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。     

一种新的混合粒子群优化算法

针对标准粒子群算法在优化过程中受初始值影响较大且容易陷入局部极值的缺陷,将鱼群算法中聚群行为的基本思想引入粒子群算法中,据此建立了粒子中心的基本概念,并利用粒子的聚群特性调整粒子的飞行方向与目标位置,从而提出了一种新的混合粒子群算法,旨在改进原粒子群算法的全局收敛能力。为了检验混合粒子群算法的优化特性,采用三种典型的标准函数对五种现行智能算法进行了多方面的测试和比较。实验结果表明,新算法具有良好的搜索精度与速度,有效弥补了标准粒子群算法局部收敛和鱼群算法精度不高的双重缺陷,适用于解决复杂函数优化问题。     

一种改进的简化粒子群算法

由于简化粒子群算法中每个粒子都采用相同的迭代公式进行进化,使得在进化后期粒子间的差异性不强,算法容易出现早熟、搜索速度慢的问题.针对上述问题,在简化粒子群优化算法的基础上,加入了混合蛙跳算法的分组思想,提出了一种蛙跳简化粒子群算法.算法将粒子群分为多组同时进行搜索,每组粒子进行若干次迭代后再重新进行分组.粒子的迭代方式在简化粒子群上增加了对各小组最优粒子信息的利用,使各小组就利用不同的迭代公式进化,保证了粒子间的差异性.分别用基本粒子群算法、简化粒子群算法、混合蛙跳算法和蛙跳简化粒子群算法(改进的算法)对4个经典函数进行测试.结果表明,改进的算法能够有效地避免早熟收敛问题,并能较大幅度地提高收敛速度和收敛精度.     

一种基于混沌搜索和鲶鱼效应策略的粒子群算法

为了提高粒子群优化算法的寻优精度,分析了最新文献提出的三种粒子群算法改良策略的优点和不足之处,对混沌搜索策略和鲶鱼效应策略进行了改良,通过仿真证明了提出的改良方法的优越性。最后提出一种新型混合算法,并在仿真实验中进行了各种算法性能比较,验证了最终提出的新型混合算法有更好的优化性能。     

多种群粒子群算法与混合蛙跳算法融合的研究

针对粒子群算法和混合蛙跳算法在复杂函数寻优上易于陷入局部最优值的缺点,提出一种新的粒子群与混合蛙跳融合算法.算法采用多种群粒子群方法,每次进化后,将各子群中的最优粒子组成新的群体,采用混合蛙跳模式进化,以提高种群的多样性.粒子群各子群的进化模式中,除考虑本子群最好的粒子外,还考虑整合群体最好的粒子.相对于其它一些改进的粒子群或混合蛙跳算法,融合算法概念简单,易于实现,具有良好的全局搜索能力和较快的收敛速度.基准测试函数的仿真结果表明,本文算法优于目前一些常见的改进粒子群算法.     

新型电梯群控系统多目标优化调度策略

随着建筑物和乘客流的多样化,电梯的优化调度逐渐发展成为复杂在线多目标优化过程,然而,传统的优化调度已经很难满足电梯群控系统中的多个性能指标同时进行优化的要求.文中针对这一情况,首先通过分析电梯群控系统的目标多样性,复杂性,不确定性等特点,应用多目标优化理论建立了电梯群控系统的多目标优化数学模型;其次分析了粒子群算法与模拟退火算法的优缺点,对粒子群算法进行了改进,提出了一种新型混合优化算法;同时,在建立的多目标优化数学模型的基础上,将此混合算法应用到电梯群控系统中进行优化调度.将混合算法与标准粒子群进行比较,表明该混合算法具有一定的可行性与优越性,在一定程度上改进了电梯群控系统的整体性能和服务质量.该文为电梯群控系统的调度策略提供了新方法,新思路,并扩充了粒子群算法的应用范围.     

混合蚁群算法在城市交通路径规划中的应用

为诱导车辆在城市交通路网中规划较优出行路线以提高出行质量,研究并建立了城市道路权值模型。此外,分析比较粒子群算法和蚁群算法各自优缺点,将两个算法分别做了改进,提出一种混合粒子群蚁群算法,并利用道路权值模型对三种算法在路径寻优效果上做了比较和分析。实验结果表明该改进的混合算法在路径规划准确度和算法计算效率上均优于粒子群和蚁群算法,取到了较好的效果。     

嵌入局部一维搜索技术的混合粒子群优化算法*

通过将粒子群优化算法(PSO)与经典局部一维搜索技术相结合,提出一种嵌入局部一维搜索技术的混合粒子群优化算法(LLS-PSO)。该算法在基本粒子群优化算法中引入一维搜索技术,选取最优粒子进行局部一维搜索,增强了在最优点附近的局部搜索能力,以加快算法的收敛速度。对三个经典复杂优化问题进行数值实验,并与基本PSO算法进行比较。实验分析和结果表明,LLS-PSO具有更好的优化性能。     

求解旅行商问题的混合粒子群优化算法

结合遗传算法、蚁群算法和模拟退火算法的思想，提出用混合粒子群算法来求解著名的旅行商问题．与模拟退火算法、标准遗传算法进行比较，24种混合粒子群算法的效果都比较好，其中交叉策略D和变异策略F的混合粒子群算法的效果最好，而且简单有效．对于目前仍没有较好解法的组合优化问题，通过此算法修改很容易解决．     

一种混合粒子群算法及其在Job Shop问题中的应用

粒子群算法是一种新颖的演化计算技术，具有思想简单、容易实现的优点，被广泛应用于连续空间的优化。结合遗传算法的思想提出一种新的进化方式并用于Job Shop离散空间优化，进一步结合粒子群算法的群体多样性和禁忌搜索算法的集中搜索性提出一种粒子群算法和禁忌搜索算法的混合策略。用Job Shop问题作为测试基准，仿真试验显示混合粒子群算法是可行和有效的。     

PSO和GA的对比及其混合算法的研究进展

系统地介绍了微粒群优化算法(PSO)和遗传算法(GA)的基本原理、发展和应用的状况,比较了两者的原理特点,列举了各种微粒群优化算法和遗传算法的改进算法。介绍和总结目前出现的两种算法思想结合的局部混合与全局混合两种方式,并用图表给出了说明。分析了两种混合方式的局限性,提出对具体问题找出计算速度和计算精度的平衡点来改进算法。最后做了总结和展望,指出微粒群算法的应用需进一步拓展,和其他算法结合是提高其性能的主要方向。     

批量无等待调度问题的微粒群蛙跳混合优化算法*

将离散微粒群与蛙跳算法相结合解决以最大完工时间为指标的批量无等待流水线调度问题.结合微粒群算法较强的全局收敛能力和蛙跳算法较强的深度搜索能力,设计了三种混合算法,平衡了算法的全局开发能力和局部探索能力.对随机生成不同规模的实例进行了广泛的实验,仿真实验结果的比较表明了所得混合算法的有效性和高效性.     

Swarm algorithms with chaotic jumps applied to noisy optimization problems

In this paper, we investigate the use of some well-known versions of particle swarm optimization (PSO): the canonical PSO with gbest model and lbest model with ring topology, the Bare bones PSO (BBPSO) and the fully informed particle swarm (FIPS) on noisy optimization problems. As far as we know, some of these versions like BBPSO and FIPS had not been previously applied to noisy functions yet. A hybrid approach which consists of the swarm algorithms combined with a jump strategy has been developed for static environments. Here, we focus on investigating the introduction of the jump strategy to the swarm algorithms now applied to noisy optimization problems. The hybrid approach is compared experimentally on different noisy benchmark functions. Simulation results indicate that the addition of the jump strategy to the swarm algorithms is beneficial in terms of robustness.     

基于PSO的确定性问题优化研究

粒子群算法原理简单，易于实现，是进化算法中优化效率很高的算法。针对确定环境下的问题优化，提出采用粒子群算法对其进行优化求解。通过对确定性环境下的Benchmark函数的算法仿真研究，表明粒子群算法在确定性问题优化中具有快速收敛性和精确性的特点。     

粒子群优化技术的研究与应用进展

粒子群优化(PSO)算法是一种新兴的基于群智能搜索的优化技术,它是通过粒子追随个体最优解和群体最优解来完成优化,且算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。文中综述了PSO各种改进技术、研究热点问题及其应用进展情况并指出了PSO的发展趋势及未来研究方向。     

基于交叉变异的混合粒子群优化算法

粒子群优化算法是一种基于群体智能理论的全局优化算法,通过群体中粒子间的合作与竞争实现对问题空间的高效搜索。针对算法后期收敛速度较慢、易陷入局部最优的缺点,提出了一种混合粒子群算法。该算法通过改变种群初始化方法,引入交叉和变异机制等措施改善基本粒子群算法的性能。数值试验结果表明,改进型粒子群算法在提高全局寻优能力和加快收敛速度等方面均有良好的表现。     

微粒群算法的发展及应用

介绍了1995年以来微粒群算法的开发过程,分析了算法原理、算法流程,并将微粒群算法与其他演化算法进行了比较,最后介绍了一些已经开发和在将来有希望的领域中的应用。     

粒子群优化算法的分析与研究

粒子群优化算法是一种新兴的基于群智能的演化计算方法,其思想来源于对鸟群运动行为的研究.群体中的每一个粒子通过追随个体最优解和群体最优解来完成解的迭代过程.首先介绍了PSO算法的基本原理,然后对PSO的几种典型改进算法进行了介绍并通过仿真实验对各种算法进行了分析和比对,最后对粒子群算法研究方向进行了展望.