求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法，已在许多领域得到了非常成功的应用。本以约束优化问题为对象，首先介绍了采用罚函数法将约束优化问题化为无约束优化问题，和将约束优化问题转化为minmax问题，然后对无约束优化问题和minmax问题，采用PSO算法进行进化求解；在此基础上，以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

箱型约束变分不等式的微粒群算法

对箱型约束变分不等式的简单光滑价值函数,给出了求解箱型约束变分不等式的微粒群算法。该算法具有计算简单、快速收敛到全局最优解和较高的计算精度等优点。数值计算结果表明,提出的算法可靠性高、有效性强,在计算精度上,都优于阻尼牛顿法和正则半光滑牛顿法。     

箱型约束变分不等式的微粒群算法

对箱型约束变分不等式的简单光滑价值函数,给出了求解箱型约束变分不等式的微粒群算法。该算 法具有计算简单、快速收敛到全局最优解和较高的计算精度等优点。数值计算结果表明,提出的算法可靠性高、有 效性强,在计算精度上,都优于阻尼牛顿法和正则半光滑牛顿法     

基于分布式框架的并行PSO算法

在使用微粒群算法对大规模优化问题求解时往往需要大量的目标函数评价次数,从而耗费大量的计算时间,而分布式计算和通用计算图形处理器(General Purpose GPU)可以减少耗时.本文通过将微粒群算法在分布式框架下GPU并行计算实现,将粒子分到各个计算节点进行异步计算,而每个节点中的粒子实行同步进化,从而提高微粒群算法求解大规模优化问题的效率.实验方法采用5个标准测试函数进行测试,实验结果表明本文方法在在求解大规模优化问题时在计算效率上有了数倍至数十倍的提升.     

一种求解约束优化问题的进化规划型文化算法

为了求解复杂约束优化问题,提出了一种新的进化算法——进化规划型文化算法。求解过程中,在基于自适应的文化算法中引入进化规划,有效利用进化过程中相关知识引导种群进化。针对约束优化问题,对这一算法的信念空间进行了设计,并利用基准函数和丁烯烷化生产调度问题进行了仿真,仿真结果表明该算法具有较好的全局搜索能力,而且大大减少了计算量。     

Powell搜索法和局部收缩微粒群算法的混合算法

提出一个求解无约束最优化问题的新的混合算法——Powell搜索法和惯性权重线性调整的局部收缩的微粒群算法的混合算法。该算法不需要计算梯度,容易应用于实际问题中。通过对微粒群算法的修正,使混合算法具有更加精确和快速的收敛性。主要目的是通过加入混合策略证明标准微粒群算法是能够被改进的。首先利用20个基准测试函数进行仿真计算并比较,计算结果表明,新混合算法在求解质量和收敛速率上都优于其它的3种算法(PSO,GPSO和NM-PSO算法)。同时将新混合算法和最新的各种协同的PSO算法进行分析比较,比较结果表明,新混合算法在解的搜索质量、效率和关于初始点的鲁棒性都远优于其他的进化算法。仿真结果证明了新算法是求解无约束最优化问题的一个高效的算法。     

一个求解约束优化问题的与可行基规则相结合的改进微粒群算法

提出一个求解约束最优化问题的新的混合算法-与可行基规则相结合的改进的微粒群算法。与惩罚函数法相比,可行基规则不需要额外的参数,且指引粒子迅速飞向可行域。利用5个基准测试函数进行仿真计算比较,仿真结果表明了新算法是求解约束最优化问题的一个高效的算法。     

基于并行文化微粒群优化算法的非线性方程组解法

并行文化微粒群优化算法是一种改进的微粒群优化算法,具有较强的全局搜索能力。将非线性方程组的求解问题转化为函数优化问题,应用并行文化微粒群优化算法求解非线性方程组的解。计算中不需要使用目标函数的导数信息和初始点信息,数值实验结果表明了该算法的有效性和可行性。     

微粒群优化算法及其在复杂化学方程求根中的应用

本文对微粒群优化算法及其改进算法进行了介绍.用M atlab语言对改进的微粒群优化算法实现编程,并用于处理复杂化学方程求根问题,分别对激发态氢原子3S电子的径向波函数节点和一维势箱中粒子的能级进行求解,所得结果与文献值一致.     

关于约束工程设计问题的一个新的混合算法

通过引入可行基规则和Hook-jeveese直接搜索法,提出一个求解约束工程技术问题的新的混合算法—Hook-je-veese搜索法和与可行基规则相结合局部收缩的微粒群算法的混合算法。通过3个典型的工程技术问题计算比较,计算结果表明了新算法是求解约束工程技术问题的一个高效的算法,而且获得了一些比以往文献更好的解。     

一种基于协同进化的随机微粒群算法

在多种群协同进化和随机微粒群算法基础上,提出了一种改进的多种群随机微粒群算法,将各个子种群度独立的按照随机微粒群去进化,周期性的更新共享信息,共同寻求最优解。其中采用了两种不同的更新策略,并对这两种不同的方法进行详细的分析和比较。实验表明：合理调整更新周期能提高算法的收敛性。     

基于免疫原理的粒子群排样优化方法

针对排样优化中种群个体多样性保持及全域寻优存在的问题,将免疫系统的免疫信息处理机制引入到粒子群优化算法中,建立求解排样问题的粒子群免疫优化方法。该方法借鉴人工免疫中抗体的多样性保持机制及免疫记忆功能,强调优势基因的进化和浓度稳定,提高了算法的全域搜索速度并保持了群体多样性。实验表明,在对船舶不规则件排样优化问题求解中,免疫机制对粒子群优化的最优搜索具有较好的有效性和较高的可行性。     

一种改进的混合粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,把Hooke-Jeeves模式搜索方法作为粒子群优化算法的一个局部搜索算子,嵌入到粒子群算法中,Hooke-Jeeves的强局部搜索能力提高了粒子群优化算法的局部收敛速度和精度,从而提出了一种混合粒子群优化算法。通过基准函数和实例测试进行了验证,结果表明,提出的混合算法的收敛速度和精度均优于粒子群优化算法。     

异步随机微粒群算法

在研究微粒群算法生物特征的基础上,提出了一种异步随机微粒群算法——ASPSO．该方法是在微粒的进化过程中,采用异步模式使全局最好位置信息以异步方式在种群中传播。从理论上证明了ASPSO与同步模式微粒群算法SPSO相比较具有更快的局部收敛速度,并对四个经典测试函数进行了仿真测试,测试结果表明：与SPSO相比,ASPSO算法具有更快的收敛速度。     

一种新的交叉粒子群算法

针对标准粒子群优化算法（SPSO）在处理高维复杂问题极易陷入局部最优的不足,文章在研究标准粒子群优化算法理论基础上,提出了一种带交叉因子的改进粒子群优化算法（MyPSO）,减小了算法陷入局部极值的可能。仿真实验表明,该算法（MyPSO）提高了全局搜索能力,但同时增加了搜索时间。     

基于Tent映射的混沌粒子群优化算法

针对粒子群算法在迭代后期易陷入局部最优的不足,采用Tent映射所产生的混沌序列在粒子个体最优点和全局最优点附近进行混沌搜索,利用混沌搜索的全局遍历性和随机性提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能。几个典型测试函数的仿真结果证明了该算法的可行性。     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

微粒群算法研究平台设计与实现

在Visual C＋＋编译环境下运行算法代码,DOS界面下输出结果的微粒群算法研究方法缺乏对进化过程的内在了解和数据统计。本文提出一种可扩展的微粒群算法研究平台,平台具有与算法无关的特点,只要遵循平台数据接口的算法都可以在平台中运行。平台采用动态链接库技术实现扩展功能,还具有内部算法运行、图形显示、数据统计、数据导出、日志功能,并为每个功能都规定统一的数据接口实现平台与算法无关的特点。     

基于粒子群算法求解整数规划的改进方法

标准粒子群算法主要用于优化连续性,而对粒子群算法求解非线性整数规划,算法的粒子位置必须解决取整问题。基此,文章提出一种粒子位置最终取整的方法,以改进粒子群算法解决整数规划的具体过程。基准函数的仿真结果表明,改进后的取整方法的搜索成功率优于直接取整和随机取整,综合搜索效率更佳。     

基于量子粒子群算法的测试数据自动生成算法

本文针对现在流行的进化算法生成测试数据存在参数设置难、算法复杂度高、易陷入局部最优解等缺点,提出了一种应用于软件测试中的基于量子粒子群算法（QPSO）的测试数据自动生成算法。该算法是在粒子群（PSO）算法基础上引入量子理论的思想。解决了PSO算法搜索空间有限,容易陷入局部最优解的问题。通过具体实验证明,该方法是有效可行的,其效率也明显高于GA算法和PSO算法。