改善微粒群算法多样性的多子群动态聚合

针对微粒群算法的群体多样性问题,将无标度网络形成过程中的择优连接机制引入微粒群算法的群体构造过程中,提出了一种多子群动态聚合的微粒群算法．依据算法搜索的状态,当某个子群面临搜索困境时,择优选择优秀子群建立连接,随着搜索的不断推进,微粒群体由多个独立的子群逐步聚合为一个类无标度群体网络．通过仿真实验发现,该算法通过调整微粒的邻域规模和连接方式平衡了算法的勘探和开发的能力,获得了较好的收敛性能．     

基于小世界邻域结构的微粒群算法研究

分析了邻域结构对微粒群算法的影响,针对收敛速度慢,早熟收敛等缺点,结合小世界网络的基本特性,提出了一种基于小世界邻域结构的微粒群算法.在该模型中,邻域内部的高聚集性有利于微粒的细致搜索,而邻域间少量的长程连接又能保证微粒在进化过程中更加全面、快捷地实现信息的有效共享,从而在提高收敛速度的同时防止陷入局部最优.将本模型与Gbest模型及环形结构进行比较,发现该算法不仅具有更快的收敛速度,而且能够获得更好的收敛效果.     

基于高聚集性无标度网络模型的微粒群算法

受无标度网络结构特性的启发,将BA模型的"择优连接"机制进行扩展,引入微粒群群体组织方式的构造过程,提出基于高聚集性的无标度网络模型的微粒群算法。算法初期微粒被随机分布在环形结构中,随着搜索的进行不断增加新的微粒,并依据节点度和节点间的距离增加新的连接,最终形成具有高聚集性的无标度网络模型。这样,群体中多数微粒进行局部范围的搜索,而少量微粒按照全局模式搜索,两种方式相互制衡。仿真实验表明,改进后的算法能获得更好的收敛精度和进化速度。