共享历史最优信息搜索的粒子群算法

传统粒子群算法运行机理是通过粒子群全局最优和自身经验最优来搜索最优位置,不断迭代进化,以此趋近最优解,但该算法共享信息的局限性使其容易陷入局部最优.针对传统粒子群算法的不足,提出了共享历史最优搜索信息的粒子群算法.该粒子群体在搜索过程中,共享算法本次运行的种群个体历史最优信息、当前全局最优信息,及前几次运行过程中的种群个体历史最佳信息.通过5个经典函数的仿真实验测试,验证了该算法具有较强的全局搜索能力和收敛性.     

粒子群算法改进策略研究

粒子群算法是在鸟群、鱼群和人类社会的行为规律的启发下提出的一种新兴的基于群智能的演化计算技术,是一种启发式全局搜索算法,通过群体中个体之间的协作和信息共享,通过迭代寻找最优解。由于粒子群算法中粒子向自身历史最佳位置和领域群体历史最佳位置聚集,形成种群的快速趋同效应,容易出现陷入局部极值、早熟收敛或停滞现象。基于此,对粒子群的改进进行了全面的分析和研究。     

一种改进的完全信息粒子群算法研究

为了提升粒子群算法求解复杂的多峰问题的能力,提出一种改进的完全信息粒子群算法(IFIPSO).对粒子自身最优位置的运行,进行变异操作以增加种群的多样性; 同时,引入并改进完全信息粒子群算法,使得粒子充分地向自身邻居的历史最优位置进行学习,提升种群向最优解飞行的概率.在基准函数的测试中,结果显示IFIPSO算法相比其它算...     

基于平均位置学习的改进粒子群算法研究

针对粒子群算法在求解复杂的多维多峰问题时,存在着局部搜索精度不高和易陷入局部最优等不 足,提出了一种基于平均位置学习的改进粒子群算法。 该算法在学习策略上采用比粒子自身适应值更好的邻 近粒子为学习对象,将该算法分两个阶段用不同更新速度公式,阶段一在更新速度公式中引入整个种群所有粒 子位置的平均位置;阶段二在速度更新公式中引入新平均位置,采用贪心策略选择,通过粒子每次更新后选择 的个体比种群历史最优适应值更优,且储存对应个体历史最优位置,在阶段一结束后开始求它们的平均位置。 将平均位置作为学习对象,可增强粒子间的信息交流,同时可平衡算法的局部开发性能与全局搜索能力。 在 CEC2017 测试函数实验中,实验结果显示所提改进算法与另外 4 个算法相比有一定的优势。     

基于小波变异的改进粒子群算法

为了提高粒子群算法搜索精度和避免陷入局部最优,提出了一种改进的粒子群优化算法。一方面引入平均最好位置调整速度,使粒子可以利用更多的信息决策自己的行为;另一方面对引入的平均最好位置进行小波变异,增加算法的种群多样性。仿真实验结果表明:改进的粒子群算法具有寻优能力强、搜索精度高、稳定性好等特点。     

基于混合蛙跳粒子群算法的 TSP 问题求解

为提高粒子群算法求解TSP(Travelling Salesman Problem)问题的性能, 在算法搜索初期, 将混合蛙跳算法和 粒子群算法相融合, 针对初始粒子群随意性大、 粒子分布不均的问题, 利用混合蛙跳算法的分组策略将种群分 组, 采用改进的蛙跳更新公式优化次优个体, 并抽取各层次个体得到新种群, 从而提高最优个体的获得速度; 在算法后期, 引入3 重交叉策略和基于疏密性的引导变异操作, 解决粒子多样性降低、 易陷入局部最优的问题。 利用改进算法求解 TSP 问题, 并与其他算法进行对比。 结果表明, 改进算法是有效的且性能优于其他算法。     

改进磷虾群算法在变电站选址中的应用*

随着用电设备使用的增多,必需新建变电站来扩大电力负荷输出规模,针对如何快速并有效地确定候选变电站最优站址的问题,提出了一种新型改进磷虾—粒子群优化算法;在算法中,首先将随机产生的初始种群分为两个子种群,分别用于磷虾算法和粒子群算法,然后再将更新后的种群合并,通过种群的分离与合并,所有个体可以彼此交换位置信息,既能增加种群多样性又可避免陷入局部解,并且在保证找到全局最优解的情况下不添加任何附加操作;为了验证算法的有效性,将其用于变电站选址的工程问题中,由仿真结果可知:混合磷虾—粒子群优化算法寻优效率高,结果准确。     

自适应粒子群算法求解排课问题

针对传统排课效率低、漏排课、冲突率高等问题，利用自适应粒子群算法（SAPSO）进行排课仿真研究.首先，将粒子群算法中的固定惯性因子改进为随着迭代次数变化而不同的自适应权重，以加快寻优速度；然后，为了防止种群陷入局部最优，定义了种群相似度函数；最后，在种群中加入最差个体位置信息以增加种群混乱度，从而提高算法的全局寻优能力.仿真结果表明，SAPSO在收敛速度较快的情况下，寻优精度优于蒙特洛卡算法和改进遗传算法.     

求解带约束投资组合模型的量子粒子群算法

针对量子粒子群算法(QPSO)在迭代后期出现种群多样性缺失和容易陷入局部最优的问题,提出了一种基于交叉操作的改进算法;在改进算法中,考虑了粒子的历史最优位置和次优位置,用以扩大粒子的搜索范围;同时,将遗传算法的交叉操作运用到位置的更新中,以增加种群的多样性,进而提高算法的收敛性;在性能测试中,将改进算法与原始的量子粒子群算法、基于差分进化的QPSO和基于黑洞探索的QPSO在收敛精度和鲁棒性方面进行了比较;最后,运用改进算法对一类具有投资数量限制的投资组合问题进行了求解,并与遗传算法、粒子群算法和标准的量子粒子群算法的寻优结果进行了对比。     

一种改进的粒子群优化算法

在粒子群优化算法的基础上,将粒子群优化算法的速度更新公式中种群最优位置用所有个体的平均值与最优粒子有限邻居个体的平均值加权求和代替;通过将种群平均适应度和整体最优位置适应度的比值作为适应度函数,并引入了加速系数;得到改进的粒子群优化聚类算法既能够充分参考当前粒子的最优信息,也参考了所有个体的最优信息和当前最优粒子有限邻居的最优信息,在进化过程中可以通过新的适应度函数自适应地调整全局搜索和局部搜索的比重对粒子的影响,对算法收敛速度影响较小的前提下较好地提高了收敛精度。最后,选取了4组具有不同分布特征的Benchmark函数作为验证函数,试验结果表明,新算法具有较好的收敛特性。     

利用种群平均信息的二进制粒子群优化算法

在Kennedy和Eberhart的二进制粒子群优化算法(BPSO)的基础上提出一种利用种群平均信息的二进制粒子群优化算法。新算法利用种群个体极值的平均信息和粒子的个体极值决定粒子当前取值的概率,使粒子可以充分利用整个种群的信息。通过测试函数优化和0—1背包问题,结果表明该算法具有较好的收敛速度和稳定性,求解结果要优于BPSO和一些改进算法。     

基于侦察学习策略的粒子群算法优化

针对粒子群算法收敛能力不足和易陷入局部最优的问题,提出了一种基于侦察学习策略的新型粒子群算法。 算法首先利用拓扑结构构建粒子种群,其次采用联合因子均衡算法的局部搜索能力和全局搜索能力,并通过侦察学习策略改进算法的速度和位置公式进而产生候选解;Wilcoxon 秩和检验结果和CEC2017 基准函数检测结果表明,新型粒子群算法的收敛能力,最优解精度以及算法稳定性更好,说明算法性能得以提升。     

粒子群算法在金融风险模型中的研究与改进

在一种非线性金融风险模型中引入粒子群算法,针对粒子群算法在迭代后期搜索能力不高、粒子容易陷 入局部最优的问题,基于对惯性权重的优化以及对每个粒子个体位置变异,提出一种改进后的粒子群算法。 利用粒子群算法选择最优控制参数,以最大程度降低金融系统的总风险值。仿真结果表明,改进后的粒子群算 法在全局最优以及搜索速度方面优于传统的粒子群算法。     

一种改进的粒子群优化算法及其在盲信号分离中的应用

首先对粒子群优化算法进行了改进,用粒子群中所有粒子最优位置的加权平均值替代速度更新式中的粒子最优位置,并根据粒子群中粒子的浓度自适应地调整加速系数．这种改进的粒子群优化算法利用了粒子群中所有粒子最优位置的信息,并在进化过程中自适应地调整“认知”部分和“社会”部分对粒子的影响,从而提高了算法的收敛速度和精度．然后,针对盲...     

约束优化问题的改进粒子群优化算法

提出一种求解约束优化问题的改进粒子群优化算法.该算法更多地考虑了当前全局最优粒子和个体最优粒子对粒子群搜索能力的影响,对速度更新公式做了改进;然后利用修正的可行基规则来更新个体极值和全局极值,从而引导不可行粒子尽可能到达可行的区域,以增加种群的多样性和提高全局搜索能力.数值实验表明,该算法是有效、稳定且计算精度高的全局...     

机器人路径规划：一个改进的粒子群灰狼混合算法

为提高自主移动机器人路径规划器的快速性和最优性，提出一种改进的基于粒子群优化（PSO）算法和灰狼优化（GWO）算法的混合算法，简称H-PSO-GWO算法。首先，利用Tent混沌映射初始化种群，提高种群多样性；然后，采用改进的控制参数和新的个体位置更新策略来加快算法的收敛速度和增强种群个体趋于全局最优的能力。通过与其他算法进行数值对比实验和路径规划对比试验，验证了所提出算法的有效性和优越性。最后，使用贝塞尔曲线将所生成的路径平滑化，使得路径更适合移动机器人移动。     

一种改进粒子群算法及其在水轮机控制器PID参数优化中的应用

提出一种改进的粒子群优化算法,除了个体极值和全局极值外,改进算法中还引入了粒子群的平均位置.因此,粒子可以获得更多的信息来调整自身的状态.基于3个基准测试函数的测试结果显示改进粒子群优化算法具有较好的全局收敛性和收敛精度.计算机仿真结果表明:改进粒子群优化算法应用于水轮机控制器PID参数的优化设计可以有效地改善水轮机控制系统过渡过程的动态性能.     

简约粒子群优化算法

针对全局版粒子群的早熟和局部版粒子群的最优位置信息利用率低的问题，提出简约粒子群算法．该算法使用速度松弛迭代策略，使粒子不必频繁更新速度，当粒子速度有利于适应度进一步提高时，就在下一个迭代周期内维持该速度，这有利于提高良好速度信息的利用率，减小算法的计算量，加快运算的收敛速度．同时，利用精英集团策略，使多个最优位置信息在种群内充分共享，有效地控制了种群多样性，避免了早熟现象．在典型标准测试函数上进行了全局、局部版惯性因子粒子群和全局、局部版约束因子粒子群测试比较，结果表明简约粒子群算法具有更强的寻优能力和更高的稳定性，且计算量也比较小．     

带高斯扰动和协同寻优的蝙蝠粒子群混合算法

为了进一步提高粒子群算法的性能,提出了一种新的群体智能优化算法——带高斯扰动和协同寻优的蝙蝠粒子群混合算法。该混合算法利用蝙蝠个体脉冲的回声定位对最优粒子gbest进行高斯扰动而产生一个局部解,把该局部解加到蝙蝠种群中,然后根据局部解的位置优劣与蝙蝠个体产生的响度来更新粒子群。在寻优过程中,对gbest进行高斯扰动增加了种群的多样性而避免粒子群过快陷入局部最优,并且加强了蝙蝠种群与粒子群的信息交互,协同寻优。与蝙蝠算法、标准粒子群算法、烟花算法、带高斯扰动的粒子群算法、粒子群差分算法相比,带高斯扰动和协同寻优的蝙蝠粒子群混合算法的总体性能优于其他5种算法。     

一种基于进化的自适应卡尔曼修正粒子群优化算法

提出了一种新的基于达尔文进化的自适应卡尔曼修正粒子群优化算法(AK-DPSO,Adaptive Kalman correction Darwin Particle Swarm Optimization)。卡尔曼修正机制能够利用种群粒子位置更新过程的相关性信息提高算法搜索速度。使用了一种基于子梯度计算的方法来自适应地调整算法的系数,在每次迭代后算法根据卡尔曼修正机制调整全局最优点的位置,这样的调整能够显著地提升算法在搜索空间中的搜索效率和收敛率。同时,为了克服早熟收敛的问题,AK-DPSO采取了基于自然选择的达尔文进化机制,通过多个子群的自然进化增强粒子群的多样性,从而减小算法陷入局部最优点的可能性。进行了一系列的实验,实验结果证明本文算法能够在多个性能指标上达到或者超过现有粒子群优化算法的水平。