基于维正弦惯性权重和t变异的PSO算法

针对高维优化问题,随机初始化的粒子群算法中不同维的收敛情况不同,常用惯性权重不能很好地平衡全局搜索和局部搜索,且算法也易陷入局部最优。本文提出一种基于惯性权重维正弦调整和t分布维变异的粒子群优化算法,兼顾各维的收敛情况,较好地保持了种群的多样性。通过4个典型函数的测试,结果表明改进算法提高了收敛速度和精度。     

动态改变惯性权重的自适应粒子群算法

惯性权重是平衡粒子群算法中平衡全局搜索能力与局部搜索能力的重要参数.为实现快速收敛与并避免陷入局部最优,分析了PSO算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度这三者的关系,并把粒子惯性权重定义为这三者的函数以改进PSO算法.该算法在每次迭代后根据此函数更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率.     

动态惯性权重向量和维变异的粒子群优化算法

分析了含维变异算子的粒子群优化算法全局搜索能力与收敛速度的矛盾,提出了动态惯性权重向量和维变异的改进粒子群优化算法。算法首先定义了维多样性的概念,根据维多样性的情况动态地调整惯性权重向量,并对维多样性最差的维进行变异。4个典型测试函数的仿真实验说明该算法具有更强的全局搜索能力和更快的收敛速度。     

带有选择和自适应变异机制的混合蛙跳算法

混合蛙跳算法易陷入局部最优,且收敛速度较慢。为此,提出一种带有选择和自适应变异机制的蛙跳算法。引入线性递减的动态惯性权重修正最差青蛙,按照一定的概率选择适应度值较优的青蛙代替较差青蛙,并对每只青蛙个体以不同概率进行自适应变异。仿真结果表明,该算法可以平衡全局搜索和局部搜索,寻优能力强、迭代次数少,解的精度较高,更适合高维复杂函数的优化。     

基于改进粒子群算法的BP算法的研究

针对BP算法的缺陷以及标准粒子群算法优化BP网络权值的不足,为了提高算法的全局搜索能力,提出了基于自适应动态调整惯性权重的粒子群算法的BP网络算法.算法根据适应度值的改变情况来调整惯性权重,使惯性权重的改变不依赖于最大迭代次数和当代迭代次数,从而使整个网络具有较快的收敛速度和较小的误差.将算法应用于海参疾病的诊断中.实验发现,基于自适应动态调整惯性权重的粒子群算法的BP算法比基本粒子群算法的BP算法收敛速度快,算法的准确率也比较高,同时改进算法训练的BP网络也比基本粒子群算法训练的BP网络稳定.仿真证明,自适应动态调整惯性权重的粒子群算法对BP算法的优化优于基本粒子群算法.     

一种自适应惯性权重的粒子群优化算法

为较好平衡粒子群算法中全局搜索能力与局部搜索能力,分析了PSO(Particle Swarm Optimization)算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度的关系,并把粒子惯性权重定义为这三者的函数.通过在每次迭代后更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率.     

基于改进粒子群优化算法的TSP问题研究

针对标准粒子群优化算法易出现问题,提出一种改进粒子群算法。该算法为不同的粒子分配不同的任务,对性能较好的粒子使用较小的惯性权重,对性能较差的粒子采用较大的惯性权重,惯性权重根据适应度函数自适应调整,更好地平衡算法的全局与局部搜索能力,提高算法的多样性与搜索效率。用14点TSP标准数据对算法性能进行测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。     

权重自适应调整的混沌量子粒子群优化

针对量子粒子群优化算法在处理高维复杂函数收敛速度慢、易陷入局优的问题,利用混沌算子的遍历性提出了基于惯性权重自适应调整的混沌量子粒子群优化算法。该算法在运行过程中根据粒子适应值的优劣情况,相应采取不同的惯性权重策略,以调节粒子的全局搜索和局部搜索能力。对几个典型函数的测试结果表明,该算法在收敛速度和精度上有大幅度的提高,且有很强的避免陷入局优的能力,性能远远优于一般的粒子群算法和量子粒子群算法。     

融合变异策略的自适应蝴蝶优化算法

蝴蝶优化算法是近年来提出的一种新型自然启发式算法。针对基本蝴蝶优化算法收敛速度慢、求解精度低、稳定性差等问题,提出了一种融合变异策略的自适应蝴蝶优化算法。通过引入动态调整转换概率策略,利用迭代次数和个体适应度的变化信息动态调整转换概率,有效维持了算法全局探索与局部搜索的平衡;通过引入自适应惯性权重策略和局部变异策略,利用惯性权重值和混沌记忆权重因子进一步提高了算法的多样性,有效避免算法早熟收敛,同时加快了算法的收敛速度和求解精度。利用改进算法对12个基准测试函数进行仿真实验,与基本蝴蝶优化算法、粒子群算法、樽海鞘群算法、灰狼优化算法等其他算法对比表明,改进算法具有收敛速度快、寻优精度高、稳定性强等优异性能。     

自适应变异的粒子群优化算法

针对粒子群算法的早熟收敛问题,提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值,根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力,增大寻找全局最优的几率。对几种典型函数的测试结果表明,新算法的全局搜索能力有了明显的提高,有效避免了早熟收敛问题。     

一种单个粒子自适应修正的粒子群算法

在各类优化问题的解决过程中,群智能优化算法的局部搜索与全局搜索性能都起着重要的作用。在粒子群优化算法中,惯性权值的引入对粒子群算法的收敛性与稳定性都具有一定的影响。因此,在分析现有权值递减策略的基础上,提出一种基于单个粒子适应值的权值修正策略,区别对待同次迭代中适应值好与差的粒子,通过不同的权值赋值策略,以充分发挥各粒子的优势,以增强全局搜索和跳出局部最优的能力。通过对标准测试函数所做的对比实验,该策略可以使粒子在搜索初期获得更好的多样性,使粒子具有更强的摆脱陷入局部极值点的能力;在搜索末期可以加快粒子收敛速度以提高粒子群优化算法的快速性能。改进算法有效减少了早熟的发生,提高了粒子的收敛性能,取得了比较满意的仿真结果。     

一种改进粒子群优化算法

为了提高粒子群优化算法的性能,提出了一种惯性权值调整的改进粒子群优化算法,该算法的惯性权值满足不同。粒子对全局和局部搜索能力的不同需求,每次迭代后根据适应度值对惯性权值做相应的调整。对4个典型的测试函数进行仿真表明,该算法比标准粒子群优化算法有更好的收敛性和更快的收敛速度,改善了优化性能。     

利用目标函数梯度的遗传算法

多数遗传算法在搜索解时没有充分利用其问题域的知识.提出了一类新的改进的适应度函数的遗传算法.它考虑了函数在搜索点的函数值及其变化率,并将该信息加入适应度函数,使得按概率选择的染色体不但具有较小的函数值(对极小化问题而言),而且具有较大的函数值变化率.实验结果表明,这类方法的收敛速度明显高于标准遗传算法.     

一种改进惯性权重的变异微粒群优化算法

针对微粒群优化算法的早熟收敛和进化后期收敛速度慢等问题,提出了一种改进惯性权重的变异微粒群优化算法。在算法运行过程中,对适应度值不同的微粒赋予不同的惯性权重,使算法既具有良好的空间探索能力又有良好的局部挖掘能力;在群体最优信息陷入停滞时引入变异算子,对聚集在局部最优微粒附近的微粒的位置和速度进行变异操作,使算法摆脱局部最优点的束缚。对4种典型函数的测试结果表明,新算法的全局搜索能力和收敛速度都得到了提高,并且能够有效避免早熟收敛问题。     

一种变步长双链量子遗传算法

为了克服基于实数编码和目标函数梯度信息的双链量子遗传算法存在收敛速度慢和鲁棒性较差的缺点,提出了一种自适应变步长双链量子遗传算法。建立了反映目标适应度函数变化率的数学模型;构造了反映当前搜索点处适应度相对变化率的变步长系数k,通过调整k以改善适应度函数相对变化率从而优化解的搜索过程;提出了在迭代过程中的量子旋转门转角[Δθ]更新策略。针对复杂连续函数的优化问题,设计了算法的具体实施步骤,并对典型复杂函数进行了仿真。结果表明,该算法有效地改善了双链量子遗传算法的鲁棒性,加快了算法收敛速度。     

基于粒子群算法的传感器网络室内定位系统优化

通过接收信号强度指示(RSSI)和欧氏距离的非线性函数映射关系来进行弱移动目标的距离估计.以最大似然估计(MLE)法为基础,结合电磁波在自由空间中的传播特性,重新构建基于粒子群优化(PSO)定位算法的适应度函数来提高无线定位精度.并提出了一种惯性权重优化的自适应学习机制来优化全局搜索能力和局部搜索精度,提升定位算法的容错能力.测试结果表明:本室内定位算法具有抗干扰强、鲁棒性好和无线定位精度高等优点.     

带变异算子的双种群粒子群优化算法

提出一种带变异算子的双种群粒子群算法,搜索在两个不同的子群中并行运行,分别使用不同的惯性权值,使得种群在全局和局部都有较好的搜索能力.通过子群重组实现种群间的信息交换.在算法中引入变异算子,产生局部最优解的邻域点,帮助惰性粒子逃离束缚,寻得更优解.对经典函数的测试结果表明,改进的算法在收敛速度和精度上有更好的性能.     

基于Backbone的极值进化算法

由于变量的适应度最优与问题的目标函数最优无法达到一致,从而利用极值过程原则的局部搜索算法对TSP问题效果不好,而通过改变变量的适应度,使其与目标函数相关,就能够提高个体解的搜索能力。比较参数取不同值时个体解搜索到的目标函数,可以发现存在使个体解搜索性能最佳的参数取值,且与变量的变异方式无关,这就为参数设置提供了依据。但个体解接近最优解后改善缓慢,无法快速到达最优解,为此引入组合优化问题解的Backbone概念,在种群进入最优解域后固定解中的相同部分,从而保留解中包含的最优解的信息,在减小问题规模后继续进行优化,增强搜索能力,提高搜索性能。     

基于分工合作和搜索空间重构的粒子群优化

针对粒子群算法早熟收敛及后期收敛速度慢的缺点,提出一种基于分工合作和搜索空间重构的改进粒子群算法。首先基于分工合作的思想,对不同性能的粒子赋予不同的惯性权值,从微观上提高粒子搜索效率;同时,每当种群迭代到一定次数时,对搜索空间进行自适应重构,从宏观上提高种群的后续搜索效率,并适度重新初始化种群,恢复种群多样性。以4个经典测试函数对算法性能进行了测试比较。仿真结果表明,该算法明显提高了收敛效率,改善了求解质量。