对最优解进行更新。针对提出的多障碍建筑群图像空间布局多目标寻优问题,采用改进粒子群算法进行求解。结果表明:采用所提方法优化后,日照满足率虽然略低于优化前;但最大加速比和容积率均更优;所提方法 WBGT指标(湿球黑球温度)高于其他方法。可见所提方法可令各指标均衡最优化,能够保证新陈代谢率低,热适应差的人舒适性。     

一种人工鱼群混合智能优化算法

针对人工鱼群算法一般在初期拥有较快的收敛性,后期收敛较慢的特性,笔者提出一种改进的人工鱼群算法——GPAFSA．该算法将杂交PSO算法引入到人工鱼群算法中,在人工鱼群算法陷入局部最优时,通过使用杂交PSO算法,克服陷入局部最优的缺陷,实现全局最优．仿真实验表明,该算法在收敛性、全局寻优方面比原始算法有很大提高．     

改进人工鱼群算法在认知无线电决策引擎中的应用

针对遗传算法、粒子群算法等应用于认知无线电决策引擎时存在收敛速度慢,容易陷入局部最优解的缺陷,提出了一种基于改进人工鱼群算法的认知无线电决策引擎．利用改进人工鱼群算法全局收敛性强、鲁棒性能好、初值敏感度低等特点,更快速、高效地优化调整传输参数,从而寻找特定条件下的最优配置方案．仿真结果表明,在多载波通信系统下,该认知决策引擎具有收敛精度高、平均适应度值高、稳定性强等特点,性能优于二进制量子粒子群认知引擎．     

人工鱼群算法在孔群加工路径优化中的应用研究

将人工鱼群算法应用于孔群加工路径优化的研究,建立以最短加工路径为目标的路径优化数学模型,阐述算法实施的具体过程并进行算例分析.结果表明,该方法求最优解的性能优于Hopfield算法、进化蚁群算法、人工免疫算法以及改进的遗传算法,获得的最优路径可以节省71.47%的行走路程.     

改进人工蜂群算法及在风电场群调度中的应用

针对遗传算法的停滞时间长以及粒子群算法容易陷入局部极值问题,引入一种EA和SWARM交叉算法即蜂群遗传算法(BSGA)。在蜂群算法局域搜索部分,应用遍历性较强的混沌搜索算法进行局域优化,以最大限度地避免最优解被排除的问题。将改进后的算法(BSGA-CAO)应用于我国内蒙古中西部地区风电场群的调度优化问题,与BSGA算法、粒子群算法以及遗传算法相比较,运行时间分别缩短69,23和40 s,总发电量实验结果改进率分别为8.49%,5.29%和3.36%。     

弹性粒子群优化算法及其在水电优化调度中的应用

为有效避免粒子群优化算法后期收敛速度慢的问题,提高寻优能力,设计了一种以自适应方式更新粒子飞行速度的弹性粒子群优化算法,建立了水电优化调度数学模型,提出了弹性粒子群优化算法解决水电优化调度问题的实现方法,包括粒子编码设计、适应度函数设计以及弹性修正值设计,并编制了基于Matlab语言的优化程序.实例仿真结果表明:弹性粒子群优化算法是有效的;相比基本粒子群优化算法和自适应粒子群优化算法,弹性粒子群优化算法求解水电优化调度问题具有更强的全局寻优能力和更快的收敛速度.     

改进人工鱼群算法及其在时滞系统辨识中的应用

针对人工鱼群算法(AFSA)存在收敛速度慢和寻优精度低等问题,本文提出了一种改进人工鱼群算法(IAFSA).该算法中的人工鱼能够根据鱼群当前状态调整自身的视野和步长来平衡局部搜索和全局搜索.此外,算法中还加入了引导行为,即人工鱼在觅食行为未发现更优的位置时,当前人工鱼向最优人工鱼移动一步.仿真结果表明,改进人工鱼群算法在收敛速度、寻优精度和克服局部极值等方面有很大优势.本文将改进鱼群算法应用时滞系统的辨识中,辨识结果表明改进算法能获取被控对象的精准数学模型,并具有较强的抗干扰能力.     

改进的人工鱼群算法在置换Flow Shop调度中的应用

分析了人工鱼算法(AFSA)存在的不足,在保持AFSA算法基本行为的基础上,提出了在觅食行为过程中采用基于交换列表的排序法,在随机移动行为中采用自适应的小范围移动行为的改进人工鱼群算法。根据置换Flow Shop调度问题的数学模型,给出了基于改进的人工鱼群算法的置换Flow Shop调度问题的求解策略,并详细讨论了求解步骤。仿真实验结果表明:该算法具有较强的全局搜索能力、更高的搜索效率,同时验证了该算法的可行性和有效性。     

图像分割背景下群体智能优化算法的性能对比

 针对目前研究相对薄弱的群体智能优化算法的性能对比问题,搭建数字图像为生命栖息环境的群体智能优化算法的性能对比平台,提出基于最优个体变化的收敛关联度和收敛面积的新型性能评价指标,并具体进行了遗传算法、粒子群算法、人工鱼群算法、细菌觅食算法等多种群体智能优化算法的性能比较与测试.实验结果显示,所提出的评价平台和性能评价指标能够合理有效地对比不同搜索机制下智能群体的寻优能力.     

解多目标优化问题的新粒子群存档算法

通过把Pareto优与粒子群优化(PSO)算法相结合,利用给出的粒子的序值定义对粒子群中的粒子进行分离存档,给出了一种求解多目标优化问题的新粒子群存档算法。为了提高算法的全局收敛性,对PSO算法中的惯性因子ω执行自适应调节。数据实验比较表明该算法能找到问题数量更多、分布更广、更均匀的Pareto最优解。     

一种改进PSO算法的电力系统无功优化方法

粒子群优化（PSO）算法是一种新兴的群体智能优化技术,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优解和整个群的最优解来完成优化．该算法简单易实现,可调参数少,已得到广泛研究和应用．本文将粒子群优化算法应用到电力系统无功优化问题的研究中,给出了具体的实施流程．为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第3种极值指导粒子搜索方向．对IEEE-6节点系统的仿真计算结果表明了算法的有效性．