自适应变异综合学习粒子群优化算法

针对以往粒子群优化算法多样性差且易局部收敛的不足,提出改进综合学习粒子群优化(CLPSO)算法的最小方差优先自适应变异策略,设计自适应变异综合粒子群优化(CLPSO-M)算法.多个标准测试问题的对比实验数据表明,CLPSO-M算法比CLPSO算法的全局搜索能力更强,求解效果更稳定.     

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.     

自适应粒子群算法求解Agent联盟

联盟生成是多Agent系统的一个关键问题,主要研究如何在多Agent系统中动态生成面向任务的最优Agent联盟.引入粒子群算法来解决这一问题,受到惯性权重c0在进化过程中所起作用的启发,引入自适应惯性权重cadp对粒子群算法进行改进,使其不再易于陷入局部极小.对比实验结果表明,该算法在解的性能和收敛速度上均优于相关算法.     

基于混合策略自适应学习的并行粒子群优化算法

针对当前各种粒子群优化算法解决问题时存在的局限性,提出一种基于混合策略自适应学习的粒子群优化算法(HLPSO)。该算法从收敛速度、跳出局部极值、探索、开发几个不同角度融合了4种具有不同优势的变异策略,当面对不同形态的复杂问题时通过自适应学习机制选择出合适的策略来完成全局寻优。通过对7个标准测试函数的仿真实验并与其他算法相比较,所得结果表明了所提出的算法具有较快的收敛速度、较高的精度以及很强的跳出局部极值的能力。     

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。     

云自适应粒子群优化算法在数值积分中的应用

为了提高传统自适应粒子群优化算法的鲁棒性,由X条件云发生器自适应调整粒子的惯性权重,提出云自适应粒子群优化算法。由于云滴具有随机性和稳定倾向性的特点,使得惯性权重既具有传统的趋向性,满足快速寻优能力,又具有随机性,有利于提高种群的多样性,提高了收敛速度。通过对求解任意函数数值积分的实验表明,该算法计算精度高、求解速度快,是求解数值积分的一种有效的方法。     

自适应变异粒子群算法

为了解决粒子群种群多样性低、容易陷入局部最优的缺点,结合最优粒子和其他粒子在种群中的不同作用,给出了一种自适应变异粒子群算法。算法中最优粒子根据种群进化程度,自适应调整自身搜索邻域大小,增强种群的局部搜索能力;对非最优粒子的位置进行小概率的随机初始化,当其速度为零时,速度自适应变化,以便增强种群多样性和全局搜索能力。仿真实验中,将算法应用于6个典型复杂函数优化问题,并与其他变异粒子群算法比较,结果表明,增强种群多样性的同时提高了局部搜索能力。     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

自适应任务分配的粒子群优化算法

针对基本粒子群优化(PSO)算法早熟收敛、易陷入局部极值的缺陷,提出自适应任务分配的粒子群优化算法。该算法根据粒子的多样性动态分配粒子任务,把种群粒子分为开发和探索两种类型,分别采用全局模型和动态邻域局部模型执行开发和探索任务以平衡算法的全局和局部搜索能力,维持种群多样性。动态邻域模型扩大了解的搜索空间,能有效抑制早熟停滞现象,采用高斯扰动对处于停滞状态的精英粒子进行学习,协助精英粒子跳出局部最优,进入解空间的其他区域继续进行搜索。针对6个标准复合测试函数进行实验,结果表明所提算法具有更强的全局搜索能力,求解精度更高。     

自适应约束优化混合粒子群算法

提出一种混合粒子群优化算法用于求解约束优化问题。新算法的主要特点是：在搜索机制方面,利用混沌初始化种群以提高初始群体的质量。为了扩大粒子的搜索范围,引入柯西变异算子。利用单形交叉算子对种群进行局部搜索。在约束处理技术方面,根据当前种群中可行解比例自适应地选择不同的个体比较准则。数值实验结果表明了该算法的有效性。     

随机交叉粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点,设计了一种随机交叉算子,提出了随机交叉粒子群优化算法。该算法在每次迭代中,对当前粒子和整个粒子群的最优粒子进行随机交叉,产生新的较优粒子并代替原来的粒子,从而加快了算法的收敛速度,增强了算法的寻优能力。仿真结果表明,该算法具有较高的优化性能。     

基于个体状态的粒子群优化算法

针对标准粒子群算法的种群多样性丧失和算法早熟收敛问题,借鉴自然界中群居动物个体行为的独立性特征,提出粒子的个体状态概念,给出一种基于微粒个体状态和状态迁移的粒子群优化算法。对典型函数测试结果的比较表明,改进后算法的寻优能力明显高于标准粒子群算法。与其他改进算法相比,该算法的寻优能力也较强。     

强社会认知能力的粒子群优化算法

针对粒子群优化算法的“早熟”问题,提出了强社会认知能力粒子群优化算法,该算法通过学习概率和选择概率确定粒子跟踪的局部极值。算法中学习概率的自适应调整有效权衡了粒子的个体认知能力和社会认知能力。通过经典函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟问题。     

基于群评价的带变异粒子群算法

粒子群算法是一类有效的随机全局优化算法,但是经典PSO算法容易陷入局部最小值。提出了一种新的带变异自适应参数调整PSO算法,通过引入粒子群评价,根据粒子群的整体性能评价对PSO算法的所有参数动态调整,使前期能够快速搜索;同时对粒子本身找到的最优解以动态调整概率进行变异去保证粒子的多样性,防止后期陷入局部极小。对三个常用测试函数的数值仿真结果显示了该算法的有效性。     

粒子群优化覆盖算法

在覆盖算法中,识别精度与泛化能力之间存在矛盾。为此,结合粒子群优化(PSO)具有的全局搜索能力,提出一种PSO覆盖算法。将领域覆盖算法中每一类样本形成的一组覆盖转化为粒子群,并在迭代过程中搜索出较好的覆盖粒子,从而得到一组个数较少且分类效果较好的覆盖。实验结果表明,该算法具有较高的分类识别精度及较优的泛化能力。     

带有退火和杂交变异思想的改进粒子群算法

针对粒子群算法的“早熟”,进化后期收敛速度慢及精度低等问题,提出了一种改进的PSO算法。为保证初始群体的遍历性,改进算法首先利用了信息熵产生初始群体;为提高进化过程中群体的多样性,将遗传算法中杂交、变异的思想融入了算法中;为提高算法晚期的收敛速度,将模拟退火算法中退火的思想引入到杂交过程中。该算法与其他改进算法进行数值比较,仿真实验表明,提出的算法抗“早熟”能力强,搜索精度高,稳定性好。     

粒子群优化算法求解地图四色问题

针对地图四色问题,重新定义了粒子群优化算法中粒子的位置、速度及其运算规则,并融入了遗传算法的变异思想,在传统粒子群优化算法的基础上增加了变异算子。将改进后的粒子群优化算法在湖南省地图上进行仿真实验,结果表明改进后的算法在全局寻优能力方面有较大的提高,求解速度和稳定性方面也都取得了较为满意的效果。     

PSO算法速度更新时随机数产生的分析

介绍粒子群优化原理,对粒子群速度更新时随机数的产生问题进行理论研究,采用标准测试函数对随机数的3种产生方式进行数值实验,并对实验结果给出相应的理论解释,有助于了解粒子群优化算法的运行机制,为算法的进一步研究提供一定数值依据。