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。     

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.     

一种基于运动方向变异的混合粒子群算法研究

针对粒子群算法搜索精度不高、易早熟收敛、搜索后期多样性下降快等问题,提出一种基于运动方向变异的混合改进粒子群算法.该算法通过改变部分粒子的运动方向增加种群多样性,扩大粒子的搜索范围;利用非线性减小惯性权重的方法增加搜索后期的精度;用线性地增大和减小两个学习因子来平衡搜索的范围和精度,使得在搜索前期能够迅速定位到全局最优点附近,在搜索后期能够收敛到全局最优点.将该方法应用于函数优化中,仿真结果表明,该算法能够使粒子均匀分布在最优值空间范围内,调整和平衡粒子的全局搜索和局部精细搜索能力,同时能延缓粒子多样性的下降速度,使粒子能够跳出局部最优值.     

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。     

分层多种群的自适应粒子群算法

为了改善粒子群算法的性能,提出一种分层多种群的自适应粒子群算法.为了提高全局搜索和局部搜索的能力,选用了自适应更新的惯性权重和学习因子.为了防止种群多样性的丧失且加快算法的收敛速度,采用了一种分层多种群协同进化策略.最后,将新算法与其他4个算法在23个测试函数上进行了测试,结果表明,新算法能够动态地平衡算法的全局搜索和局部搜索能力,保持种群的多样性,收敛精度高.     

基于多种群多策略的竞争粒子群算法

针对标准粒子群算法遇到的易陷入局部最优、收敛差、求解精度低等问题,提出了多种群多策略竞争粒子群优化算法.新算法将每一代粒子根据适应度排序,将其划分为不同的子种群,并引入非线性Logistic混沌映射权重、收缩因子和混合高斯-柯西扰动机制来更新这些子种群.使用不同的粒子更新方式平衡了算法整个时期的全局搜索和局部开发能力,从而加快了收敛速度.最后,将多种群多策略竞争粒子群优化算法与标准粒子群算法和其它优化算法在11个测试函数上进行对比,结果表明,新算法在跳出局部最优解、和寻优精度方面显著优于标准粒子群算法,且有更快的收敛速度.在寻优能力和算法稳定性上大幅度强于其它对比算法.     

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。     

融合混沌和捕食搜索的混合粒子群算法

针对标准粒子群算法在处理复杂函数时存在的收敛速度慢、易陷入局部最优的缺点,提出了新的混合粒子群算法.该算法利用混沌运动的遍历性、对初始条件的敏感性等特性进行群体的混沌初始化,且捕食搜索策略可以通过调节限制级别的控制粒子群的搜索空间,从而平衡全局搜索和局部搜索.测试结果表明,新算法具有更快的收敛速度和更强的全局寻优能力.     

非线性混合整数规划问题的改进量子粒子群算法

提出了一种改进的量子粒子群算法,并将该算法用于求解非线性混合整数规划问题。构造了一种自适应调整的惯性权重,平衡了算法的全局搜索和局部搜索能力;针对混合整数规划问题,给定一定比例的初始可行解,提高了初始种群解的多样性;利用协同进化选择策略,对种群中的不可行解重新生成,使种群中每个粒子的信息充分利用,从而提高算法的收敛速度;为了抑制算法的早熟现象,给出了一种新的混沌搜索方式,对全局最优解进行局部搜索,增强算法的局部搜索能力。通过16个常见的测试函数测试结果表明,改进的量子粒子群优化算法对求解非线性混合整数规划问题,在成功率和精度方面得到很大的提高。     

一种改进的自适应粒子群算法

针对标准粒子群优化算法早熟收敛、易陷入局部最优、收敛精度低等缺点,提出了一种改进的自适应粒子群算法.该算法在每次进化后自适应地更新每个粒子的惯性权重和学习因子,并对粒子进行排序,实现了自适应调整局部搜索和全局搜索的功能.与标准粒子群算法在6个标准测试函数上的实验进行比较并进行了t检验分析.结果表明,该算法具有很好的性能.     

改进的新颖全局和声搜索算法

为了提高和声搜索算法的寻优性能,提出了改进的新颖全局和声搜索(INGHS)算法.通过差分向量范数定义和声记忆库多样性,以和声记忆库的多样性信息为指导实现位置动态更新,并结合变异操作更新和声记忆库.算法采用动态位置更新策略产生新和声,在寻优早期具有较好的全局搜索性能,在寻优后期具有较好的局部搜索性能,提高了算法跳出局部最优的能力.利用7个标准测试函数对所提算法与目前已知文献中优秀的改进HS算法进行性能测试,测试结果表明所提算法具有较好的寻优性能.     

均匀邻域对位的自适应差分进化算法

针对对位差分进化算法依然存在探索能力差和早熟收敛问题，提出一种基于均匀邻域对位的自适应差分进化算法。该算法在对位点所在局部邻域作适应性的小幅均匀变异操作，用以扩大对位点的搜索区域，从而提高跳出局部陷阱的概率；在对位点均匀变异操作中，变异步长利用当前群体中所有个体在每一维度的最大最小值的差距作自适应的调节，通过实时利用群体信息平衡了全局搜索与局部勘探的关系，提高算法的收敛速度；在算法搜索过程中引入多阶段扰动策略，以进一步增加算法群体实时多样性与算法所处搜索阶段的适应性，算法后期在一定程度上加强了对当前解所在邻域内的精细搜索。采用CEC 2014中不同类型基准测试函数进行仿真实验，并与其他差分算法进行对比，所提算法在10个测试函数上都取得最优的平均结果，证明所提算法具有更稳定、更优异的算法性能和更好的收敛精度。     

基于单纯形局部搜索的自适应差分进化算法

针对标准的差分进化（DE）算法在高维复杂的函数优化中易早熟收敛,进而导致搜索精度低甚至优化失败的问题,提出一种基于单纯形局部搜索的自适应的差分进化算法（SSADE）．将DE算法的快速全局搜索能力与单纯形的强局部寻优能力有机结合起来,进一步提高了解的精度．参数自适应变化有效地维持了种群的多样性,自适应的变异策略扩大了个体的搜索范围,增强了算法寻优效果,仿真实验验证了新混合算法的有效性．     

蚁群优化算法在发电机励磁控制中的应用研究

针对现有发电机励磁控制器参数优化中存在的寻优时间长、易陷入局部最优的问题,提出了一种引入杂交及变异算子的蚁群算法。该算法利用蚁群算法良好的全局寻优能力,避免搜索陷入局部最优,同时借鉴遗传算法的思想,利用杂交及变异算子来进行局部寻优,使其能快速搜索到全局最优点。MATLAB仿真结果表明,该算法可行且有效。     

化学吸附局部增强微分进化算法

微分进化算法是解决复杂系统优化问题的有效方法。为了增强微分进化算法的全局搜索能力和局部逼近能力,分别引入化学吸附变异算子和局部增强策略,提出了化学吸附局部增强微分进化算法。采用标准测试函数对改进算法进行仿真测试,并与基本微分进化算法和局部增强微分进化算法进行比较。实验结果表明,化学吸附局部增强策略提高了微分进化算法的搜索能力和收敛性能,验证了改进算法的有效性。     

基于随机替换和混合变异的蜻蜓算法

针对基本蜻蜓算法(dragonfly algorithm, DA)容易陷入局部最优、收敛速度慢及寻优精度低等缺陷,提出了基于随机替换和混合变异的蜻蜓算法(dragonfly algorithm based on random substitution and hybrid mutation, DASM)。首先,利用混沌映射提升初始解的质量;其次,引入中心点随机替换策略,从而提高算法收敛速度;最后,通过对种群个体进行变异操作,从而跳出局部最优,提高算法收敛精度。仿真实验结果表明,提出的改进算法相比基本蜻蜓算法和部分改进算法,有较好的寻优性能。     

自适应变异粒子群优化算法

提出了一种自适应变异粒子群优化算法,该算法通过遗传变异提高种群多样性的方法使算法增强持续搜索能力,解决了PSO算法的早熟收敛问题。采用标准测试函数进行仿真实验,结果表明：提出的算法具有提高局部最优值的能力,且优化精度更高。     

基于克隆选择的小世界优化算法

针对小世界算法在多极值等复杂函数优化中存在算法后期种群多样性退化、全局搜索效率下降等问题,提出一种基于种群克隆选择的小世界优化算法。该算法以小世界现象信息传递的高效性改进克隆过程中体细胞高频变异的随机性,实现克隆增殖、克隆选择以及小世界网络短连接等算子在局部空间的搜索,克隆删除与小世界随机长连接在全局空间的搜索。实验结果表明:各种克隆算子与小世界变异算子相结合,增加了种群的多样性,扩大了搜索范围。与其他算法相比,该算法在收敛速度和多极值点函数搜索能力等方面具有明显改善。     

随机变异差分进化算法

为了避免差分进化算法陷入早熟,提出了一种随机变异差分进化算法(RMDE).这种算法改进了差分进化算法的变异操作,采用随机选择的方式进行变异和扰动操作,增加种群的多样性,平衡算法的局部搜索和全局搜索.对几种标准的函数进行了测试,结果表明RMDE算法优于其他5种算法.并将该算法应用于13机组的电力系统经济调度问题,与文献其他算法相比,RMDE算法取得的结果优于最近文献所报道的结果.