基于优化DPSO算法的云平台任务调度研究

为提升离散粒子群优化算法(discrete PSO,DPSO)的全局收敛性和收敛效率,提出一种基于适应值的分段自适应惯性权重.根据粒子在空间搜索过程中适应度值的大小,将粒子的搜索性能分为4个状态区,粒子处于不同的状态区,拥有不同的惯性权重值.当粒子当前的适应值接近粒子群中最优粒子的适应值时,应赋予粒子较小的惯性权重值,反之,应赋予粒子较大的惯性权重值.通过动态调整粒子所处各个阶段的搜索状态,来加速粒子向全局最优解收敛.提升DPSO算法的全局搜索性能,并将优化的DPSO算法应用于云平台的任务调度.仿真实验表明,优化后的DPSO算法具有高效的全局搜索性能,能快速地为云平台提供最佳任务调度策略.     

基于速度变异的粒子群算法

为了改善粒子群优化算法在收敛后期极易陷入局部最优的缺陷,提出了在非线性惯性权重策略粒子群算法的前提下,对陷入局部极值区域的粒子进行位置变异,使得粒子能很好地跳出局部极值区域,并在迭代前期及后期采用不同速度变异策略使处于个体极值点的粒子改变速度,能够有效地提高算法的前期全局搜索能力和后期局部开挖能力。通过4个经典测试函数验证了该算法具有更好的优化性能。     

粒子群算法在金融风险模型中的研究与改进

在一种非线性金融风险模型中引入粒子群算法,针对粒子群算法在迭代后期搜索能力不高、粒子容易陷 入局部最优的问题,基于对惯性权重的优化以及对每个粒子个体位置变异,提出一种改进后的粒子群算法。 利用粒子群算法选择最优控制参数,以最大程度降低金融系统的总风险值。仿真结果表明,改进后的粒子群算 法在全局最优以及搜索速度方面优于传统的粒子群算法。     

基于改进粒子群优化算法的混沌系统参数估计

提出了一种改进的粒子群优化算法用于解决混沌系统的参数估计问题,从粒子种群的初始化、惯性权重调整策略、差分变异进化、粒子位置与飞行速度的越界处理、局部变尺度深度搜索5个方面对标准粒子群算法进行综合改进,合理有效平衡了算法的全局探索能力与局部开发能力.基准函数测试表明了该算法的全局搜索能力、可靠性及搜索速度都有很大改善,有效克服了标准粒子群算法的早熟收敛现象.以Lorenz混沌系统为例进行仿真实验,结果验证了所提方法的有效性.     

基于熵模型的粒子群优化算法

为了改善粒子群算法在解决高维优化问题时易早熟收敛且存在大量无效迭代的问题,提出了一种基于熵模型的粒子群优化(EPSO)算法.通过引入信息熵模型,精确分析了粒子群搜索过程中的聚集特性,将粒子群搜索过程划分为3个阶段进行优化.第1阶段引入粒子迭代熵差,优化调整惯性权重;第2阶段根据粒子群熵值变化,适时重置惯性权重;第3阶段采用截断策略,减少粒子群的无效迭代.实验结果表明,在Sphere、Rosenbrock、Ackley、Griewank、Rastrigin五个标准测试函数中,EPSO算法的求解精度和收敛速度都优于传统粒子群算法、经典粒子群算法、自适应惯性权重粒子群算法以及新的自适应惯性权重粒子群算法,并且减少了算法的大量无效迭代,从而验证了EPSO算法的有效性.     

基于改进粒子群算法的码书设计方法

基本的矢量量化码书设计方法的性能易受到初始码书的影响,采用群体优化的粒子群算法是克服这一缺陷的有效手段。在粒子群算法中,惯性权重因子的大小决定了粒子的搜索能力。为了权衡粒子群算法中全局搜索能力与局部搜索能力,提出了一种非线性递减的惯性权重粒子群优化算法。该算法能够自适应地调整惯性权重因子的大小,从而有效地改善粒子的全局搜索能力。     

粒子群优化算法在多参数拟合中的应用

提出一种新的自适应粒子群优化算法,以解决梯度法为基础的算法在进行多参数拟合时因各参数之间相关性较高而带来的拟合上的问题．该粒子群优化算法采用自适应变异和动态自适应调整搜索范围、惯性权重相结合的改进策略,数值模拟了将该算法应用于测量薄膜热物性时的多参数拟合,结果表明该算法是可行和有效的．     

一种自适应混合纵向多变异粒子群算法

为克服标准粒子群算法搜索后期收敛速度慢、容易陷入局部最优的缺点,通过引进自适应惯性权重因子平衡标准粒子群优化算法的全局搜索和局部改良能力,同时设计了均匀分布变异和高斯分布变异相结合的粒子群混合纵向多变异策略,来提高算法摆脱局部极值和局部寻优的能力.根据提出的改进算法流程,针对公认的Sphere,Rastrigin,Griewank和Salomon四种标准测试函数进行了收敛精度和收敛速度的测试.测试结果表明,在标准粒子群、自适应权重粒子群、自适应变异粒子群和自适应混合多变异粒子群4种算法中,提出的新算法具有最好的全局最优值搜索能力和最稳定的全局收敛特性,且在提高收敛速度的同时,有效地避免了早熟收敛问题.     

一种基于杂交机制的改进的双子群粒子群优化算法

为了克服粒子群算法的早熟收敛问题和易陷入局部最优问题,本文提出了一种新的基于双子群的改进粒子群优化算法,通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围,并借鉴杂交机制,使搜索速度更快,收敛精度更高。再采用自适应惯性权重的粒子群算法,根据种群的进化状态来动态调整惯性权重。     

改进型耗散粒子群优化算法

通过对标准粒子群优化算法中惯性权重的分析和对耗散理论的研究,提出了一种惯性权重正弦调整的耗散粒子群优化算法(S-DPSO),并对该算法进行了深入的分析和研究.通过对4个典型函数的仿真测试,试验结果表明S-DPSO在收敛速度和全局收敛性方面都比标准粒子群优化算法、随机惯性权重粒子群优化算法、惯性权重正弦调整粒子群优化算法、耗散粒子群优化算法和随机惯性权重耗散粒子群优化算法有明显改进.理论分析和仿真试验验证了S-DPSO的正确性和有效性.     

改进的粒子群优化算法在可靠性问题中的应用

提出了一种改进的粒子群优化(IPSO)算法以解决可靠性问题.IPSO算法使用3种策略来改进粒子群优化算法(PSO)的速度更新步骤,这有利于提高算法对解空间的开发能力.另外,一种动态调整的惯性权重被引入到速度更新中以平衡IPSO算法的全局搜索和局部搜索.实验结果表明,在解决可靠性问题上,IPSO算法比其他两种粒子群优化算法具有更强的收敛性和稳定性.IPSO算法是解决可靠性问题的一个有效的选择.     

一种随机调整控制参数的鲸鱼优化算法

针对标准鲸鱼优化算法在处理复杂优化问题时出现搜索精度低和易出现早熟收敛等缺点,提出一种随机调整控制参数的改进鲸鱼优化算法(EWOA)。受粒子群优化算法中惯性权重的启发,利用随机分布的方式调整控制参数,以平衡鲸鱼优化算法的全局搜索和局部搜索能力。对当前最优个体执行服从正态分布的变异扰动,以避免算法出现早熟收敛现象。此外,采取佳点集方法替代随机方法产生初始个体以提高算法的全局收敛速度。6个标准测试函数的仿真实验结果表明EWOA能有效处理高维复杂优化问题。     

多惯性权重的自适应粒子群优化算法

惯性权重是粒子群优化算法重要参数之一,它能够平衡算法的全局搜索能力和局部搜索能力.为了利用已知惯性权重解决某些问题的优点,提出一种多惯性权重的自适应粒子群优化算法.首先定义了K步进化度的概念,然后基于进化度,从惯性权重集中随机选择惯性权重,使得适合解决某一问题的惯性权重在迭代过程中能够多次被使用,从而提高算法性能,把该算法应用到典型测试函数中,并与其他算法进行比较分析,结果表明,所提出的算法是可行的、有效的.     

基于惯性权重自适应改变的混沌粒子群算法

粒子群算法是美国学者受鸟类觅食行为启发提出的一种群体优化算法,在迭代后期易早熟收敛.为此利用混沌运动的随机性、规律性和遍历性的特点对粒子群算法进行优化,提出了一种惯性权重自适应改变的混沌粒子群算法.在算法中对惯性权重进行调整加快算法前期收敛速度,而且加入了变异操作以帮助粒子后期跳出局部极小.最后用测试函数进行仿真实验,结果表明该算法收敛快,寻优能力强,寻优精度高.     

基于期望生存率的动态自适应粒子群算法

针对惯性权重线性递减粒子群算法(LDPSO)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权重的自适应粒子群算法(DAPSO).在该算法中引入期望生存率的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为期望生存率的函数.每次迭代时算法可根据当前粒子群平均期望生存率的大小动态地改变惯性权重,从而使算法具有动态自适应性.对6个典型函数的测试结果表明,DAPSO算法的收敛速度明显优于LDPSO算法,收敛精度也有所提高.     

一种自适应调节粒子群优化算法的研究

针对粒子群优化算法容易出现早熟收敛和稳定性低的现象,提出一种自适应调节的粒子群算法.算法中通过自适应调节适应度值的均匀分布保持种群的多样性,该策略能够提高算法的全局搜索能力,同时可避免阈值对算法稳定性的影响.另外采用自适应周期性变异的惯性权重对粒子的速度进行更新,可改善算法的局部搜索能力和稳定性.使用多维标准函数对改进的算法进行仿真试验,结果表明,算法具有较好的全局搜索精度和稳定性,避免了早熟收敛.     

求解约束优化问题的改进粒子群优化算法

针对约束优化问题,提出了一种改进的粒子群优化算法.该算法利用罚函数法将约束优化问题处理为无约束优化问题,并利用可行基规则来更新个体极值和全局极值,使不可行的粒子尽快飞向可行域,显著提高了算法的全局搜索能力.在标准粒子群算法研究基础上,为了提高粒子群算法求解非线性复杂优化问题的性能,对速度方程和惯性权重做了改进.数值算例表明,该算法是求解约束优化问题的一种较为有效的全局优化算法.     

一种动态惯性权重的自适应粒子群优化算法

在标准粒子群算法中,权重过大导致最优点的搜寻能力降低,不能适应复杂的非线性优化搜索过程,动态惯性权重的自适应粒子群算法(APSO)解决了这一问题。在该算法中,粒子群中所有粒子适应度的整体变化可以跟踪粒子群的状态,在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性。通过对几种典型函数的测试结果表明,APSO算法的收敛速度和收敛精度明显优于LDW算法,从而提高了算法的性能。     

求解函数优化问题的自适应粒子群算法

本文提出了一种新的自适应粒子群优化算法(ASPO)。该算法利用种群多样性信息对惯性权重进行非线性的调整,并在算法的后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优点的束缚。将其应用于函数优化问题中,仿真结果表明APSO算法能有效的解决函数优化问题。     

一种自适应改变惯性权重的粒子群算法

针对标准粒子群算法收敛性和收敛速度的问题,分析标准粒子群算法惯性参数对算法性能优化的影响,提出一种自适应改变惯性权重的粒子群算法（ACPSO）。通过对粒子速度和位置变化过程的分析,并结合早熟收敛程度和个体适应值自适应的调整惯性权重,使得算法能在全局收敛性和收敛速度之间找到良好的平衡关系,并且通过典型的函数测试,表明此方法有效的控制了粒子群的多样性,而且具有良好的收敛速度。