PSO-QGA在移动机器人复杂路径规划中的应用

量子遗传算法具有适应性强、收敛速度快、适合于全局搜索的特点,粒子群优化算法的优点是具有记忆能力,在智能搜索的实现上可以结合个体和全局的最佳位置实现位置定位,但粒子群优化算法在搜索速度和择优能力方面还有待提升.因此提出了一种改进的路径规划算法,即利用量子遗传算法结合粒子群优化算法的记忆功能和最佳定位能力,实现对移动机器人路径规划算法的改进.通过仿真实验已经证明,改进后的移动机器人路径规划算法在稳定性和路径优化选择上都优于单纯的粒子群优化算法和量子遗传算法,并且改进后的算法更适合于复杂路径中实现优化.     

收敛因子非线性变化的鲸鱼优化算法

针对基本鲸鱼优化算法在处理复杂全局优化问题时存在解精度低和收敛速度慢等缺点,提出一种收敛因子随进化迭代次数非线性变化的改进鲸鱼优化算法.该算法利用混沌方法替代随机方法初始化种群,使群体具有较好的多样性.受粒子群算法惯性权重启发,设计出一种随进化迭代次数增加而非线性变化的收敛因子更新公式,以平衡算法的全局搜索和局部搜索能力.对当前最优鲸鱼个体执行混沌扰动策略以扩大其搜索范围.选取6个高维标准测试函数进行数值实验,结果表明该算法具有较高的收敛精度和较快的收敛速度.     

基于高斯变异与Levy飞行策略的混合粒子群优化算法

目的 解决粒子群算法易陷入局部最优解、出现早熟收敛从而导致求解精度不高的缺陷.方法 将高斯变异(Gaussian M utation)、Levy飞行策略与基本粒子群优化算法(PSO)进行混合,提出一种称为GLPSO混合粒子群算法.在该算法中粒子通过Levy飞行更新自己的位置,若粒子在若干次迭代后无法产生更优值,则在保存当前最优值的前提下进行高斯变异来保持种群多样性.结果 与结论通过对基准测试函数优化的实验结果对比,GLPSO在5个基准测试函数中的优化精度和全局搜索能力优于其他对比算法,GLPSO有更加出色的全局搜索能力和更高的求解精度.     

一种混合拓扑结构的粒子群优化算法

为进一步提高粒子群优化算法的搜索性能,在分析不同拓扑结构对算法性能影响的基础上,针对不同拓扑结构粒子群优化算法的优缺点,提出一种混合使用全局版本和局部版本粒子群优化算法的方法,每一代粒子在速度更新时随机选择全局模型或局部模型方式进行.在典型测试函数上进行对比实验,结果验证了新算法不仅能有效地进行全局搜索,而且具有更好的收敛精度.     

基于改进粒子群算法的机车二系弹簧载荷分配优化

针对机车二系弹簧载荷优化调整这一复杂的多变量优化问题,为进一步提高现有求解方法的优化效果和计算效率,将烟花算法融入粒子群算法,提出一种具有分层递阶结构的改进粒子群算法,算法为3层架构,其中,底层是基础层,为加入维变异算子的粒子群算法,是改进算法的基本框架;中间层是融合层,为引入烟花算法爆炸机制的粒子更新层,主要用于扩大算法搜索范围,提高全局搜索能力;顶层是扰动层,引入扰动因子,避免算法因陷入局部搜索而进行的大量无为冗余迭代,加快全局收敛速度。用典型测试函数对改进算法性能进行测试,并将其应用于机车二系弹簧载荷分配优化调整仿真实验。研究结果表明:改进算法与传统遗传算法、烟花算法和粒子群算法相比,全局搜索能力更强,鲁棒性更好,求解精度更高。     

求解作业车间调度问题的混合QPSO算法

文章使用混合量子粒子群优化算法求解作业车间调度问题,并设计了一种基于工序的编码方式;为了克服量子粒子群优化算法容易陷入局部最优的缺点,将模拟退火算法引入量子粒子群优化算法,使算法具有跳出局部最优的能力并增强其全局搜索能力,形成量子粒子群-模拟退火调度算法;仿真结果表明,混合算法具有良好的全局收敛性能.     

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.     

一种改进的混合粒子群优化算法

为了提高粒子群优化算法的局部搜索能力、算法的收敛速度和解的精度,提出了一种改进的混合粒子群优化算法。采用聚类方法和混沌初始化、同时引入线性组合式局部搜索过程,通过四个标准函数的测试实验,与标准粒子群优化算法、混沌粒子群优化算法进行比较分析,提出的算法寻找全局最优解的能力有显著的提高,算法收敛速度和解的精度均优于其它参与比较的算法。     

基于佳点集构造的改进量子粒子群优化算法

针对粒子群优化算法易出现早熟收敛及局部搜索能力不足的特点,提出一种改进的量子粒子群优化算法(IQPSO).该算法在量子粒子群优化算法(QPSO)的基础上,引入佳点集初始化量子的初始角位置,提高初始种群的遍历性;在粒子角速度位置更新中,采用混沌时间序列数,促使粒子跳出局部极值点;为避免粒子陷入早熟收敛,在算法中加入变异处理.仿真实验结果表明:与标准粒子群优化(SPSO)算法和量子粒子群优化(QPSO)算法比较,提出的算法具有快速的收敛能力、良好的稳定性,其优化性能有较明显的提高.     

电力系统经济调度的量子粒子群改进算法

电力系统经济调度(economic dispatch,ED)通过合理配置电力资源,在满足实际运行约束的前提下,使发电成本率最小化。针对ED问题,将量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法与随机扰动策略相结合,提出了一种改进的随机扰动量子粒子群优化(QPSO with random perturbation,RPQPSO)算法。扰动策略采用2种方式,在进化后期根据随机概率对群中的每个粒子进行扰动,避免算法陷入局部最优。为了验证其有效性,利用一组标准测试函数对RPQPSO算法进行了性能测试,测试表明,该算法有助于增加种群多样性,提高算法的全局搜索能力。通过将该算法应用到典型电力系统中进行测试,该算法相较于传统遗传算法、粒子群算法和QPSO算法,在解的质量、鲁棒性和收敛性等方面都取得了较大的提高,表现出优异的求解性能。     

量子粒子群算法在电网规划中的应用

量子粒子群是在粒子群算法的基础上,引入了量子机制,它具有较好的全局收敛性。将量子粒子群算法应用于电网规划问题,克服了传统优化方法易陷入局部最优等缺点。通过18节点实例验证了该算法的可行性和有效性。     

量子粒子群算法优化钢结构截面

传统的钢结构截面优化方法通常采用试算法,很难获得全局最优解。在经典粒子群算法的基础上,通过研究量子行为,提出了基于量子行为的粒子群算法,并将其应用于钢结构截面优化设计,详细描述了算法的原理和优化步骤,给出了钢结构截面优化数学模型,并对两个典型工程优化实例进行了实验验证。典型算例的截面优化结果表明:与PSO算法及传统试算法相比,该算法的优化结果最好,在满足工程要求的前提下,截面参数合理,截面面积最小,经济性得到了明显提高。     

基于MQPSO优化的属性约简方法

变异量子粒子群算法(MQPSO)通过在量子粒子群算法(QPSO)中引入变异机制,增加了全局搜索能力,避免陷入局部最优。在粗糙集理论和MQPSO算法基础上,提出了基于MQPSO优化的决策表属性约简方法,并在算法实现中提出了迭代记录策略,改进了算法中的耗时计算部分,降低了算法的时间复杂度。     

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。     

面向绿色再制造系统的AGV路径规划研究

为了解决绿色再制造系统中的自动导引运输车(AGV)路径规划问题的问题,提出一种粒子群遗传融合的AGV全局路径优化的自适应算法.该方法集成了遗传算法(GA)和粒子群算法(PSO)二者的优点,为了改善传统PSO-GA融合算法迭代前期寻优速度慢的问题,引入了自适应惯性权重;为了提高算法进入迭代后期的收敛精度,提出了一种双重交叉变异策略,使得改进的PSO-GA融合算法比传统的PSO-GA融合算法搜索能力更强,进化速度更快,收敛精度更高.为了验证改进后算法的优越性,采用栅格法模拟自动导引运输车运行环境并通过MATLAB对标准粒子群、遗传、传统的PSO-GA融合、改进PSO-GA融合四种算法解决路径优化问题进行试验对比,结果证明了改进后的PSO-GA算法的可行性和有效性.     

基于改进粒子群算法的双馈感应发电机参数辨识

基本粒子群算法(PSO)存在早熟问题,且惯性权重对参数辨识结果的影响较大,为此提出将变权重PSO算法和全局最优位置变异PSO算法相结合的改进PSO算法,并将其应用于双馈感应发电机(DFIG)的参数辨识。分析了DFIG中各参数的可辨识性和辨识难易度,给出了基于改进PSO算法的参数辨识步骤。与采用基本PSO算法、变权重PSO算法和全局最优位置变异PSO算法的参数辨识结果相比较,该方法具有收敛速度快、辨识误差小的优点,即使在较大的搜索范围内仍具有较高的辨识精度。     

基于粒子群统计规律的PSO算法

粒子群优化（particle swarm optimization，PSO）算法是一类基于群体智能的全局优化算法，以其计算迅速和易于实现而得到广泛的应用．但作为一种进化算法，它在很多问题中却容易过早收敛，陷入早熟．这与粒子群采用单一的进化策略有关，因为过于单一的进化策略使粒子群整体上有一种趋同性．针对标准PSO算法的这个问题提出了一种改进方法，改进后的PSO-σ算法实质上是Kennedy讨论过的认知模型、社会模型和完全模型的混合算法．从算法的收敛性、准确性和稳定性等方面对这种改进的算法作了试验和分析，发现均优于标准PSO算法．