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,成功地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,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.     

基于扰动的自适应粒子群优化算法

【目的】针对标准粒子群优化算法在应用中暴露出的缺点,如在迭代后期收敛速度慢、搜索精度不高、容易陷入局部最优等,提出一种基于扰动的自适应粒子群优化算法。【方法】该算法将扰动因子加入速度更新公式中,使种群搜索范围扩大;采用自适应的惯性权重,以起到平衡全局和局部寻优能力的作用;对最优粒子进行自适应的柯西变异,拓展最优粒子的搜索空间,降低粒子陷入局部最优的可能性;最后对算法进行仿真实验。【结果】新算法能够增强全局搜索能力,有效避免局部最优,具有更快的收敛速度。【结论】新算法克服了标准粒子群优化算法的缺点,为进一步研究粒子群优化算法的改进和应用提供科学依据。     

基于正交试验设计的粒子群优化算法

针对粒子群优化(particle swarmopti mization,PSO)算法在进化初期收敛速度快但容易陷入局部最优、在进化后期收敛速度变慢且精度低的缺陷,为了提高粒子群算法的收敛速度和全局寻优能力,提出了基于正交试验设计的粒子群优化(orthogonal-experi mental-design-based PSO)算法.在基本粒子群算法的基础上,算法OE-PSO对当前搜索到的解进行局部寻优,利用正交试验设计对搜索空间的分布均匀性在可行解的领域选择有代表性的解进行测试.算法OE-PSO用搜索到的更好的解在下一次迭代中引导粒子进行搜索,从而获得更快的收敛速度和更精确的解,同时避免局部最优.实验结果表明,算法OE-PSO不但具有较快的收敛速度,而且能够有效提高解的精确性,增强算法的鲁棒性.     

改进的混沌粒子群算法对WLS-SVM性能参数的优化

加权最小二乘支持向量机(WLS-SVM)的学习性能和泛化能力取决于其正则化因子C和核函数参数σ的取值。对此,针对WLS-SVM建立C和σ的组合优化目标函数,采用基于Lozi映射的粒子群(PSO)算法来搜索最优目标函数值。迭代过程中,通过分别映射PSO个体最优位置,把产生的混沌序列中的最优解分别逆运算取代当前个体最优位置,引入混沌机制,以混沌变量的遍历性改进粒子群算法,提高全局搜索能力,避免过早陷入局部最优。将其应用于某玩具企业原料月消耗量预测,结果表明了文中所提方法的有效性。     

融合多种策略的改进粒子群算法及其在电子商务多级物流中的应用研究

为了提高粒子群优化算法(PSO)求解复杂优化问题的能力,本文对基于细菌趋化的粒子群优化算法(PSOBC)进行改进。PSOBC算法是PSO算法的一种新思路,可以有效地克服其易陷入局部最优、后期粒子多样性差的缺点,故将一般反向学习策略和自适应惯性权重与PSOBC算法相结合,得到一种改进的粒子群优化算法。改进的粒子群优化算法的开发能力和勘探能力都得到了很大的提高;在求解复杂性优化问题时种群能够在搜索范围内快速收敛到局部最优处,并且当种群密度足够小时,及时增大种群密度即进行去全局寻优。最后将改进后算法应用到电子商务多级物流中心选址及路径规划问题上。     

基于具有自适应与自学习能力的粒子群优化算法的车间调度算法

针对车间调度问题,提出一种新的基于粒子群优化和模拟退火的混合算法.该算法将问题规模作为启发式信息,通过对模拟退火算法引入新的邻域搜索机制——多粒度搜索,并加入选择优化和淘汰更新机制,提高了算法的自适应性和自学习能力,降低了粒子群算法陷入局部最优的可能性.实验结果表明,该算法在最优解的求解能力上优于其他算法.     

基于具有自适应与自学习能力的粒子群优化算法的车间调度算法

针对车间调度问题, 提出一种新的基于粒子群优化和模拟退火的混合算法. 该算法将问题规模作为启发式信息, 通过对模拟退火算法引入新的邻域搜索机制--多粒度搜索, 并加入选择优化和淘汰更新机制, 提高了算法的自适应性和自学习能力, 降低了粒子群算法陷入局部最优的可能性. 实验结果表明, 该算法在最优解的求解能力上优于其他算法.     

RAQPSO算法的云计算资源调度策略

在"互联网+"时代,云计算代表了一种新的商业模式,而云系统中用户任务与计算节点的调度问题极大地影响着系统的性能和云竞争力。为此,提出了一种改进的量子粒子群算法——反向自适应量子粒子群算法(RAQPSO),通过对惯性权值参数的调整和加入反向学习算子来提高算法的全局搜索能力,并将其应用于云计算资源调度中,仿真验证了算法的有效性。建立了云计算资源调度问题的模型;采用自适应机制,将适应度函数的变化程度作为惯性权值的更新因子,避免了单纯地根据迭代次数的线性函数来取值,从而使粒子不易陷入局部最优;随后加入粒子反向学习算子,加强了粒子全局搜索能力。实验结果表明,RAQPSO算法大大节约了任务完成时间,并且保持了良好的计算节点负载平衡。     

改进协同粒子群优化算法及其在Flow Shop调度中的应用

针对协同粒子群优化算法存在的停滞现象,提出了一种改进的协同粒子群优化算法。采用优化法的子群协作方式,既保证了收敛速率,又可以防止陷入局部最优。同时引入综合学习策略,增加种群的多样性,防止种群出现停滞现象。在此基础上,又加入了扰动机制,进一步避免算法陷入局部最优。采用该算法对3个经典函数进行测试,并将其应用于Flow Shop调度问题,仿真实验结果表明:新算法有效克服了停滞现象,增强了全局搜索能力,比基本协同粒子群优化算法的优化性能更好。     

粒子群优化算法惯量权重控制方法的研究

粒子群优化算法（PSO）是一类随机全局优化技术,算法简单、容易实现而功能强大,目前已成为国际进化计算界研究的热点.粒子群算法的性能受到参数惯量权重ω的影响,大量研究表明,较小的ω具有较好的局部搜索能力,可提高求解精度;较大的ω具有较好的全局搜索能力,在一定程度上可以避免陷入局部最优.很多研究者提出了多种动态调整惯量权重...     

基于高斯学习多峰延迟粒子群优化算法

为克服粒子群在解决多峰函数复杂问题时存在收敛速度慢和极易陷入局部最优值的缺点,提出了一种基于高斯学习多峰延迟粒子群混合算法。首先引入改进的高斯学习提高算法的收敛速度,然后在此基础上,针对4 种进化状态在算法中引入延迟因子避免局部最优问题。通过对6 个单峰多峰测试函数进行仿真实验,验证了GLPSO( Gaussian Learning PSO) 算法具有更好的收敛速度,同时验证了GLMDPSO( Gaussian Learning Multimodal Delayed PSO) 算法在处理多峰函数复杂问题时具备更好的全局搜寻能力。因此,改进算法在解决多峰函数寻优问题时可有效跳出停滞状态,提高收敛速度并具有较好的寻优能力。     

基于侦察学习策略的粒子群算法优化

针对粒子群算法收敛能力不足和易陷入局部最优的问题,提出了一种基于侦察学习策略的新型粒子群算法。 算法首先利用拓扑结构构建粒子种群,其次采用联合因子均衡算法的局部搜索能力和全局搜索能力,并通过侦察学习策略改进算法的速度和位置公式进而产生候选解;Wilcoxon 秩和检验结果和CEC2017 基准函数检测结果表明,新型粒子群算法的收敛能力,最优解精度以及算法稳定性更好,说明算法性能得以提升。     

基于OpenMP求解无容量设施选址问题的并行PSO算法

讨论无容量设施选址(UFL)问题,提出了一个基于OpenMP技术的并行多粒子群优化(PSO)算法.将整个种群分为若干子种群,同时利用局部信息来更新粒子速度,使得并行算法异步进行.算法运行一定代数后,每个子种群都会与其相邻种群交换最优粒子.通过将并行多粒子群算法对OR-library中的标准测试问题进行测试,并将计算结果与串行多粒子群算法的计算结果进行比较.相比之下,并行多粒子群算法执行时间短,特别对于大规模的计算问题,所得结果有更好的鲁棒性.     

改进的灰狼算法在电动汽车充电调度中的应用

针对灰狼优化算法（grey wolf opotimizer, GWO）易早熟收敛和陷入局部最优的缺点,提出一种基于精英反向学习的混合灰狼算法（grey wolf optimizer based on particle swarm optimizer,PSO-GWO）。首先,利用精英反向学习机制初始化种群,使种群保持多样性;然后提出一种非线性控制因子策略,增加算法的搜索能力,提高算法的收敛速度;最后基于差分进化和粒子群思想更新了位置方程,从而提升算法的收敛性能。采取10个基准测试函数将本文提出的改进的算法与差分进化算法、粒子群算法、传统灰狼算法、其他学者提出的改进灰狼优化算法进行对比。实验结果表明,本文提出的算法与其他算法相比,在求解多峰函数问题上效果显著,可以搜索到最优解0,同时求解最优非0解函数的效果也体现地较优越;同时运用改进的算法在实际电动汽车充电调度上进行了对比分析,发现也取得了不错的效果。     

禁忌粒子群算法

针对基本粒子群算法容易陷入局部最优的缺点,将禁忌搜索算法中的禁忌思想与粒子群算法结合,提出了一种新的粒子群算法——禁忌粒子群算法(TPSO)。该算法将粒子群算法找到的当前最优值禁忌一段时间后再释放,以此避免算法陷入局部最优,即使算法暂时陷入局部最优,该算法跳出局优的能力也很强。实验表明,TPSO在收敛速度以及收敛精度方面都比基本粒子群算法有了很大程度的提高,特别对于多极值问题搜索效果非常好,可以很好的解决算法陷入局部最优的问题。     

基于差异演化的粒子群优化算法

针对粒子群优化算法由于缺乏种群多样性而导致早熟收敛的不利因素.提出了一种把差异演化算法中的后代产生机制引入粒子群优化算法的更新规则中以保持粒子群的种群多样性和加快收敛速度的算法.这种思想能有效改善摆脱极值点的能力.基于几个高维测试函数的试验结果显示,该算法在收敛速度快和精度方面都优于粒子群优化算法.     

基于Powell搜索法的混合微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部搜索能力强等优点,本文提出了一种与Powell搜索法相结合的改进微粒群算法实践.改进算法将微粒的搜索过程分为两阶段,第一阶段,将PSO算法的速度公式改进后进行搜索;第二阶段,将第一阶段的最后一代微粒作为Powell搜索法的初始点,让Powell搜索法与PSO算法交替进行.这样既克服了PSO算法易陷入局部最优的缺点,也大大提高了算法的求解精度和收敛速度,同时保持了微粒的多样性.仿真结果表明:同PSO算法相比,Powell-PSO算法具有较高的求解精度和较强的寻优能力,并且不论是对单峰函数还是多峰函数都能取得很好的优化效果.     

基于精英高斯学习的改进鱼群粒子群混合算法

为提高算法在高维函数上的寻优性能,提出改进鱼群粒子群混合算法。该算法将鱼群算法全局搜索性能好与粒子群算法局部搜索性能强的优点相结合,在寻优初始阶段采用鱼群算法获得最优群体,在后期用粒子群算法实现精搜索。针对初始种群随意性大、分布不均的问题,通过均匀初始化,优化初始种群的分布; 并对算法全局搜索方向性差、效率低的问题,采用仿照蛙跳算法的分组方式对种群进行分组,同时对组内优秀个体和一般个体使用不同搜索策略,提高搜索的目的性和效率。引入改进的精英高斯学习,从而提升最终结果的精度。利用该算法对6 个标准函数寻优并与其他算法比较,结果表明,该算法的改进有效且性能优于其他算法。