一种基于粒子对称分布多样性的PSO算法

粒子群算法(PSO)在演化的过程中种群多样性越来越差,容易陷于局部最优。为了克服这一缺点,提出一种基于粒子对称分布多样性的改进PSO算法(sdPSO)。对粒子在空间分布的研究发现,粒子在最优解周围更对称的分布可大大提高算法收敛到全局最优解的概率。提出一种种群多样性函数表示方法,并在标准粒子群算法中引入多样性调节算法。由于种群多样性被不断调整,粒子在空间中的分布在对称与非对称之间反复变换,使得改进算法能搜索到更广泛的区域。通过benchmark函数实验仿真,改进sdPSO算法与标准粒子群算法相比,能达到更高的收敛精度。     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,并成功的运用于广泛的数值优化问题。PSO算法在求解高维复杂函数优化问题时容易陷入局部最优。有鉴于此,本文提出了一种基于信息熵的粒子优化算法。该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性。实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度。     

基于爆炸冲击波模型的粒子群优化算法

针对基本粒子群优化(PSO)算法在解决复杂多峰问题时易于陷入局部最优解的问题,提出一种基于爆炸冲击波模型的PSO算法(简称BW-PSO算法)。该算法通过加入种群多样性监督条件,使得当种群数量缩小至给定阈值时,触发粒子冲击波过程：最优粒子与次优粒子进行交叉变异,处于爆炸半径内的粒子受到牵引力,加速收敛至当前极值;处于爆炸半径外的粒子受到冲击力向外扩散,增加了找到全局最优值的可能性。BW-PSO算法不仅能够通过最优粒子变异操作提升当前解的精度,而且通过粒子冲击波过程,增加了种群多样性,提升了粒子对全局空间开发的能力。实验结果表明,基于爆炸冲击波模型的PSO算法在求解多峰问题表现优于变异PSO算法与带电PSO算法。     

基于K- 均值聚类的动态多种群粒子群算法及其应用

针对粒子群算法在求解复杂的多峰问题时极易陷入局部最优解的问题,提出一种基于K-均值聚类的动态多种群粒子群算法（KDMSPSO）.在该算法中,利用K-均值聚类算法将种群分成若干个子群（聚类）;为了增强子群间的信息交流,对子群进行动态重组;在每个子群中,粒子的速度由它所在子群的中心粒子和该粒子所有邻居的信息共同调整.在基准函数测试和实际应用中,其结果显示KDMSPSO算法相比其他PSO算法具有一定的优势.     

基于动态种群和广义学习的粒子群算法及应用

为了提升粒子跳出局部最优解的能力,本文提出一种动态种群和广义学习粒子群算法(DCPSO).在算法运行过程中,引入种群增加策略和减少策略以提升种群的多样性,进而提升粒子跳出局部最优解的能力;同时引入广义学习策略以增加粒子飞向全局最优位置的概率.在基准函数的测试中,结果显示DCPSO算法比其它PSO算法有更好的性能;在实际...     

具备反向学习和局部学习能力的粒子群算法

为解决粒子群优化（Particle Swarm Optimization,PSO）算法中存在的种群多样性和收敛性之间的矛盾,该文提出了一种具备反向学习和局部学习能力的粒子群优化算法（Reverse-learning and Local-learning PSO,RLPSO）。该算法保留了初始种群中满足排异距离要求的多个较差粒子以及每个粒子的历史最差位置。当检测到算法陷入局部最优时,利用这些较差粒子的位置信息指导部分粒子以较快飞行速度进行反向学习,将其迅速牵引出局部最优区域。反向学习过程可改善粒子种群的多样性,保证了算法的全局探测能力;同时,利用较优粒子间的差分结果指导最优粒子进行局部学习与搜索,该过程可与粒子群的飞行过程并行执行,且局部学习的缩放因子可随进化过程动态调节。局部学习可提高算法的求解精度,保证算法的迅速收敛。实验结果表明,RLPSO 算法同其他 PSO 算法相比,在高维函数优化中具有收敛速度快、求解精度高的特点。     

粒子置换的双种群综合学习PSO算法

针对粒子群算法(PSO)种群多样性低和易于陷入局部最优等问题,提出一种粒子置换的双种群综合学习PSO算法(PP-CLPSO)。根据PSO算法的收敛特性和Logistic映射的混沌思想,设计并行进化的PSO种群和混沌化种群,结合粒子编号机制,形成双种群系统中粒子的同号结构和同位结构,其中粒子的惯性权重根据适应度值自适应调节;当搜索过程陷入局部最优时,PSO种群同位结构下适应度值较差的粒子,根据与混沌化种群间的同号结构执行粒子置换操作,实现了双种群系统资源的合理调度,增加了种群的多样性;进而综合双向搜索的同位粒子学习策略和线性递减搜索步长的局部学习策略,进行全局探勘和局部搜索,提高了算法的求解精度。实验选取9个基准测试函数,同时与4个改进的粒子群算法和4个群智能算法进行对比验证,实验结果表明,PP-CLPSO算法在求解精度和收敛速度等方面具备较好的综合性能。     

基于实数编码的自适应粒子群优化算法

提出了一种新的自适应粒子群优化算法(AMPSO)。该算法在运行过程中根据粒子群多样性的度量指标大小和当前最优解的大小来确定最优粒子的变异概率以对算法进行自适应变异,从而有效地增强了粒子群优化(PSO)算法跳出局部最优解的能力,使PSO算法既摆脱了后期易陷入局部最优点的束缚,又保持了其前期搜索速度快的优点。对几个典型函数的测试结果表明,该算法是非常有效的。     

哈夫曼编码的协同粒子群优化算法

针对粒子群优化（PSO）算法在优化问题过程中易陷入局部最优的问题,提出一种基于哈夫曼编码的协同粒子群优化（HC PSO）算法。采用哈夫曼编码将种群划分成2个子种群并对2个子种群进行独立优化,同时,2子种群之间协同完成搜索种群的全局最优解。采用6个标准测试函数来测试算法性能。实验结果表明,该算法可以有效地避免种群陷入局部最优,具有较好的优化性能和稳定性,收敛精度得到了显著的提高。     

改进的变尺度混沌粒子群算法及其应用

针对粒子群算法(PSO)存在局部最优及后期收敛速度慢等问题,提出一种改进的变尺度混沌粒子群算法(IMCPSO).该算法初期,在整个解空间对最优粒子进行变尺度混沌扰动,以防止陷入局部最优;算法后期,则以最优粒子为中心引入变尺度混沌扰动,以提高算法收敛速度.当算法一旦陷入局部最优时,采用混沌粒子替代部分种群粒子以增加粒子多样性,使算法尽快跳出局部最优.基于benchmark测试函数的仿真结果表明,所提算法与基本粒子群算法(SPSO)和变尺度混沌粒子群算法(MCPSO)相比,具有明显好的搜索精度和收敛速度.最后,将该算法应用于电路故障诊断实验中的支持向量机参数优化问题,实验结果说明了其应用价值.     

基于高斯变异的量子粒子群算法

粒子群算法相对于其他优化算法来说有着较强的寻优能力以及收敛速度快等特点,但是在多峰值函数优化中,基本粒子群算法存在着早熟收敛现象。针对粒子群算法易于陷入局部最小的弱点,提出了一种基于高斯变异的量子粒子群算法。该算法使粒子同时具有良好的全局搜索能力以及快速收敛能力。典型函数优化的仿真结果表明,该算法具有寻优能力强、搜索精度高、稳定性好等优点,适合于工程应用中的函数优化问题。     

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。     

一种求解高维约束优化问题的γ-PSO算法

PSO算法是一种随机搜索的群体智能算法,在求解高维约束优化问题,尤其是在约束条件较多时,PSO算法易陷入局部极值且收敛速度慢。针对上述问题,对PSO算法进行了改进,提出了γ-PSO算法,把PSO算法的随机数由(0,1)扩展到(-1,1),这样加大了粒子飞行速度和飞行方向的多样性,从而使PSO算法具有摆脱局部极值的能力。对γ-PSO算法进行了求解高维约束优化问题的实验,实验结果表明γ-PSO算法能收敛到全局最优值,收敛性能明显优于其他改进的PSO算法和其他优化算法。     

一种混合粒子群算法的贝叶斯网络优化模型

传统的粒子群优化算法通过群体中粒子间的合作和竞争进行群体智能指导优化搜索,算法收敛速度快,但较易陷入局部较优值,进入早熟状态。为了解决这个问题,提出了一种混合粒子群算法的贝叶斯网络优化模型,它可以通过当前所选择的较优解群构造一个贝叶斯网络和联合概率分布模型,利用这个模型进行采样得到更优解,用其可随机替换掉PSO中的一些粒子或个体最优解;同时利用粒子群算法对当前选择出的较优解群进行深度搜索,并将得到的最优解融入到较优解群中。分析可知,该方法可以提高算法有效性和可靠性。     

最优粒子增强探索粒子群算法

针对粒子群优化算法（Particle Swarm Optimization,PSO）存在收敛速度慢、寻优精度低和早熟收敛的问题,提出一种最优粒子增强探索粒子群算法（Optimal particle Enhanced Exploration Particle Swarm Optimization,OEEPSO）。OEEPSO将最优粒子在空间中的位置信息以二维一组划分,按4种方式计算每二维的适应值,选择适应值最小的方式更新对应维度的速度值和位置值。该策略加强了对最优粒子周围区域的探索,使粒子群能更快地向全局最优解靠近,提高了算法的收敛速度和求解精度。当算法陷入局部最优时,根据群体历史最优解的适应值,动态调整各粒子的速度值和位置值,使算法最终收敛到全局最优解。实验结果表明,OEEPSO具有收敛速度快、求解精度高的特点。     

基于扩散机制的双种群粒子群优化算法*

为了避免标准粒子群优化算法（PSO）过早收敛的缺点,把热力学中的扩散现象引入到PSO算法的改进当中,提出了基于扩散机制的双种群粒子群优化算法(DPSO)。DPSO算法中定义了粒子的扩散能、种群的温度和粒子的扩散概率三个概念,两个群体中的粒子在进化过程中根据粒子的扩散概率被选入到各自种群的扩散池中,从而实现两个种群之间信息的交换和共享。通过解决典型的多峰、高维函数优化问题来证实DPSO算法的有效性,实验结果表明DPSO比标准PSO具有更高的性能。     

基于相似度的改进粒子群优化算法

针对粒子群算法易于过早收敛的不足,通过引入粒子间新的相似度的概念来度量粒子群的多样性程度,并用自适应变化阈值手段来控制调整粒子群算法的收敛速度,使其缓缓趋向于全局最优,在粒子群算法迭代过程中以相似度为基础,通过高斯等噪声扰动来重新调整粒子的位置从而避免算法陷入局部最优,从而得到了一种PSO算法的改进算法,实验和性能分析表明,新算法可以有效提高算法的全局搜索能力,并有效回避收敛早熟问题。     

解决约束优化问题的改进粒子群算法

针对约束优化问题的求解,提出一种改进的粒子群算法（CMPSO）。在CMPSO算法中,为了增加种群多样性,提升种群跳出局部最优解的能力,引入种群多样性阈值,当种群多样性低于给定阈值时,对全局最优粒子位置和粒子自身最优位置进行多项式变异;并根据粒子违背约束条件的程度,提出一种新的粒子间比较准则来比较粒子间的优劣,该准则可以保留一部分性能较优的不可行解;为提升种群向全局最优解飞行的概率,采取一种广义学习策略。对经典测试函数的仿真结果表明,所提出的算法是一种可行的约束优化问题的求解方法。     

自适应扩散混合变异机制微粒群算法

为了避免微粒群算法(particle swarm optimization,简称PSO)在全局优化中陷入局部极值,分析了标准PSO算法早熟收敛的原因,提出了自适应扩散混合变异机制微粒群算法(InformPSO).结合生物群体信息扩散的习性,设计了一个考虑微粒分布和迭代次数的函数,自适应调整微粒的"社会认知"能力,提高种群的多样性;模拟了基因自组织和混沌进化规律,引入克隆选择使群体最佳微粒gBest实现遗传微变、局部增值,具有变异确定性;利用Logistic序列指导gBest随机漂移,进一步增强逃离局部极值能力.基于种群的随机状态转移过程,证明了新算法具有全局收敛性.与其他几种PSO变种相比,复杂基准函数仿真优化结果表明,新算法收敛速度快,求解精度高,稳定性好,能够有效抑制早熟收敛.     

A two-stage quantum-behaved particle swarm optimization with skipping search rule and weight to solve continuous optimization problem

Quantum-behaved particle swarm optimization (QPSO) is a recently developed heuristic method by particle swarm optimization (PSO) algorithm based on quantum mechanics, which outperforms the search ability of original PSO. But as many other PSOs, it is easy to fall into the local optima for the complex optimization problems. Therefore, we propose a two-stage quantum-behaved particle swarm optimization with a skipping search rule and a mean attractor with weight. The first stage uses quantum mechanism, and the second stage uses the particle swarm evolution method. It is shown that the improved QPSO has better performance, because of discarding the worst particles and enhancing the diversity of the population. The proposed algorithm (called ‘TSQPSO’) is tested on several benchmark functions and some real-world optimization problems and then compared with the PSO, SFLA, RQPSO and WQPSO and many other heuristic algorithms. The experiment results show that our algorithm has better performance than others.