一种基于动态邻居和变异因子的粒子群算法

提出一种基于动态邻居和变异因子的粒子群算法(DNMPSO).在该算法中,粒子的邻居是根据它的运行而动态变化.每个粒子的学习机制分为自己的历史经验和所有邻居的经验两部分.为了保证有效求解多峰问题,在每一次迭代,对当前解采用水平混合变异,使每个粒子能更好地进行局部搜索,提升粒子跳出局部最优解的能力.通过与其他算法比较,结果表明该算法求解多峰问题的能力最优.     

改进粒子群和模拟退火混合算法及其应用

基本粒子群优化算法每个粒子代表一个可行解,通过粒子间的协作来获得最优解.考虑粒子间协同作用,引入Gaussian核函数研究基于区域影响的粒子群算法(GPSO).为了充分利用粒子群算法的快速全局收敛性和模拟退火算法能够跳出局部最优陷阱的优点,得到高精度的最优解,将GPSO算法与模拟退火算法相结合,研究了一种新的混合粒子群算法.混合算法在GPSO算法处于停滞状态时,于搜索到最优位置用模拟退火算法继续寻找最优解.数值实验结果表明,新混合算法兼顾了GPSO和模拟退火算法的优点,具有收敛速度快、搜索精度高、鲁棒性好等特点.这说明文中的混合算法不失为一种有效的进化算法.     

一种用于多目标优化的混合粒子群优化算法

将粒子群算法与局部优化方法相结合,提出了一种混合粒子群多目标优化算法（HMOPSO）。该算法针对粒子群局部优化性能较差的缺点,引入多目标线搜索与粒子群算法相结合的策略,以增强粒子群算法的局部搜索能力。HMOPSO首先运行PSO算法,得到近似的Pareto最优解;然后启动多目标线搜索,发挥传统数值优化算法的优势,对其进行进一步的优化。数值实验表明,HMOPSO具有良好的全局优化性能和较强的局部搜索能力,同时HMOPSO所得的非劣解集在分散性、错误率和逼近程度等量化指标上优于MOPSO。     

当代学习自适应混合离散粒子群算法研究

针对NP-hard组合优化及粒子群算法离散化问题,提出一种当代学习自适应混合离散粒子群算法对其进行求解.依据粒子多样性的变化规律,引入自适应扰动算子,以保持种群进化能力;根据成功的粒子群社会学习能力和个体学习能力,提出粒子群当代学习因子以体现粒子当代学习能力,进而改进其运动方程,使算法稳定性得到提高;最后融入近邻搜索变异策略,提升算法局部求精能力.实验表明:当代学习自适应混合离散粒子群算法较其他三种离散粒子群算法在解的质量方面有所改进,并首次在算法稳定性上得到了较大进步,为离散粒子群算法稳定性研究提供了新的思路.     

一种双层可变子群的动态粒子群优化算法

粒子间信息的共享方式对粒子群优化算法的收敛速度和全局搜索能力有重要的影响.针对全互联、环形拓扑结构,提出基于双层子群的信息共享方式,以收敛率作为子群规模变化的标识,实现子群规模动态变化,协调了算法的全局搜索能力和局部寻优能力.子群排斥机制使子群跳出局部最优解的束缚,提高解的多样性.选取目前比较流行的几种粒子群优化算法,通过五种经典的Benchmark高维函数优化问题进行实验仿真.结果表明基于双层可变子群的动态粒子群优化算法可以有效的避免算法陷入局部最优,在保证收敛速度的同时算法的全局搜索能力和精度有明显的提高.     

一种求解二元约束满足问题自适应粒子群算法

提出了一种求解二元约束满足问题的自适应粒子群算法（SAPSO）,其中每个粒子具有两种状态,定义了一个反应粒子活跃程度的变量以决定粒子所属的状态。为了平衡粒子不同进化阶段的开发和探测能力,在SAPSO中引入了随着每个粒子的进化状态和粒子群的进化状态动态改变的惯性权重。利用自适应的选取方式代替随机选择的盲目搜索方式,使群体在解空间搜索时,能够自适应地去探索新的区域,选择有希望找到更优解的地方搜索。使用随机约束满足问题的实验表明,改进后的算法比原算法（PS-CSP）能以更快的速度收敛到全局解。算法的效率大约提高两倍,平均迭代次数大约为原来的一半。     

改进粒子群和模拟退火混合算法及其应用

基本粒子群优化算法每个粒子代表一个可行解,通过粒子间的协作来获得最优解。考虑粒子间协同作用,引入Gaussian核函数研究基于区域影响的粒子群算法(GPSO)。为了充分利用粒子群算法的快速全局收敛性和模拟退火算法能够跳出局部最优陷阱的优点,得到高精度的最优解,将GPSO算法与模拟退火算法相结合,研究了一种新的混合粒子群算法。混合算法在GPSO算法处于停滞状态时,于搜索到最优位置用模拟退火算法继续寻找最优解。数值实验结果表明,新混合算法兼顾了GPSO和模拟退火算法的优点,具有收敛速度快、搜索精度高、鲁棒性好等特点。这说明文中的混合算法不失为一种有效的进化算法。     

一种结合自适应局部搜索的粒子群优化算法

本文提出一种结合自适应局部搜索的混合粒子群优化算法.该方法在粒子群优化算法的全局搜索过程中,使用能根据当前种群搜索状态自适应地调整局部搜索空间大小的局部搜索算法加强其局部搜索能力.采用了著名的基准函数对算法的性能进行测试,并与其他已有算法进行了比较.结果表明,这种混合粒子群优化算法能获得更高的搜索成功率和质量更好的解,特别在高维复杂函数优化上具有很强的竞争力.     

多目标粒子群和人工蜂群混合优化的阈值图像分割算法

在图像分割中,为了准确地把目标和背景分离出来,提出了一种基于多目标粒子群和人工蜂群混合优化的阈值图像分割算法。在多目标优化的框架下,将改进的类间方差准则和最大熵准则作为适应度函数,通过粒子群和蜂群混合优化这2个适应度函数来获得1组非支配解。同时,为了提高全局和局部搜索能力,在蜂群进化时,将粒子群的全局最优解引入到人工蜂群算法的雇佣蜂阶段蜜源的更新中,并对搜索方程进行改进。最后通过类间差异和改进的类内差异的加权比值,从一组非支配解中选取最优阈值。实验结果表明,该算法能够取得理想的分割结果。     

一种动态分级的混合粒子群优化算法

针对粒子群算法早熟收敛和搜索精度不高的问题,提出一种动态分级的混合粒子群优化算法．该算法采取３种级别的并行粒子群算法,分别用于全局搜索和局部搜索及二者的结合,并根据搜索阶段动态调整各种级别中并行变量的数目．在全局搜索中,将混沌机制引入算法中以增强算法的全局搜索能力;在局部搜索中,采用单纯形法对适应度最优解进行局部寻优．仿真实验表明,该算法比其他优化算法具有更好的性能．     

一种新的求解动态连续优化的分层粒子群算法

为了高效求解动态连续优化问题,提出一种分层粒子群优化算法。该算法将动态函数定义域分成Q个子空间,每个空间用一个粒子群作为第一层进行独立搜索,Q个子空间的最优粒子再组成一个全局粒子群进行全局搜索,以达到全局牵引的作用,同时提出探测环境和响应环境的策略。利用经典的动态函数对算法进行测试,结果表明所提出算法能够迅速适应环境变化和跟踪最优解的变化,效果令人满意。     

基于平衡搜索策略的多目标粒子群优化算法*

鉴于平衡全局和局部搜索在多目标粒子群优化算法获取完整均匀Pareto最优前沿方面的重要性,设计平衡全局和局部搜索策略,进而提出改进的多目标粒子群优化算法(bsMOPSO).文中策略在局部搜索方面设计归档集自挖掘子策略,通过对归档集中均匀分布的部分粒子进行柯西扰动,使归档集涵盖整个前沿面的局部搜索.在全局搜索方面设计边界最优粒子引导搜索子策略,以边界最优粒子替换部分粒子的全局最优解,引导粒子向各维目标的边界区域搜索.选取4种对比算法在ZDT和DTLZ系列的部分测试函数上进行实验,结果表明bsMOPSO具有更快的Pareto最优前沿收敛效率和更好的分布性.     

改进PSO-BP神经网络在变压器故障检测中的应用

粒子群优化（PSO）算法中的粒子根据全局最优粒子来移动自身位置进行搜索,但当某一粒子连续多次被选为全局最优粒子的时候,整个群体的粒子就会快速收敛于该最优粒子,陷入局部最优。为此,提出了变异动态粒子群优化（MDPSO）算法。采用惯性权重变异的思想,当某粒子连续被选为全局最优粒子时,就使一部分粒子的惯性权重以指数速度增长,使粒子跳出局部最小,继续全局寻优。并把改进的粒子群优化算法和BP神经网络相结合,应用于变压器故障检测中。实验表明,与常用的粒子群优化算法相比,用改进的粒子群优化算法优化BP神经网络具有更好的性能,在变压器故障检测中能够获得更高的检测精度。     

目(2055)基于聚类的多子群粒子群优化算法*

在粒子群优化算法基础上,提出了基于聚类的多子群粒子群优化算法。该算法在每次迭代过程中首先通过聚类方法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和“子群”中的最优粒子更新自己的速度和位置值。这种处理增加了粒子之间的信息交换,利用了更多粒子在迭代过程中的信息,使算法的收敛性能更好。仿真结果表明,该算法的性能优于粒子群优化算法。     

模拟生物理想自由分布模型的粒子群算法

在分析生物觅食行为中资源斑块选择理想自由分布模型的基础上,提出一种新型的粒子群算法——理想自由分布粒子群优化算法（IFDPSO）．该算法将所有粒子中3个不重叠的个体最优位置的适应度视为资源斑块的食物质量,根据理想自由分布模型随机分配相应数量的粒予到各资源斑块中．为保证群体的多样性,各资源斑块的群体最优位置保持随迭代次数增加而线性递减的距离．在间隔一定的迭代次数后,将各资源斑块的粒子重新组合．标准测试函数的仿真结果表明了IFDPSO算法的有效性．     

一种新的离散粒子群算法在指派问题中的应用

指派问题在组合优化中属NP-Complete问题。提出了一种基于离散粒子群算法的求解方法。算法中每个粒子的位置代表了一种可行的指派方案,在迭代中通过交叉策略和局部搜索策略来更新粒子的位置,这既保证了粒子位置的可行性,又增加了粒子的多样性,避免陷入早熟收敛。通过实例仿真可以看出DPSO算法简洁,较以往算法具有更好的收敛性,能得到更优的解,能够求解匈牙利法不能求解的指派问题。对不同的问题,通过影响参数的调整,可以取得好的收敛效果。     

Discrete particle swarm optimization based on estimation of distribution for polygonal approximation problems

The polygonal approximation is an important topic in the area of pattern recognition, computer graphics and computer vision. This paper presents a novel discrete particle swarm optimization algorithm based on estimation of distribution (DPSO-EDA), for two types of polygonal approximation problems. Estimation of distribution algorithms sample new solutions from a probability model which characterizes the distribution of promising solutions in the search space at each generation. The DPSO-EDA incorporates the global statistical information collected from local best solution of all particles into the particle swarm optimization and therefore each particle has comprehensive learning and search ability. Further, constraint handling methods based on the split-and-merge local search is introduced to satisfy the constraints of the two types of problems. Simulation results on several benchmark problems show that the DPSO-EDA is better than previous methods such as genetic algorithm, tabu search, particle swarm optimization, and ant colony optimization.     

Sequential approximation optimization assisted particle swarm optimization for expensive problems

In this paper, an efficient sequential approximation optimization assisted particle swarm optimization algorithm is proposed for optimization of expensive problems. This algorithm makes a good balance between the search ability of particle swarm optimization and sequential approximation optimization. Specifically, the proposed algorithm uses the optima obtained by sequential approximation optimization in local regions to replace the personal historical best particles and then runs the basic particle swarm optimization procedures. Compared with particle swarm optimization, the proposed algorithm is more efficient because the optima provided by sequential approximation optimization can direct swarm particles to search in a more accurate way. In addition, a space partition strategy is proposed to constraint sequential approximation optimization in local regions. This strategy can enhance the swarm diversity and prevent the preconvergence of the proposed algorithm. In order to validate the proposed algorithm, a lot of numerical benchmark problems are tested. An overall comparison between the proposed algorithm and several other optimization algorithms has been made. Finally, the proposed algorithm is applied to an optimal design of bearings in an all-direction propeller. The results show that the proposed algorithm is efficient and promising for optimization of the expensive problems.     

基于Bloch 球面坐标编码的量子粒子群算法及应用

为提高粒子群算法的优化效率,在分析粒子群优化算法的基础上,提出了一种基于Bloch球面坐标编码的量子粒子群优化算法。该算法每个粒子占据空间三个位置,每个位置代表一个优化解。采用传统粒子群优化方法的搜索机制调整量子位的两个参数,可以实现量子位在Bloch球面上的旋转,从而使每个粒子代表的三个优化解同时得到更新,并快速逼近全局最优解。标准测试函数极值优化和模糊控制其参数优化的实验结果表明,与同类算法相比,该算法在优化能力和优化效率两方面都有改进。     

电力系统无功优化的柯西粒子群算法

针对传统粒子群算法易陷入局部最优解、收敛速度慢的缺点,提出了柯西粒子群算法,并首次将其应用于电力系统无功优化问题.柯西粒子群算法是基于柯西分布的期望和方差均不存在的原理,对每一代粒子的全局极值进行柯西变异,以此来增加种群的多样性,扩大全局最优粒子的搜索区域,以尽快获得适应度更优的个体,从而可以避免算法陷入局部最优解,同...