径向基函数神经网络辅助的微粒群算法

由于微粒群算法在获得最优解或近似最优解之前往往需要进行大量的目标函数评价,因此其在求解复杂优化问题时的时间消耗是不可接受的,导致其在这类优化问题上的应用受到了很大的限制。为此,我们提出使用计算廉价的径向基函数神经网络作为代理模型以替换真实的计算费时的目标函数计算。当其估值优于个体历史最优值时才进行真实的目标函数计算,从而节省计算成本。通过在6个50维的标准测试函数上的实验结果分析,该方法能够在相同目标函数评价次数下获得比标准微粒群算法更优的解,表明了所提方法对于求解复杂优化问题的有效性。     

一种并行自适应微粒群聚类算法

大规模的数据挖掘如聚类问题迫切需要大量计算,提出了自适应微粒群优化的并行聚类算法。通过从多种群并行地开始搜索,基于群体搜索技术的微粒群优化算法减少了初始条件的影响,采用任务并行和部分异步通信策略,降低计算时间。结合并行微粒群算法的自适应参数动态优化特性,克服群体逐渐失去迁移性而停止进化的问题,保持群体多样性从而了避免种群退化。仿真实验证明,该算法在并行机群上运行时,加快了聚类算法的计算速度,提高了聚类质量。     

一种改进的自适应微粒群优化算法

为了提高微粒群算法(PSO)优化高维目标的性能,提出了个体惯性权重自适应调整微粒群算法(PSO-IIW).PSO-IIW中微粒拥有个体的惯性权重以满足不同微粒对全局和局部搜索能力的不同需求,此权重在对微粒每次进化后的适应值进行评价的基础上被自适应地调整,以加快其收敛速度并逃离局部最优.用该方法与其他两种不同微粒群优化算法对3个经典函数在80,120和160维数进行仿真的结果进行比较,证明在解决高维度目标时可以有效提高微粒群算法的性能.     

小生境微粒群优化算法

将小生境技术引入到微粒群优化算法之中,设计出一种小生境微粒群优化算法。该算法除了始终赋予微粒生命力,还将位置重叠的差适应值微粒在搜索空间重新启动。通过对4个常用测试函数进行优化计算,仿真结果表明小生境微粒群优化算法比基本微粒群优化算法具有更好的优化性能。     

基于在线归档技术的多目标粒子群算法

提出一种基于在线归档技术的新型多目标粒子群优化算法. 使用外部集归档,在归档粒子中采用适应值共享技术选出全局最优位置,使得种群多样性得以维持;在粒子群的进化过程中,使用在线归档策略,将归档的粒子合理地引入下一代的种群,淘汰原种群中的不良粒子,从而保证进化过程中种群的优良性. 用Zitzler的两个多目标测试函数评价算法的性能. 结果表明,该算法能快速收敛到Pareto非劣最优目标域,并且解集沿着Pareto非劣最优目标域有很好的扩展性.     

动态分群的微粒群优化算法

在分析基本微粒群优化算法的基础上,引进分群思想,提出了一种动态分群的微粒群优化算法(DPSO)。根据适应值的大小将微粒群分成两个或多个分群,然后,每个分群采用不同的策略分别搜索,得到输出最优值。将动态分群的微粒群优化算法用于一些常用测试函数的优化问题,实例计算表明:DPSO具有较强的全局寻优能力。将DPSO用于延迟焦化装置粗汽油干点软测量,所建模型的泛化性较好,模型具有较高的精度。     

工程项目多目标协同优化研究

将微粒群算法(particle swarm optimization,PSO)引入工程项目多目标协同优化领域,研究工程项目的质量、费用、资源和工期的协同优化问题。文章首先系统介绍微粒群算法原理、流程以及算法的改进发展,然后研究了工程项目质量、费用、工期和资源的协调功效系数,并建立了质量、费用、工期和资源的多目标协同优化模型,接下来介绍了应用微粒群算法编码解决工程项目多目标优化的方法步骤。最后,通过一个应用实例,计算表明微粒群算法可以准确快速地解决工程项目多目标协同优化问题。     

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法,已在许多领域得到了非常成功的应用。本文以约束优化问题为对象,首先介绍了采用罚函数法将约束优化问题化为无约束优化问题,和将约束优化问题转化为minmax问题,然后对无约束优化问题和minmax问题,采用PSO算法进行进化求解;在此基础上,以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

惯性权重线性调整的局部收缩微粒群算法

针对微粒群优化算法存在陷入局部极小点和搜索效率低的问题, 给出一个新的速度更新策略局部收缩策略, 并提出一种改进的微粒群优化算法, 该算法保持微粒群优化算法结构简单的特点, 改善了微粒群优化算法的全局寻优能力, 提高了算法的收敛速度和计算精度. 仿真计算结果表明, 改进的算法性能优于混沌微粒群优化算法、 微粒群优化算法和带有收缩因子的微粒群算法.     

约束函数估值策略辅助的微粒群算法

针对约束函数计算费时的优化问题,提出了一种基于分类器的预测微粒群算法。通过构造一个分类器对种群个体进行约束条件满足与否的估计判断,从而减少约束函数的计算时间,缩短整个优化时间。在13个标准测试函数上的测试结果表明,本文提出的方法可以大大减少约束函数的实际计算次数。     

虚拟力导向多粒子群算法的WSNs部署策略

为了优化无线传感器网络节点部署性能,在粒子进化的多粒子群算法的基础上结合虚拟力方法,提出了一种虚拟力导向多粒子群算法的部署策略。该策略通过节点间的虚拟力影响多粒子群算法的速度更新过程,指导粒子进化,采用多个粒子群独立搜索解空间,有效地避免了＂早熟＂问题,从而最大限度地优化了网络的覆盖率。仿真结果表明,与虚拟力算法和多粒子群算法相比,该算法在覆盖率、迭代次数和部署时间等方面具有更好的性能。     

一个与信籁域搜索技术相结合的微粒群算法

微粒群优化算法(PSO)是一种有效的随机全局优化技术.文章针对利用微粒群优化算法进行多极值点的函数优化时,存在陷入局部极小点和搜索效率低的问题,把信籁域搜索技术引入到PSO算法中,提出了基于信籁域搜索的微粒群优化算法(TRPSO).该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度.仿真计算结果表明,该算法的性能优于混沌微粒群优化算法(CPSO)和基本微粒群优化算法(PSO).     

基于改进的微粒群算法的WSN节点部署策略

在无线传感网络部署中,必须保证无线传感器节点能够有效地覆盖被监测区域.为了减少节点部署时产生覆盖盲区,提高网络的覆盖率,本文提出了一种基于改进微粒群算法的无线传感器网络节点部署优化策略,以网络的覆盖率为适应值函数,将传感器节点的部署问题转化为目标优化问题,通过采用k-means聚类算法划分子种群,并且对子种群进行动态重...     

多峰函数寻优的微粒群算法

某些实际问题的优化目标是求所有的局部最优解，即求解多峰寻优问题，为了求解多峰优化问题，提出了改造的微粒群优化算法．尽量减少微粒群算法中的全局因素，从而增大其局部因素，同时采用变步长方法增加微粒的多样性．并给出了该算法的原理和步骤．仿真实验表明该算法概念清楚，计算简单，具有很好的局部寻优特性，可应用求解于多峰寻优问题．另外还给出了几个运算实例和与其它优化算法的比较．图表，表1，参9．     

复杂函数优化中的一种扩展微粒群算法

为了提高标准微粒群算法处理复杂函数时的优化性能,引入了一种扩展形式的新微粒群算法。该算法充分利用了微粒群算法中两个量的优点：群体最优位置利于引导个体快速进化、个体最优位置的中心利于增强群体的多样性。新算法是标准微粒群算法的扩展形式,同时保持了迭代公式的简洁形式。通过复杂函数优化的数值模拟表明,扩展的微粒群算法较标准微粒群算法在寻优能力上有明显的提高。     

面向高维度目标函数的微粒群优化算法

针对基本微粒群算法在处理高维度目标函数容易出现早熟的问题,提出了一种新的微粒群算法面向高维度目标函数的微粒群算法(HDOF-PSO).分析了基本微粒群算法难以处理高维度目标函数的原因.通过引入信心度和试探策略,算法的收敛速度得到提高;通过引入成功度,搜索过程中的变异概率能够自适应修正.在特定测试函数集上的实验表明,HDOF-PSO在处理高维目标函数时,比基本微粒群算法和一个改进的微粒群算法具有更快的收敛速度和更好的收敛性.     

利用模型管理框架求解多目标优化问题

为了提高演化算法的效率，减少优化时间，提出一种多目标模型管理框架。利用该模型管理框架可以在整个寻优区域内建立比较精确的目标及约束的近似模型，从而避免了大量耗时的高精度分析计算。将该多目标模型管理框架与单纯形-多目标粒子群算法（SM-MOPSO）相结合，对某轻型飞机齿轮箱减速器进行多目标优化设计，使高精确分析计算的次数减少88％。该多目标模型管理框架及SM-MOPSO算法可用于求解大型、复杂的工程优化问题。     

惯性权自适应调整的量子粒子群优化算法

针对量子粒子群的惯性权值β线性递减不能适应复杂的非线性优化搜索过程的问题,提出了一种惯性权自适应调整的量子粒子群优化(DCWQPSO)算法.在该算法中,引入了量子粒子群进化速度因子sd和聚集度因子jd,并将惯性因子β表示为sd,jd2个参数的函数.在每次迭代时,算法可根据当前量子粒子群进化速度因子和聚集度因子动态地调整惯性权值,从而使算法具有动态自适应性.对典型的标准函数的测试结果表明,与量子粒子群算法相比,改进后的量子粒子群优化算法的收敛速度明显提高.     

求解任务分配问题的一种离散微粒群算法

以交通运输领域中的装卸货任务分配问题为例对任务分配问题进行数学描述,提出一种用于求解该类问题的离散微粒群算法（DPSO）。在分析基本微粒群算法的收敛性能和任务分配问题解分布情况的基础上,采用惯性权值非线性下降策略更新微粒速度,以提高算法的收敛性,并且引入一个反正切函数对基本微粒群算法的位置公式进行进一步处理,以保证解的可行性。提出的DPSO用于求解某企业铁路货运站的装卸任务,在相同实验条件下,求解同一任务分配问题,提出的改进DPSO寻优率为76％,明显高于寻优率仅为40％和4％的其他2种DPSO算法;不同规模问题的求解试验中,综合比较寻优结果和计算时间,所提DPSO算法优于枚举法和遗传算法,且计算简便,可推广用于其他任务分配问题与组合优化问题。     

代理模型辅助的初始可行解产生方法

采用约束保持法求解单目标约束优化问题时,初始化产生可行解的过程存在计算费时问题.因此提出了代理模型辅助的初始可行解产生方法,采用径向基函数构建代理模型,在初始解的产生过程中,预先使用代理模型估计试验粒子的约束冲突值,若满足约束才进行实际计算,从而减少粒子的评价次数以提高算法效率.采用该方法对多个标准函数进行测试,结果表...