共查询到20条相似文献,搜索用时 281 毫秒
1.
粒子群优化算法是一种新的随机全局优化进化算法。为了有效地控制其全局搜索和局部搜索,使之获得较好的平衡,论文在深入分析和研究标准粒子群优化算法的基础上,提出了一种基于进化代数阈值和粒子间最大聚集距离高斯变异的粒子群优化算法。该算法在运行过程中通过粒子聚集程度的量化判定,对当前的最优粒子施加高斯变异,从而增强粒子群优化算法跳出局部最优解的能力。测试函数仿真结果表明了该算法的可行性和有效性。 相似文献
2.
提出了一种基于Hausdorff距离和量子粒子群算法的二维图像匹配算法。为了实现二维图像的搜索,首先利用Canny算子提取图像的边缘,再利用Hausdorff距离作为图像搜索的目标函数,然后引入了带量子行为的粒子群的优化算法来求解搜索所需的空间变化参数,实验结果表明,带量子行为的粒子群的优化算法(QPSO)能够迅速地在全局范围内找到最优解,因此应用于二维图像搜索是可行的。 相似文献
3.
改进的量子粒子群多目标优化算法 总被引:2,自引:2,他引:0
针对粒子群优化算法容易陷入局部极值点的问题,提出了一种新的量子比特粒子群算法,该算法采用Pareto支配关系来更新粒子的个体最优值和局部最优值;定义极大极小距离,并采用该距离方法裁减非支配解.实验结果表明该算法能更好地接近Pareto前沿且具有更好的分布性,更适合于求解复杂高维优化问题,是一种非常有潜力的多目标优化方法. 相似文献
4.
针对传统距离矢量-跳数(DV-Hop)算法中最小二乘法的估计误差过大、粒子群(PSO)算法易陷入局部最优的问题,提出了一种改进粒子群算法与DV-Hop的融合算法。首先从粒子速度、惯性权重、学习策略、变异方面对粒子群算法进行改进,增强算法跳出局部最优的能力,提高迭代后期算法的搜索速度;然后在DV-Hop算法第三阶段采用改进粒子群算法优化节点的定位结果。仿真结果表明:相比传统DV-Hop算法、基于混沌粒子群算法的DV-Hop改进算法(MPSO1-DV-Hop)和基于改进型粒子群优化的DV-Hop算法(MPSO2-DV-Hop),该算法的定位精度高,稳定性好,适用于定位精度和稳定性要求较高的场景。 相似文献
5.
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
6.
一种动态改变惯性权重的自适应粒子群算法 总被引:8,自引:1,他引:7
针对惯性权重线性递减粒子群算法(LDWPSO)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权重的自适应粒子群算法(DCWPSO),在该算法中引入聚焦距离变化率的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为关于聚焦距离变化率的函数.在每次遮代时算法可根据当前粒子群聚焦距离变化率的大小动态地改变惯性权重,从而使算法具有动态自适应性.对6个典型函数的测试结果表明,DCWPSO算法的收敛速度明显优于LDWPSO算法,收敛精度也有所提高. 相似文献
7.
8.
在多目标优化问题求解上,粒子群优化算法存在所得最优解集精度不足、分布不够均匀的缺点,针对上述问题,提出了一种多种群分阶段的多目标粒子群优化算法.算法对外部档案个体采取多种算子进行处理以提高解集的收敛精度,引入简化粒子群优化模型使算法更适应多目标优化问题的求解,通过分阶段选取领导个体以及分阶段采取不同策略对非支配解集进行维护以维持解分布均匀性的同时提高收敛速度,重点改善高维多目标优化问题的解集分布均匀性.实验结果表明,改进算法所得的非支配解集具有更好的分布均匀性和收敛精度. 相似文献
9.
10.
为克服粒子群优化算法容易陷入局部最优值的缺点,提出了基于变异思想的粒子群优化算法,为提高粒子群优化算法的计算精度,利用混沌运动随机性、遍历性的特点,提出了一种基于混沌思想的改进粒子群优化算法,进而提出了基于混沌变异的改进粒子群优化算法(CMPSO).基于几种典型benchmark函数的测试研究结果表明,该算法与基本PSO算法和遗传算法相比,较好地克服了早熟收敛,提高了算法的搜索精度.将该算法应用于水库优化调度问题中,所得结果优于标准粒子群优化算法和遗传算法,这也验证了混沌变异粒子群优化算法的有效性. 相似文献
11.
This paper presents an efficient hybrid particle swarm optimization algorithm to solve dynamic economic dispatch problems with valve-point effects, by integrating an improved bare-bones particle swarm optimization (BBPSO) with a local searcher called directionally chaotic search (DCS). The improved BBPSO is designed as a basic level search, which can give a good direction to optimal regions, while DCS is used as a fine-tuning operator to locate optimal solution. And an adaptive disturbance factor and a new genetic operator are also incorporated into the improved BBPSO to enhance its search capability. Moreover, a heuristic handing mechanism for constraints is introduced to modify infeasible particles. Finally, the proposed algorithm is applied to the 5-, 10-, 30-unit-test power systems and several numerical functions, and a comparative study is carried out with other existing methods. Results clarify the significance of the proposed algorithm and verify its performance. 相似文献
12.
13.
为更好地提升量子粒子群优化算法(QPSO)的局部挖掘和全局搜索能力,提出了一种改进的QPSO算法(DSQPSO)。在改进算法中引入了双策略协同进化的思路调整粒子的位置更新公式。为充分体现个体粒子挖掘的优势和群体共同引导的特点,提出了两种吸引点构造的思路,做到个体和种群更好地融合以及信息的互通;分别考虑了最优平均位置与全局最优和粒子的历史最优之间的联系,对粒子搜索范围作出了重新定义;此外,在迭代过程中,借助随机扰动机制对全局最优位置进行调整,以保持种群的多样性。通过18个测试函数将DSQPSO算法与PSO、QPSO、RQPSO和LQPSO四种算法在收敛精度和鲁棒性方面进行对比;进而在两个具体的工程优化问题上,应用改进算法与八个智能算法进行了寻优结果比较。实验表明DSQPSO算法无论在基准测试中还是在工程应用上,其计算精度和收敛效果均有明显优势。 相似文献
14.
电力系统经济调度问题是电力系统中的一个重要的研究课题,针对该问题,提出一种改进粒子群优化(ODPSO)算法.改进算法在搜索前期,采用广义的反向学习策略,使算法能够快速地靠近较优的搜索区域,从而提高收敛速度;在搜索后期,借鉴差分进化算法的进化机制设计改进的变异和交叉策略,对当前种群的最优粒子进行更新,从而提高种群的多样性,进而协助算法获得全局最优解.为了验证改进粒子群优化算法的有效性,对CEC2006提出的22个基准约束测试函数进行仿真,结果表明改进算法相比其他算法在寻优精度和稳定性上更具优势.最后,将改进算法应用于考虑机组爬坡速率约束、机组禁行区域约束以及电力平衡约束的两个电力系统经济调度问题,取得了令人满意的结果. 相似文献
15.
16.
针对多目标粒子群优化算法全局最优位置〖BP(〗(gbest)〖BP)〗选取存在的缺陷和局部搜索能力弱的缺点,提出一种基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法MOPSO-GL。首先对Sigma法进行改进,引入拥挤距离机制,不再是粒子从档案中选择全局最优位置,而是档案成员从种群中选择合适的被引导粒子,引导种群均匀快速地向Pareto前沿飞行,提高了Pareto解的收敛性和多样性;其次当种群寻优能力减弱时,引入基于Skew Tent映射的变尺度全面搜索混沌优化策略对外部档案进行局部搜索,以提高算法的收敛性;最后通过与其他多目标优化算法的比较,结果表明MOPSO-GL具有更好的收敛性和分布性。 相似文献
17.
18.
Raghav Prasad Parouha 《Computational Intelligence》2019,35(4):717-744
In this paper, a modified time‐varying particle swarm optimization (MTVPSO) is proposed for solving nonconvex economic load dispatch problems. It is a variant of the traditional particle swarm optimization (PSO) algorithm. In an MTVPSO, novel acceleration coefficients for cognitive and social components are presented as linear time‐varying parameters in the velocity update equation of the PSO algorithm. In the early stages of the optimization process, it improves the global search capability of particles and directs the global optima at the end stage. Additionally, a linearly decreased inertia weight is introduced in an MTVPSO, instead of a fixed constant value, which helps improve the diversity of the population. Through this modification mechanism in PSO, the proposed algorithm has a higher probability of avoiding local optima, and it is likely to find global optima more quickly. Six complex benchmark functions have been used to validate the effectiveness of the proposed algorithm. Furthermore, to demonstrate its efficiency, feasibility, and fastness, six different cases (3‐, 6‐, 13‐, 15‐, and 40‐unit systems and one large‐scale Korean power 140‐unit system) of the economic load dispatch problem are solved by an MTVPSO. The results of the proposed algorithm have been compared with state‐of‐the‐art algorithms. It was found that the proposed MTVPSO can deliver better results in terms of solution quality, convergence characteristics, and robustness. 相似文献
19.
Krishna Teerth Chaturvedi Manjaree Pandit Laxmi Srivastava 《Applied Soft Computing》2009,9(3):962-969
The paper presents an effective evolutionary method for economic power dispatch. The idea is to allocate power demand to the on-line power generators in such a manner that the cost of operation is minimized. Conventional methods assume quadratic or piecewise quadratic cost curves of power generators but modern generating units have non-linearities which make this assumption inaccurate. Evolutionary optimization methods such as genetic algorithms (GA) and particle swarm optimization (PSO) are free from convexity assumptions and succeed in achieving near global solutions due to their excellent parallel search capability. But these methods usually tend to converge prematurely to a local minimum solution, particularly when the search space is irregular. To tackle this problem “crazy particles” are introduced and their velocities are randomized to maintain momentum in the search and avoid saturation. The performance of the PSO with crazy particles has been tested on two model test systems, compared with GA and classical PSO and found to be superior. 相似文献
20.
针对电力系统经济负荷分配这一典型的非凸、非线性、组合优化问题,提出一种将基于自适应权重更新策略和差分进化的随机变异策略的鲸鱼优化优化算法(ADWOA)相结合。该算法首先在鲸鱼优化算法中引入了自适应权重来提高WOA的搜索能力,使算法能够在早期执行精细的全局搜索,在后期执行精确的局部搜索,加速寻优算法的迭代,同时由于随机变异策略,会再次更新位置。然后从更新的结果中选择最优位置,以加速种群的收敛,并有效防止种群陷入局部最优将适应度较好的个体信息更快地保留用于下一次鲸鱼优化算法的迭代,提高了求最优解的速度和精度。最后,对多个算法在电力系统经济负荷分配问题进行了测试,验证了基于自适应权重的的鲸鱼优化算法可以更合理地配置电力系统的经济负荷,能够有效找到可行解,避免陷入局部最优,能实现经济负荷的合理分配。 相似文献