基于聚度的PSO参数分析

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.     

基于差分方程的PSO算法粒子运动轨迹分析

针对PSO是一个动态离散过程的特点，文中通过差分方程及Z变换对PSO算法中粒子运动轨迹的稳定性做深入的研究，讨论了pBest、gBest以及随机性对粒子运动过程的影响，分析了粒子运动稳定性与算法收敛性之间的关系，并给出了选择PSO算法参数的理论指导公式和条件，用以指导平衡算法的exploration能力和exploitation能力，有助于实际应用中PSO算法参数的选择和调整．     

群活性与粒子群优化的稳定性分析

在探讨粒子轨迹的随机过程的基础上,用根轨迹特征值的谱半径来描述粒子群优化的PSO动态系统的稳定性区域;提出并结合实例用群活性刻画了PSO稳定区域中不同参数区间上群行为的动态特征,利用不动点技术通过数值实验描绘出PSO群活性谱及性能图,解释了先前一些文献上提出的典型参数集之所以能够取得满意性能的理由,利用PSO稳定三角中线提出保证PSO收敛性能的参数设置指导策略.     

交替捕食的粒子群优化算法及其粒子轨迹收敛性分析

为避免算法陷入局部极值,在捕食者一猎物协同进化机制基础上,提出了一种交替捕食的粒子群优化算法(APPSO).对该算法迭代过程进行了分析,给出并证明了粒子运动轨迹收敛的充分条件.为使粒子运动轨迹可靠收敛,构建了一种参数设置方法.通过迭代矩阵谱半径计算、SQRT序列采样,对该算法的粒子轨迹收敛速度进行了分析.基准测试函数仿真结果表明,交替捕食的PSO算法具有较佳的搜索性能.     

基于动态邻居拓扑结构的PSO算法

粒子群优化(PSO)算法在求解复杂的多峰问题时极易陷入局部最优解,通过分析种群多样性与局部最优解间的关系,提出一种基于动态邻居拓扑结构的粒子群算法。该算法在运行过程中,每间隔若干代,根据粒子间的距离更新每个粒子的邻居,该策略增加种群的多样性,进而提升粒子跳出局部最优解的能力。实验结果表明,该算法比其他PSO算法具有更好的性能。     

基于微分演化的PSO参数选择策略

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。     

一种基于量子行为的改进粒子群算法

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。     

基于周期性演化策略的粒子群优化算法

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.     

基于动态种群和广义学习的粒子群算法及应用

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...     

基于混沌序列的自适应粒子群优化算法

提出一种改进粒子群局部搜索能力的自适应优化算法。通过大量仿真试验,考察粒子平均速度和收敛性之间的关系,给出一种新的自适应调整权重策略。以粒子平均速度作为反馈信息,动态调整权重因子,控制粒子速度并使其沿理想速度曲线下降。在搜索过程中引入混沌序列以改进算法的局部搜索能力。对经典函数的测试结果表明,改进的混合算法通过微粒自适应更新机制确保了全局搜索性能和局部搜索性能的动态平衡,在稳定性和精度上均优于普通PSO算法。     

一种基于距离的自适应模糊粒子群优化算法

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。     

具有启发式探测及自学习特征的降维对称微粒群算法

提出对称微粒群算法SymPSO_HD,用以提高PSO算法的搜索能力。引入种群分布熵以保证种群的分布性;引入具有探测特征的启发式粒子,用以影响普通粒子的位置;提出邻域内的克隆变异选择策略及全局范围内的降维对称粒子策略,用以增强粒子的局部及全局学习能力。仿真实验及分析结果表明,SymPSO_HD算法搜索能力稳定,适应性强,能以较大概率收敛到全局最优。     

基于改进粒子群算法的无人机爬升轨迹优化

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。     

一种自适应混合粒子群优化算法及其应用*

为提高粒子群算法的寻优精度,提出一种将单纯形法(SM)和粒子群(PSO)算法相结合的自适应混合粒子群优化(AHPSO)算法,该算法根据进化需要动态调整粒子的惯性权重,并在进化停滞时使用SM优化。通过仿真实验证明了AHPSO的寻优性能优于SPSO和SMPSO。将AHPSO用于某航空发动机的PID参数优化,其整定性能优于现有的工业方法和其他PSO算法。     

粒子群优化方法若干特性分析

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.     

一种新的混合粒子群算法求解置换流水车间调度问题

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。     

具有随机惯性权重的PSO算法

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。     

Quantum-behaved particle swarm optimization: analysis of individual particle behavior and parameter selection

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.