粒子群遗传优化算法

针对粒子群优化算法易早熟的缺点,本文在粒子群优化算法中引入遗传算法的变异算子和克隆选择算子,提出了一种改进的粒子群优化算法—粒子群遗传优化算法。粒子群遗传算法在传统粒子群优化迭代公式的基础上,通过变异率和克隆选择率两个参数自适应地调整变异操作和克隆选择操作。当粒子群最优粒子的适应度在优化迭代过程中陷入停滞时,利用变异算子对粒子群中部分粒子进行随机变异操作,扩大粒子群搜索范围,防止粒子群陷入局部最优;而当粒子群最优粒子适应度随优化迭代过程不断提高时,则利用克隆选择算子淘汰适应度较低的粒子,提高粒子群整体的平均适应度,增强粒子群对局部的搜索能力,提高算法的计算效率。典型函数的算例测试表明,粒子群遗传优化算法不但具有粒子群优化算法所具有的易于工程实现、计算效率高等优点,还克服了粒子群优化算法易陷入局部最优的缺点,提高了算法的抗早熟性。     

计算机神经网络中粒子群优化算法的应用

粒子群优化算法是一种基于群智能的随机优化算法,该种算法和遗传算法相比,具有需要用户确定的参数较少,优化算法简单的优点。因此,粒子群优化算法一经提出,就受到了众多领域的广泛关注,目前,该种算法广泛的应用在模糊系统、模式分类、神经网络训练、函数优化以及其他的众多领域中。文章分析了粒子群优化算法的基本原理,探析了粒子群优化算法在计算机神经网络中的应用,并且对粒子群优化算法进行了改进。     

免疫粒子群优化算法

受生物体免疫系统免疫机制的启发,论文把免疫系统的免疫信息处理机制引入到粒子群优化算法中,给出了免疫粒子群优化算法。这种免疫粒子群优化算法结合了粒子群优化算法具有的全局寻优能力和免疫系统的免疫信息处理机制,并且实现简单,改善了粒子群优化算法摆脱局部极值点的能力,提高了算法进化过程中的收敛速度和精度。一个求多维函数最优值的计算机仿真对比结果表明,免疫粒子群优化算法的收敛性能优于粒子群优化算法。     

混合型粒子群优化算法研究

为了改进粒子群算法的性能,提出了融合其他算法优点的混合型粒子群算法。对三种主流的混合粒子群优化算法(基因粒子群、免疫粒子群、混沌粒子群)分别从混合目的、混合方式、实现步骤、算法优化性能等多个方面进行了研究,给出了这三种混合粒子群算法的优缺点及适用范围。     

基于差分演化的粒子群算法

粒子群优化算法是一种简单有效的随机全局优化算法.但粒子群优化算法有易陷入局部极值点,进化后期收敛速度慢,精度较差的缺点.为了改进粒子群优化算法,将差分演化算法融合到粒子群优化算法中,在算法中,将粒子每代的所有局部最优位置进行变异、杂交、选择操作,提出了基于差分演化的粒子群算法.使粒子群算法和差分演化的探测和开发能力得到有效利用与平衡,提高了求解进度和效率,并通过仿真验证算法的性能优于带线性递减权重的粒子群优化算法和差分演化算法.     

基于多种群量子粒子群优化的属性约简

现代工业发展要求迅速、可靠地实现故障诊断。针对粒子群约简算法易陷入局部最优等问题,提出了一种多种群量子粒子群优化算法（MIQPSO）。该算法对量子粒子群算法进行分群,并通过接种疫苗,指导粒子朝更优化方向进化,提高了量子粒子群的收敛速度和寻优能力。利用UCI相关数据集,通过对Hu算法、粒子群算法、量子粒子群算法、多种群量子粒子群算法的粗糙集属性约简验证,结果表明,基于多种群量子粒子群优化的约简算法具有良好的约简效果。     

用带变异因子的QPSO算法解决Job-Shop调度问题

由于量子粒子群优化算法仍有可能会出现早熟现象,因此将变异机制引入量子粒子群优化算法以使算法跳出局部最优并增强其全局搜索能力,并将改进后的量子粒子群优化算法用于求解作业车间调度问题。仿真实例表明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法、粒子群优化算法和量子粒子群优化算法。     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

一种新的改进粒子群优化算法

在现有文献研究的基础上,首先阐述标准粒子群优化算法的基本原理,并对它加以分析,指出标准粒子群优化算法初始粒子种群的产生速度慢、在优化过程中容易陷入局部最优等缺点,然后对其缺点进行改进,将改进的粒子群优化算法和标准粒子群优化算法进行实验对比分析研究,从实验结果中可知,改进粒子群优化算法在收敛速度及收敛精度上都明显好于标准粒子群优化方法.     

粒子群优化算法精度和收敛性改进及应用

当前电网配电系统动态无功功率优化中,粒子群算法的精度和收敛性较低。提出一种基于粒子和惯性权重优化的改进粒子群算法。此算法首先调节粒子的状态,然后采用S曲线拟合来优化惯性权重在粒子群算法里的搜寻能力。最后,用此最优的学习策略来提高粒子群优化算法的收敛性。通过仿真验证,提出的基于粒子状态和惯性权重优化的粒子群改进算法比传统的粒子群优化算法具备更好的收敛性。此算法在电网配电系统中运行中产生的误差较小。     

色彩量化的模糊粒子群优化技术

把粒子群算法应用到色彩量化中,结合已有的模糊C均值聚类量化方法,提出了一种基于粒子群优化的色彩量化算法。模糊C均值聚类量化算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解;PSO算法是一种基于群体的具有全局寻优能力的优化方法。将模糊C均值聚类量化算法和PSO算法结合起来,把模糊C均值聚类量化算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明,新算法在均方根误差和峰值信噪比评判准则下能够得到最优的量化结果。     

一种非线性动态自适应的Agent联盟生产算法

代理(Agent)联盟是对无线传感器网络WSN(Wireless Sensor Network)进行管理的重要手段.引入粒子群算法PSO(Particle Swarm Optimization)并对其进行改进,使PSO的参数具有非线性动态自适应性.将改进的PSO用于求解Agent联盟生成问题,并针对WSN的特性设计了一种效益函数用于评价联盟的效益.采用基于非线性动态自适应PSO的Agent联盟生成算法,在联盟生成初期搜索范围较广,搜索后期在局部挖掘上表现出良好的性能.实验证明在解决Agent联盟生成问题中,基于PSO的算法在稳定性上优于其他算法,基于改进PSO的联盟生成算法可以加大搜索空间,更快的收敛到最优解,且该算法可以同时生成多个Agent联盟,支持并行多任务环境下的Agent联盟求解.     

改进粒子群优化算法在TDOA定位中的应用

针对TDOA定位估计中的非线性最优化问题,提出了一种基于改进粒子群优化的TDOA定位算法。该算法在自适应粒子群优化算法的基础上,引入禁忌搜索策略,有效地解决了粒子群优化算法容易陷入局部最优的问题,使算法快速收敛到全局最优解。仿真结果表明:该算法性能稳定,定位精度高。     

基于元胞自动机的小生境微粒群算法

小生境技术的引入,提高了微粒群算法处理多峰函数优化问题的能力。本文提出了基于元胞自动机邻域的小生境微粒群算法,并通过对典型函数进行测试,实难结果表明,该算法在复杂函数(较难收敛函数)的优化中比基于环形结构的标准小生境微粒群算法要好。     

基于BSP并行计算模型的并行微粒群算法

在对标准微粒群算法分析的基础上,将它与BSP并行计算模型相结合,设计并实现了一种基于BSP并行计算模型的并行微粒群算法.这种基于BSP并行计算模型的并行微粒群算法改变了标准微粒群算法的结构,提高了算法求解效率.实验结果表明,该并行算法的性能比标准微粒群算法有了很大的提高.     

基于改进粒子群算法的无线传感器网络节点定位

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。     

基于自调节粒子群算法的盲检测

以往基于粒子群优化的盲算法能成功实现信号盲检测,但具有算法收敛速度慢、容易陷入局部最小的缺点。文中通过分析粒子群算法的机能及参数的设置,提出一种改进的基于自调节粒子群优化的盲检测算法。算法构成思想是：基于MIMO系统的盲检测系统模型将盲检测问题转化为二次优化问题,利用改进的自调节粒子群优化算法对此优化问题进行寻优。仿真表明,改进算法具有全局收敛性好、收敛速度快、误码率低的优点,能够更好地解决盲检测问题。     

基于子区域的粒子群优化算法研究

针对粒子群优化(PSO)算法在寻优时容易陷入局部最优的不足,提出一种基于子区域的PSO算法。将搜索空间划分成若干个子区域,在各个子区域中均使用标准PSO算法进行寻优,通过比较各个子区域的全局最优解,从而得出整个搜索空间的全局最优。与标准PSO算法及自适应变异PSO算法的比较结果表明,该算法能降低在寻优过程中陷入局部最优的概率,具有较强的寻优能力。     

基于粒子群优化和遗传算法的协同聚类算法

为充分发挥粒子群优化算法和遗传算法各自的优势,提出一种新的基于粒子群和遗传算法的协同进化算法,并将其应用于聚类分析。通过构建2个相互竞争的种群,采用相对适应度度量方法,在一个纯自举的过程中产生最优竞争个体。在现实世界数据集上的仿真实验表明,该算法在收敛精度方面优于基于遗传算法的聚类方法和基本粒子群优化聚类算法。     

A hybrid particle swarm optimization based algorithm for high school timetabling problems

In this contribution a hybrid particle swarm optimization (PSO) based algorithm is applied to high school timetabling problems. The proposed PSO based algorithm is used for creating feasible and efficient high school timetables. In order to demonstrate the efficiency of the proposed PSO based algorithm, experiments with real-world input data coming from many different Greek high schools have been conducted. Computational results show that the proposed hybrid PSO based algorithm performs better than existing approaches applied to the same school timetabling input instances using the same evaluation criteria.