基于改进粒子群优化算法的虚拟企业伙伴选择

在分析基本粒子群优化算法和建立虚拟企业伙伴选择多目标决策模型的基础上,提出了一种求解供应链联盟伙伴选择的优化问题的改进粒子群算法.在优化过程中,该算法以优良适应值粒子取代部分不良适应值粒子,使算法具有过滤能力,加快了搜索速度,并保证了收敛于全局最优解.实验结果用基本粒子群算法进行了验证和比较,表明该改进粒子群算法具有较好的性能和简单快速准确等特点.     

基于信息扩散机制的双子群粒子群优化算法

针对粒子群算法在多峰、高维函数的全局优化中易陷入局部极值的问题,在分析算法早熟收敛原因的基础上,提出一种基于信息扩散和多样性反馈机制的双子群粒子群优化算法。算法将粒子群划分力两纽搜紊方向相反的主、辅子群协同进化,通过引入信总扩散函数,根据不同粒子的位置及相应适应值与当前群体最佳位置和最佳适应值的关系,控制粒子变尺度向群体当万矿最佳位置移动,岁倦于多样性反馈机制动态调节惯性权重和分配主、辅子群的粒子数量。对基准函数的仿真优化结果表明,改进算法与其他PSO改进算法相比,具有抑制早熟、收敛速度快、求解精度高的特点。     

一种改进的粒子群优化算法

针对非线性优化问题讨论了一种基于迭代进程和适应值综合的自适应变异粒子群优化算法,该算法按照自适应变异方法从迭代进程上、以及从目标函数适应值上调整速度惯性因子,同时结合正态变异算子调整搜索方向。采用专用测试函数进行仿真测试分析,结果表明改进算法收敛,具有很高的搜索效率和求解精度。     

一种基于混沌映射的粒子群优化算法及性能仿真

粒子群算法收敛速度快,规则简单,但易陷入局部极值.在粒子群算法中引入混沌序列,提出一种优化策略,以分阶段的思想进行寻优,使其在搜索初期更具遍历性,在搜索中后期,通过人为改变个别粒子的速度和位置,使算法具有更快的收敛速度与更好的全局搜索能力.在此基础上,提出一种改进Tent映射的策略,并将优化策略分别应用于基于Logistic映射的粒子群和改进的Tent映射的粒子群,同标准粒子群算法在寻优速度、精度、成功率等方面进行仿真与比较.     

一种促进PSO全局收敛的参数调整策略

模拟鸟群捕食行为的粒子群算法存在早熟收敛问题。理论和实验都证明了粒子群算法参数确定局部搜索能力与全局搜索能力的比例关系,对算法的收敛能力影响极大。对现有的参数调整策略进行了分析,指出了存在的问题。借鉴免疫机制中的多样性和变异理论,提出一种新的参数调整策略,该策略基于抗体的亲和力和粒子的聚集程度来确定粒子的最优适应值变化率及算法参数值。对经典测试函数的实验结果表明,提出的参数调整策略使算法的全局收敛能力得到了显著提高,能有效避免粒子群优化算法中的早熟收敛问题。     

一种新型自适应混沌粒子群算法在联盟运输调度问题中的研究

提出了一种新的自适应混沌粒子群优化算法.该算法在运行过程中根据群体适应度方差和最优解的大小确定当前最佳粒子引入混沌搜索有效位置的概率,有效结合粒子群全局和混沌局部搜索,避免了基本粒子群优化算法易于陷入局部最优的缺点,提高了进化后期算法的收敛精度.将该算法用于解决联盟运输调度问题,实验结果表明该算法具有较好的性能.     

离散粒子群算法的发散性分析及其改进研究

针对粒子群优化算法无法有效地解决离散及组合优化问题,首先从微观角度对粒子状态的变化轨迹进行分析,得出进化过程中单维粒子表现出聚散结构以及多维粒子整体呈现无规则的发散性,这导致粒子搜索的盲目性以及无法深入地进行局部搜索.然后,从粒子间的位置运算和粒子的位置转移两个方面对粒子运动方程进行修正,进而提出一种改进的离散粒子群算法.最后,以经典的背包问题为例进行验证,结果表明该算法有效地降低了粒子搜索的发散度,解的质量明显优于相关算法.     

基于最优评价的改进自适应粒子群算法

在求解高维空间中复杂多峰函数的优化问题时,传统的粒子群算法在收敛速度和局部搜索能力等方面表现出严重不足。针对这些问题,提出了一种基于最优评价的改进自适应粒子群算法(IAPSO),引入了改进的速度迭代公式,利用对每次迭代后种群的一系列最优值的评价来控制惯性权重的增幅,并设置对速度和位置的变异机制来防止搜索陷入局部最优。相关实验表明,在对高维空间中的复杂多峰函数进行优化求解时,改进粒子群算法IAPSO的表现比常规粒子群算法更加优越。     

基于粒子能量的自适应粒子群优化算法

群优化是一种随机的群体搜索策略.针对粒子群算法易陷入局部最优和收敛速度慢等不足,提出了根据粒子的能量自适应调整参数的改进算法.该算法基于动力学和热力学的理论,计算每个粒子的能量值,并将优化过程中的群体视为热力学的某一状态,通过退火温度和粒子的能量动态调整算法中的惯性参数,达到对"惰性"粒子的原速度方向给予较大的牵引力的目的.优化过程中,随着系统温度的降低,惯性参数逐渐减小,有利于问题的收敛.算法中采用了带极值扰动策略,加速粒子跳出局部最优的能力.数值实验结果表明,该算法具有收敛精度高和收敛速度快的特点,可快速有效的求解约束和非约束优化问题.     

基于二进制编码QPSO算法的移动机器人路径规划

在分析量子粒子群算法的基础上,针对离散搜索空间的问题,提出了二进制编码的量子粒子群算法.在算法中,重新定义了粒子的位置距离矢量,调整了搜索空间的迭代方程,并引入了多点交叉和精英保留的策略,保证全局收敛的同时加快粒子的收敛速度.并使用De Jong's测试函数对本算法和二进制粒子群算法进行了比较,最后使用二进制编码量子粒子群算法对机器人路径规划进行了仿真实验.     

"逆群"协作粒群方法及在函数优化中的应用

为提高不同粒子群之间的协作性能,减小粒子群局部收敛现象,提出了一种"逆群"协作粒子群方法,利用不同动作特性的两个群之间的相互协作,来提高粒群算法的性能.在此方法中,一个粒子群追随较好的位置,另一个群是远离较差的位置,与传统的粒子协作方法不同,在粒子飞翔的过程中,两群不仅交换较好的信息,同时也交换较差的信息,通过充分利用这两种信息,两群共同完成任务的求解.在完成算法设计的基础上,对两个群的运动特性和算法的收敛性进行分析,通过函数的优化实验验证了方法的有效性.     

汇率调整对外向型企业的影响

采用计算机建模的方法，定量分析汇率调整对外向型企业的影响。分析过程主要是利用基于主体的计算机模拟方法，结合经济学相关理论，通过建立反映外向型企业与汇率关系的模型，并在模型的基础上比较汇率不变，汇率小幅上调，汇率大幅上调这3种情况下的运行结果，对比分析关于汇率改革的3种决策对外向型企业的影响，从而得出保持汇率稳定最有利于我国外向型企业的发展的结论。     

一种基于多主体仿真的制度有效性分析方法研究

分析了仿真技术在制度有效性分析方面的研究现状。介绍了复杂适应系统理论由来及特性。指出了复杂适应系统及其仿真模型在制度有效性分析方面的优势。提出了基于复杂适应系统模型的制度有效性仿真分析方法。最后展示了一个实际应用。     

用群体智能原则控制群机器人搜索

用群机器人搜索定位矿难幸存者,可为人工施救提供决策参考.群机器人系统的建模基于个体有限感知和局部交互等群体智能原则,将机器人抽象为封闭2维空间的运动粒子,机器人与控制器综合抽象为一阶惯性环节.给出了机器人的感知函数、邻域结构及初始化区域的定义,以此为基础进行虚拟多agent搜索.针对机器人的最大运动速度和质量惯性等约束,交替施加螺旋控制以发现信号线索;施加扩展微粒群控制进行目标搜索.通过改变通信距离和感知范围进行了仿真实验,结果表明了控制策略的有效性.     

无人机集群任务规划方法研究综述

无人机集群以其高度的灵活性、广泛的适应性、可控的经济性,拥有越来越广泛的应用潜力,受到国内外的高度关注。任务规划是无人机集群应用的顶层规划，是根据任务环境态势、任务需求、自身特性等要求进行的综合调度，从而建立无人机与任务的合理映射关系，维持机间合理协同合作关系。本文从基于逻辑与规则的自上而下式任务规划和基于集群智能涌现的自下而上式任务规划两个方面,对无人机集群任务规划技术现状进行了全面的总结,分析了当前无人机集群任务规划技术研究应当关注的若干发展方向。本文的工作对于全面了解无人机集群任务规划技术现状具有重要参考意义。     

基于Nelder-Mead单纯形法的改进量子行为粒子群算法

针对PSO算法搜索精度较低,并且在复杂多模态函数优化中,容易陷入局部极值的问题,提出了一种改进的量子行为粒子群优化算法。研究了该算法的基本原理、给出了算法流程并采用正交试验的方式获得了一套通用性较强的算法参数。并以CEC’13的28个测试函数作为测试集,采用Wilcoxon符号秩检验将NM-QPSO算法分别与PSO算法和QPSO算法的误差进行比较试验。试验表明:NM-QPSO算法在统计意义上优于传统的PSO算法和QPSO算法,并且在高维函数优化中,具有显著优势。     

微分进化微粒群算法及其控制

通过对微粒群优化算法的分析,提出了一种用微分方程组描述的微粒群优化算法——微分进化微粒群优化(DEPSO)算法,并利用传递函数对DEPSO算法的收敛性进行分析.在此基础上,通过引入PID控制器以控制DEPSO算法的动态进化行为,以增强微粒产生的多样性,从而改进微粒群优化算法的全局收敛性.仿真结果表明了此方法的有效性.     

全局版人工鱼群算法

人工鱼群算法是一种基于动物行为的群体智能优化算法.针对基本人工鱼群算法运算速度慢的缺陷,提出了一种全局版人工鱼群算法.该算法用整个鱼群的中心位置和全局极值位置代替人工鱼的邻域中心位置和邻域极值位置,从而减少了算法的计算量,提高了运算速度;采用动态调整人工鱼视野和步长的方法,较好地平衡了全局搜索能力和局部搜索能力;在人工鱼的觅食行为中,让人工鱼直接移动到搜索到的较好位置,加快了搜索速度.仿真结果表明,该算法的优化性能优于基本人工鱼群算法.     

改进QDPSO算法在BP网络训练中的应用

QDPSO（Quantum Delta-Potential-Well-based Particle Swarm Optimization）算法是基于量子空间的粒子群算法，对QDPSO算法进行了改进，结合Iris分类问题，应用到BP网络的权值优化中，并和基于标准PSO算法的方法进行了比较。实验结果表明：该算法性能优于所比较的两种算法，并且具有良好的收敛性和稳定性。     

一种基于分子动理论的改进粒子群优化算法

提出了一种新颖的基于分子动理论的粒子群优化算法(MMY-PSO).类比于物理学中质心的概念本文定义了群质心,MMT-PSO把种群中的每个粒子类比成分子,根据粒子与种群目前的质心之间的距离远近,粒子与质心间的分子作用力控制粒子的飞行方向以决定其是朝着群质心的方向飞行还是远离它,从而有效地协调了种群的多样性,使算法能够有效地平衡全局和局部搜索.通过解决典型的多峰、高维函数优化问题来证实算法的有效性,实验结果表明MMT-PSO比标准PSO具有更高的性能.