共查询到19条相似文献,搜索用时 593 毫秒
1.
对PSO方法中粒子运行规律给出较为完整的分析,考察随机性对粒子运动过程的影响,提出聚度的概念,并通过粒子的聚度考察粒子在实际运行条件下的分布情况,给出更加具体的参数设置区间,提出一种粒子在运动过程中的速度补偿策略,对于一些参数设置可以通过该策略提高搜索性能,该策略对实际应用中选择和调整PSO算法参数有较强的指导意义. 相似文献
2.
3.
4.
5.
6.
粒子群优化方法(Particle Swarm Optimization,PSO)是由Kennedy和Eberhart于1995年提出的一种基于群体智能(Swarm Intelligence)的演化计算技术,用于求解各类优化问题。PSO方法通过各种参数控制粒子的运行轨迹,并对参数设置有很强的敏感性。因此,如何为PSO方法选择最优的参数是PSO方法的关键。本文提出了一种不依赖个人经验的参数选则策略,针对特定问题,将PSO方法的性能表示成参数的函数,从而将参数选择问题转变成函数优化问题。采用微分演化(Differential Evolution,DE)方法对该函数进行优化,来确定PSO的最佳参数,收到了较好的效果。 相似文献
7.
研究粒子群优化算法(PSO)的收敛速度,以提高该算法性能是PSO的一个重要而且有意义的研究。Jun Sun 等人通过对PSO系统下的单个个体在量子多维空间的运动及其收敛性的分析,提出了具有函数形式的粒子群算法(Quantum Delta-Potential-Well-based PSO)。在此基础上进行了改进,用粒子的速度来产生一个随机数引导粒子向最优解快速靠拢,并对速度的处理采取了新的策略。仿真结果表明:该改进算法对收敛速度有非常好的改善,而且稳定性也较好。 相似文献
8.
针对标准粒子群优化算法(PSO)在寻优过程中容易出现早熟的问题,提出一种基于周期性演化策略的粒子群优化算法.该策略通过在速度更新方程中构建基于粒子群能量的粒子群最优值扰动项,使得粒子群能量在演化过程中可以周期性变化.相比标准PSO算法,当粒子群能量较大时,能够增强局部搜索能力;当粒子群能量较小时,能够增强全局搜索能力.典型优化问题的仿真结果表明,所提出的算法与线性下降惯性权重粒子群优化(LWPSO)和PSO算法相比,优化性能得到了显著提高. 相似文献
9.
为了提升粒子跳出局部最优解的能力,本文提出一种动态种群和广义学习粒子群算法(DCPSO).在算法运行过程中,引入种群增加策略和减少策略以提升种群的多样性,进而提升粒子跳出局部最优解的能力;同时引入广义学习策略以增加粒子飞向全局最优位置的概率.在基准函数的测试中,结果显示DCPSO算法比其它PSO算法有更好的性能;在实际... 相似文献
10.
11.
一种基于距离的自适应模糊粒子群优化算法 总被引:2,自引:1,他引:1
传统的粒子群优化算法((Particle Swarm Optimization,PSO )在更新粒子的速度时忽略了各粒子间的差异,在一次迭代中,各粒子采用相同的惯性权值来更新粒子的速度。为了体现各粒子的差异,提出了一种基于距离度量的自适应模糊粒子群优化算法(Distance-based Adaptive Fuzzy Particle Swarm Optimization, DAFPSO)。DAFPSO根据各粒子与最优粒子的差异,设计了相应的隶属函数来自适应地调整粒子的惯性权值。通过基准测试函数对算法进行了实验,从而验证了DAFPSO算法的有效性。 相似文献
12.
13.
14.
研究无人机控制优化爬升性能问题,由于单独提高速度或节省燃油问题,均存在互相影响。为了使无人机能够快速、省油地爬升到预定高度,综合考虑了油耗和时间这两个因素。在分析了无人机爬升段数学模型的基础上,提出将油耗和时间的综合运营成本作为优化指标,并提出了一种改进粒子群算法的无人机爬升轨迹优化方法。将无人机轨迹优化问题转化为有约束的参数优化问题,并用改进粒子群算法进行参数优化,从而得到综合指标最优的爬升轨迹。对某无人机实例进行爬升轨迹优化,仿真结果比传统方法更节省了运营成本,证明了改进方法的优越性。 相似文献
15.
16.
粒子群优化方法若干特性分析 总被引:12,自引:5,他引:7
粒子群优化算法(Particle swarm optimizer, PSO)是一种基于群体智能的优化方法. 本文提出了标准粒子群优化方法按迭代时间展开的一般性描述公式. 在此基础上分析了标准PSO的优化机理, 基于群体社会信息和自身历史经验的情况下,推导了粒子最大搜索空间的数学描述. 通过将粒子运动的一般性描述图解为历史状态加权和的形式, 进一步证明了PSO参数随迭代周期的积累, 在概率意义上的遗忘特性. 分析表明在经过一定周期的搜索后, 标准PSO方法同Barebones粒子群方法(Barebones particle swarm, BBPS)具有近似的搜索机制.从信息传递的角度, PSO的搜索策略是一种在概率意义上具有遗忘特性的历史信息加权求和的结果. 本文的研究结果对标准粒子群算法的一些重要性质(如:遗忘特性、标准PSO与BBPS间的相似性等)进行了合理解释. 相似文献
17.
针对粒子群算法易早熟的缺点,提出了一种结合迭代贪婪(IG)算法的混合粒子群算法。算法通过连续几代粒子个体极值和全局极值的变化判断粒子的状态,在发现粒子出现停滞或者粒子群出现早熟后,及时利用IG算法的毁坏操作和构造操作对停滞粒子和全局最优粒子进行变异,变异后利用模拟退火思想概率接收新值。全局最优粒子的改变会引导粒子跳出局部极值的约束,增加粒子的多样性,从而克服粒子群的早熟现象。同时,为了使算法能更快找到或逼近最优解,采用了循环迭代策略,在阶段优化结果的基础上,周而复始循环迭代进行求解。将提出的混合粒子群算法应用于置换流水车间调度问题,并在问题求解时与几个具有代表性的算法进行了比较。结果表明,提出的算法能够克服粒子群早熟,在求解质量方面优于其他算法。 相似文献
18.
具有随机惯性权重的PSO算法 总被引:11,自引:1,他引:11
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优化算法,当前,在相关领域内,倍受国内外学者关注。该文在分析基本PSO算法的速度进化方程的基础上,提出一种能更好描述微粒进化过程的速度方程,由其引出一种具有随机惯性权重的PSO算法;通过五个典型测试函数的仿真实验,验证了其可行性,同时也表明具有随机惯性权重的PSO算法较具有线性递减惯性权重的PSO算法在收敛速度和全局收敛性方面有明显提高。 相似文献
19.
Quantum-behaved particle swarm optimization: analysis of individual particle behavior and parameter selection 总被引:1,自引:0,他引:1
Quantum-behaved particle swarm optimization (QPSO), motivated by concepts from quantum mechanics and particle swarm optimization (PSO), is a probabilistic optimization algorithm belonging to the bare-bones PSO family. Although it has been shown to perform well in finding the optimal solutions for many optimization problems, there has so far been little analysis on how it works in detail. This paper presents a comprehensive analysis of the QPSO algorithm. In the theoretical analysis, we analyze the behavior of a single particle in QPSO in terms of probability measure. Since the particle's behavior is influenced by the contraction-expansion (CE) coefficient, which is the most important parameter of the algorithm, the goal of the theoretical analysis is to find out the upper bound of the CE coefficient, within which the value of the CE coefficient selected can guarantee the convergence or boundedness of the particle's position. In the experimental analysis, the theoretical results are first validated by stochastic simulations for the particle's behavior. Then, based on the derived upper bound of the CE coefficient, we perform empirical studies on a suite of well-known benchmark functions to show how to control and select the value of the CE coefficient, in order to obtain generally good algorithmic performance in real world applications. Finally, a further performance comparison between QPSO and other variants of PSO on the benchmarks is made to show the efficiency of the QPSO algorithm with the proposed parameter control and selection methods. 相似文献