Design of very thin wide band absorbers using modified local best particle swarm optimization

A method of using particle swarm optimization (PSO) algorithm to design electromagnetic absorber is presented. To demonstrate effectiveness of the PSO algorithm three different design cases are optimized. To reduce the local minimum traps, a modified local search strategy is employed. Each design problem is optimized using genetic algorithm (GA) and four variants of PSO algorithms, namely global PSO (gbest), local PSO (lbest), comprehensive learning PSO (CLPSO), and modified local PSO (MLPSO). The results clearly show that the MLPSO is a robust, fast, and useful optimization tool for designing absorbers. A seven-layer absorber achieved by this method has reflection coefficient below 18.7 dB from VHF to 20 GHz.     

基于粒子群优化的直觉模糊核聚类算法研究

针对现有基于核方法的直觉模糊聚类算法对初始值敏感、收敛速度慢等缺陷,利用粒子群优化算法全局搜索能力强、收敛速度快的优势,对直觉模糊核聚类算法的初始聚类中心进行优化,并提出了一种基于粒子群优化的直觉模糊核聚类算法。该算法在提升聚类性能的同时,有效增强了算法的收敛速度。在实验阶段,采用4组标准数据集对该算法进行了分类实验及有效性测试,并将其与模糊c均值聚类算法及直觉模糊c均值聚类算法的分类效果及运行时间进行对比,实验结果充分表明了该算法的有效性及优越性。     

非单调的微粒群信赖域算法

文中对无约束优化问题提出了一类非单调信赖域算法,将搜索性能良好的微粒群算法和总体收敛性良好的信赖域算法有效融合,并提出了基于微粒群的信赖域算法,在适当的条件下,证明了算法的全局收敛性。     

猫群算法求解阻塞流水车间调度问题

阻塞流水车间调度是现实生产调度中一类很重要的组合优化问题,其已被证明是典型的NP难问题。为了提高该问题的求解性能,文中提出了猫群算法（CSO）求解阻塞流水线调度问题。猫群算法是近几年来提出的群体智能算法,算法以一小部分猫执行跟踪模式,其余大部分猫执行搜寻模式,通过这两种模式同时进行局部搜索和全局搜索以达到优化目标。文中利用标准Car问题算例进行仿真实验,并与标准粒子群算法（PSO）和蝙蝠算法（BA）进行比较,结果表明猫群算法在求解生产调度问题的可行性和有效性。     

基于混合PSO算法的加速度计快速标定

针对粒子群优化算法(PSO)在加速度计标定中存在早熟及陷入局部最优的不足,提出了基于差分进化(DE)的双种群信息共享及并行进化的混合PSO算法,并将该算法应用于加速度计快速标定。为提高混合算法的优化性能,提出了一种平衡DE算法全局探索和局部开发能力的加权变异算子,将Logistic函数的非线性特性引入到PSO算法惯性权重和DE算法加权系数的动态调整中。基准测试函数仿真表明所提出的混合算法在收敛速度、收敛精度、全局搜索性能和鲁棒性等方面明显优于PSO、DE算法;加速度计标定仿真结果表明,提出的混合算法能有效提高加速度计的标定精度。     

一种邻域重心反向学习的粒子群优化算法

粒子群优化算法使用反向学习技术可以提高性能.然而,现有的反向学习粒子群优化算法仅采用粒子最大最小边界计算反向解,没有充分利用群体搜索经验.针对此问题,提出了一种邻域重心反向学习策略,使用邻域重心作为参考点计算反向解,充分吸收群体搜索经验的同时保持种群多样性;采用收缩因子拓展反向解搜索范围,增加找到更高质量解的机率.在典型的基准测试函数、CEC'13测试函数和一个实际工程优化问题上进行验证,实验结果说明了邻域重心反向学习策略的有效性和本文算法的竞争力.     

基于粒子群模糊C均值聚类的快速图像分割

模糊C-均值聚类算法是一种无监督图像分割技术,但存在着初始隶属度矩阵随机选取的影响,可能收敛到局部最优解的缺点。提出了一种粒子群优化与模糊C-均值聚类相结合的图像分割算法,根据粒子群优化算法强大的全局搜索能力,有效地避免了传统的FCM对随机初始值的敏感,容易陷入局部最优的缺点。实验表明,该算法加快了收敛速度,提高了图像的分割精度。     

Introducing the fractional-order Darwinian PSO

One of the most well-known bio-inspired algorithms used in optimization problems is the particle swarm optimization (PSO), which basically consists on a machine-learning technique loosely inspired by birds flocking in search of food. More specifically, it consists of a number of particles that collectively move on the search space in search of the global optimum. The Darwinian particle swarm optimization (DPSO) is an evolutionary algorithm that extends the PSO using natural selection, or survival of the fittest, to enhance the ability to escape from local optima. This paper firstly presents a survey on PSO algorithms mainly focusing on the DPSO. Afterward, a method for controlling the convergence rate of the DPSO using fractional calculus (FC) concepts is proposed. The fractional-order optimization algorithm, denoted as FO-DPSO, is tested using several well-known functions, and the relationship between the fractional-order velocity and the convergence of the algorithm is observed. Moreover, experimental results show that the FO-DPSO significantly outperforms the previously presented FO-PSO.     

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.     

基于混沌粒子群算法的宽零陷方向图综合方法

自适应阵列天线常需要采用宽零陷技术,以增强阵列天线抗干扰的稳健性。为此,提出了一种基于混沌粒子群算法（CPSO）的阵列天线宽零陷方向图综合方法。该算法首先采用混沌序列初始化粒子位置,以增强搜索多样性,并在对部分非优胜粒子的位置更新时引入混沌扰动项,在每次迭代中对全局最优位置进行变尺度混沌优化,提高了全局和局部搜索能力,加快了收敛速度。仿真结果验证了混沌粒子群算法在阵列天线宽零陷方向图综合时的收敛速度和精度方面均优于标准粒子群算法。     

基于细菌觅食与粒子群的改进混合算法

针对粒子群优化算法（PSO）在优化过程中易陷入局部极值而产生“早熟”现象,文中提出一种基于细菌觅食与粒子群的改进混合算法。粒子群优化算法与细菌觅食优化算法的结合,增强了算法的全局搜索能力,使算法具有全局搜索能力强的优点。选用Matlab进行仿真实验,实验结果进一步显示了改进混合算法的优化能力优于基本PSO算法和基本BFO算法,收敛速度快,且具有较好的鲁棒性。     

实数遗传算法的改进及性能研究

提出一种粒子群优化方法(PSO)与实数编码遗传算法(GA)相结合的混合改进遗传算法(HIGAPSO).该方法采用混沌序列产生初始种群、非线性排序选择、多个交叉后代竞争择优和变异尺度自适应变化等改进遗传操作;并通过精英个体保留、粒子群优化及改进遗传算法(IGA)三种策略共同作用产生种群新个体,来克服常规算法中收敛速度慢、早熟及局部收敛等缺陷.通过四个高维典型函数测试结果表明该方法不但显著提高了算法的全局搜索能力,加快了收敛速度;而且也改善了求解的质量及其优化结果的可靠性,是求解优化问题的一种有潜力的算法.     

一种改进的混沌粒子群优化算法

粒子群优化算法（PSO）自提出以来,已经被广泛地应用于求解各类复杂的优化问题,过去对粒子群算法的研究主要集中在融入新的优化方法或对其相关参数进行调整,但这样只会使得PSO更加复杂.针对这一问题,文中提出一种改进的混沌粒子群优化算法（ICPSO）,ICPSO从粒子群优化算法的时间与寻优实时角度出发（即在较短的时间内获得较好的解）,对粒子速度更新算子进行了简化,每隔一定代数后,在最优解邻近区域引入混沌扰动以避免种群陷入局部最优解.数值实验结果表明：提出的算法相对于文献给出的PSO改进算法,不仅能够获得较好的最优解,而且还具有较快的收敛速度和较好的稳定性.     

Differentiated Meta-PSO Methods for Array Optimization

The particle swarm optimization (PSO) method has been successfully applied to different electromagnetic optimization problems. Because of the complexity of this kind of problems, the associated cost function is in general computationally expensive. A fast convergence of the optimization algorithm is hence required to attain results in short time. Here few variations over the standard algorithm, referred to as differentiated meta-PSO, aimed to enhance the global search capability, and to improve the algorithm convergence, are introduced. In order to verify their effectiveness the different techniques have been first applied to benchmark test functions and then used for the optimization of a planar array.     

自适应遗传灰狼优化算法求解带容量约束的车辆路径问题

带容量约束的车辆路径问题是NP难的组合优化问题,精确算法无法在合理的时间内得到有效的解.本文提出了一种采用灰狼空间整数编码和先路由后分组解决方案生成策略的自适应遗传灰狼优化算法用于求解带容量约束的车辆路径问题.该算法提出了移动平均自适应灰狼更新策略和灰狼基因遗传策略提高全局收敛能力,同时提出带3-opt的劣势点启发邻域搜索策略来增强算法的全局和局部搜索能力.实验结果表明：所提出算法具有较高的计算精度和较强的寻优能力,有较高的鲁棒性,通过与自适应扫描和速度推测粒子群优化算法、K均值聚类和灰狼优化混合算法、大邻域搜索和蚁群优化混合算法、基于精英选择的多种群人工蜂群算法、基于集覆盖的扩展节省算法、混合变邻域生物共栖搜索算法等6个算法对比证明了算法的有效性.     

一种基于扰动项的混合粒子群优化算法

为了保持粒子种群的多样性而避免发生"早熟"的问题,本文提出一种基于扰动项混合粒子群优化算法(PSO),该方法通过提高粒子群多样性来提高PSO的收敛性能.首先用标准PSO来迭代,当粒子群失去多样性时,在包含粒子群的超球外随机设置一粒子对全局最优粒子干扰,并在PSO更新公式中加入扰动项来干扰每个粒子.最后将该改进的PSO应用于函数逼近,实验结果验证了本文提出的PSO性能优于几种经典的PSO算法.     

A New Class of Hybrid Particle Swarm Optimization Algorithm

A new class of hybrid particle swarm optimization （PSO） algorithm is developed for solving the premature convergence caused by some particles in standard PSO fall into stagnation. In this algorithm, the linearly decreasing inertia weight technique （LDIW） and the mutative scale chaos optimization algorithm （MSCOA） are combined with standard PSO, which are used to balance the global and local exploration abilities and enhance the local searching abilities, respectively. In order to evaluate the performance of the new method, three benchmark functions are used. The simulation results confirm the proposed algorithm can greatly enhance the searching ability and effectively improve the premature convergence.     

自适应的分数阶达尔文粒子群优化算法

针对分数阶达尔文粒子群算法收敛性能依赖于分数阶次α,易陷入局部最优的特点,提出了一种自适应的分数阶达尔文粒子群优化（AFO-DPSO）算法,利用粒子的位置和速度信息来动态调整分数阶次α,并引入自适应的加速系数控制策略和变异处理机制,以获取更优的收敛性能。对几种典型函数的测试结果表明,相比于现有的粒子群算法,所提的AFO-DPSO算法的搜索精度、收敛速度和稳定性都有了显著提高,全局寻优能力得到了进一步提高。     

一种参数自适应调整和边界约束的粒子群算法

粒子群优化算法的核心思想是每个粒子根据自己和周围粒子的"信息共享"寻优,达到全空间搜索最优解的目的。收敛速度快,全局寻优能力强。针对基本粒子群算法寻优精度较低,结果易发散的缺点,提出了一种参数自适应调整和边界条件约束的粒子群算法,惯性权重,学习因子随着迭代过程线性递加或递减,从而在算法初期个体能搜索整个空间,后期能够朝着全局最优值收敛而找到全局最优值。同时设置粒子边界条件约束,保证算法寻优解的准确性。理论分析和数值仿真结果表明了所设计方法的高效性,在保证算法效率的前提下,有效地提高了算法的寻优精度。     

基于单纯形法的量子粒子群优化算法

针对粒子群优化算法容易陷入局部极值点,进化后期收敛慢和优化精度较差等缺点,提出了将单纯形搜索法与量子粒子群算法混合的改进算法,更好的平衡了全局搜索和局部搜索能力.仿真结果表明,该算法效率高、优化性能好,其性能远远优于一般的粒子群算法与量子粒子群算法.