双目标动态迁移操作DE-PSO混合算法

针对非线性约束优化问题的特殊性,给出一种求解非线性约束优化问题的动态目标迁移DE-PSO混合算法.在初始化中加入迁移操作,采取动态目标的处理方法,将约束优化问题转化为无约束双目标优化问题.依据原目标函数、违反约束度函数进行选择操作,先通过改进差分进化算法对种群进化,对违反约束度在容忍度以外的个体再采用改进的粒子群优化算法进化,并用采用一组经典的测试函数进行测试.DE-PSO混合算法具有精度高、稳定性好的特点.     

求解二层规划问题的改进粒子群算法

两层规划问题是一个NP-难问题,这意味着它很难被求解．基于粒子群算法提出了一种求解二层规划问题的方法,通过分离目标函数和约束函数,使每个粒子拥有双适应值,并通过双适应值来决定个体优劣．应用了一种自适应保留不可行个体的策略．数值结果表明了算法的有效性．     

自适应子空间高斯学习的粒子群优化算法

为了克服粒子群优化算法在复杂优化问题上易出现早熟收敛、多样性缺失等问题,提出了自适应子空间高斯学习的粒子群优化算法。该方法提出了适应值离散度和子空间高斯学习的概念,以自适应地调整参数和搜索策略,帮助粒子逃离局部最优。同时,该方法还提出邻域学习策略,引入了邻域最优粒子。当前粒子的邻域在进化过程中通过动态构建,以增强种群的多样性。实验对19个常用的经典基准测试函数在30和100维进行了测试,结果表明该算法在收敛速度和寻优精度上优于一些知名的PSO算法。最后,将改进的算法应用于无线传感器网络覆盖优化问题,获得了较好的结果。     

粒子群优化算法在天线方向图综合中的应用

针对目前粒子群优化算法在多零点低旁辫约束的阵列天线方向图综合中早熟收敛、易陷入局部板值的问题,提出了一种改进的粒子群优化算法MSPSO,在多子群、层次化的模型中采用von Neumann邻域结构,以改善收敛速度和优化精度.建立一种新的目标函数模型,对顶层和底层的子群分别采用适合其特点的适应值目标函数,平衡了算法的全局和...     

一种求解连续空间约束优化问题的蚁群算法

借鉴蚁群算法和惩罚函数的思想提出了一种用于求解连续空间约束优化问题的蚁群算法.应用自适应调整惩罚因子的惩罚函数法将约束优化问题转化为无约束优化问题,再结合自适应调整全局选择因子和信息素挥发系数的连续域蚁群算法,求解连续空间约束优化问题.通过对基准测试函数进行编程求解,对比采用固定参数的蚁群算法求解结果,验证了所提改进算法的正确性和有效性.     

求解非线性方程组的一种新方法及应用

针对非线性方程组求解问题提出一种变异量子粒子群算法,该算法首先把非线性方程组的求解转化为约束优化问题,然后根据可行性规则,引入约束违反度函数,结合变异算子,不断地寻找更优可行解,逐渐达到搜索全局最优解。数值实验表明,所设计变异量子粒子群算法是可行的、有效的,是求解非线性组的一种成功算法。     

半监督聚类目标下粒子群算法的分析与改进

传统粒子群算法的优点较为明显,但是随着环境复杂度的增高,传统算法的聚类中心敏感度升高,空聚类过多,类标号对聚类结果的影响不足等问题日趋严重.为此,提出了一种改进算法,以半监督K均值聚类为目标,以自适应K值的方式,随机地计算初始化聚类中心,并根据均值聚类算法的需要编码成粒子,同时引入软性约束概念重新构造目标函数;最后使用改进后的算法进行寻优.所提出的粒子群算法改进了自适应参数,引入了免疫扰动和混沌扰动2种扰动方式,同时应用了退火策略和动态聚类策略.实验结果表明,该算法在很大程度上解决了上述问题.     

一种改进的粒子群与人工蜂群融合算法

针对标准的粒子群算法和人工蜂群算法收敛性能差、在复杂优化问题易陷入局部最优的缺点,提出了一种改进的融合算法.改进融合算法拥有双种群并行进化,其中粒子群采用改进的反向学习策略,以增加群体的多样性;蜂群中跟随蜂根据个体停滞次数,自适应地改变进化策略,以平衡全局探索与局部开发能力.同时算法将交替共享两个种群的全局最优位置,通过相互引导使融合算法具有更好的寻优能力.8个经典函数和CEC2013的8个复合函数的实验结果表明,与最新的一些改进粒子群和人工蜂群算法相比,该算法的收敛速度和收敛精度均有较显著的优势.     

基于IRAPSO的组合测试用例生成方法

最小覆盖表的生成是组合测试研究领域的一个关键问题,虽然粒子群优化算法是生成最小覆盖表的方法之一,但该算法存在易陷入局部最优和搜索精度低等问题。针对该问题提出了一种改进的约简自适应粒子群算法。该方法首先对粒子群优化算法的进化方程进行约简,消去其速度项,得到约简的粒子群进化方程;然后提出了惯性权重的自适应调整策略并且在适应值策略中引入汉明距,以提高该算法生成测试用例的覆盖率。与已有算法的比较结果表明,该算法在克服粒子群优化算法易陷入局部最优等问题的同时能够在较短的时间内生成规模更小的覆盖表。     

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

一种非线性约束优化的微粒群新算法

通过对标准微粒群算法(PSO)改进,采用动态罚函数的方法,提出了一种求解非线性约束优化问题的新算法.由于使用了一种新的适应度函数,该算法具有很强的全局寻优能力.     

一种改进的粒子群算法

针对粒子群算法搜索精度不高的问题,提出了一种改进的粒子群算法。该算法一方面通过跟踪个体极值、全局极值和周围极值来搜索解空间的最优值;另一方面通过引入3种非线性递减函数对惯性权重进行调整,仿真结果表明改进的粒子群算法具有更强的寻优能力及更高的搜索精度。     

箱型约束变分不等式的微粒群算法

对箱型约束变分不等式的简单光滑价值函数,给出了求解箱型约束变分不等式的微粒群算法。该算法具有计算简单、快速收敛到全局最优解和较高的计算精度等优点。数值计算结果表明,提出的算法可靠性高、有效性强,在计算精度上,都优于阻尼牛顿法和正则半光滑牛顿法。     

箱型约束变分不等式的微粒群算法

对箱型约束变分不等式的简单光滑价值函数,给出了求解箱型约束变分不等式的微粒群算法。该算 法具有计算简单、快速收敛到全局最优解和较高的计算精度等优点。数值计算结果表明,提出的算法可靠性高、有 效性强,在计算精度上,都优于阻尼牛顿法和正则半光滑牛顿法     

基于改进粒子群算法的BP神经网络模型研究

为解决BP神经网络局部性收敛度慢的问题,提出了基于改进粒子群算法的BP神经网络模型．该方法通过粒子群进化速率动态调整惯性权重因子,提高了算法的收敛速度和全局搜索最优值的能力．提出的模型和改进的算法模拟仿真表明：该方法对收敛速度和精度有更好的拟合性．     

Sensor selection algorithm based on modified binary particle swarm optimization

Considering the problem of sensor selection for multi-target tracking in wireless sensor networks(WSN),a sensor selection algorithm based on binary particle swarm optimization(PSO) is proposed to maximize the tracking accuracy. The predicted coordinate of the target and the determinant of the Fisher information matrix (FIM) is used for sensor selection. A modified form of binary particle swarm optimization(MBPSO) is proposed to solve the model, which is designed by employing the binary vector coding manner, constraint satisfaction cyclic shift population initialization method, particle position updating rules with the V-shaped transfer function and guidance factor. Simulation results show that the proposed sensor selection algorithm can be efficiently applied in the multi-target tracking problem. Compared to the basic particle swarm optimization algorithm and genetic algorithm (GA), the modified algorithm achieves a balance between global optimization and local exploration, and can effectively avoid the local optimum. Moreover, the proposed algorithm is suitable for large-scale networks.     

基于粒子群优化的多核处理器系统节能调度算法

针对嵌入式多核系统中的实时性和能耗问题,提出了基于粒子群优化的多核处理器系统节能调度算法.通过对多核处理器系统任务调度和能量消耗的分析,建立了新的编码策略和相应的目标函数,将任务划分、任务调度及电压选择3个过程整合到粒子群算法的一个单迭代寻优循环中,并兼顾系统的实时性,将问题转化为有约束的粒子群优化问题,利用可行性规则的约束处理技术,形成基于约束粒子群优化的整体节能调度算法.实验结果表明:本文算法能以较快的速度收敛于使系统能耗更少的调度解.     

基于改进粒子群算法的配电网重构的研究

提出了基于改进二进制粒子群算法的配电网重构策略,在保证系统及用户供电质量的前提下,使得配电网重构的综合费用最低。从配电网重构实际应用出发,提出了综合考虑系统的电能损耗费用、开关运行维护及投切费用和停电损失费用四方面的目标函数。针对普通粒子群算法易陷入局部极值的缺点,采用改进的惯性权值策略,增强了算法的调节功能,克服了普通粒子群算法的早熟收敛现象。算法还对开关操作次数约束进行了处理使之不影响全局最优性。仿真结果表明,这种配电网策略可以明显降低系统网损和综合费用。改进的粒子群算法计算速度快,目标函数更贴近配电网重构的实际情况。     

改进粒子群优化算法求解旅行商问题

提出了一种改进粒子群学习算法,在改进的算法中,粒子不仅根据自身和同伴中最好的个体调整自己的飞行速度,而且按照一定的概率向其他个体学习。这种强化后的学习行为更符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解。同时借鉴单点调整算法思想,提出了调整因子和调整序概念用以重构粒子群算法。最后,用改进后的粒子群算法求解旅行商问题,数字仿真表明了算法的有效性。     

基于改进粒子群算法的配电网网架优化研究

配电网网架优化是一个多目标综合优化问题,粒子群算法因其易实现、收敛速度快等特点逐渐成为电力系统优化领域研究热点之一. 针对粒子群算法易陷于局部最优问题,提出一种基于聚类策略的改进粒子群算法,动态地将粒子聚类为三种级别的粒子并对应采用不同的学习模型更新速度,增强了粒子群体多样性和全局搜索能力. 通过算例仿真验证了算法在配电网网架优化问题上的可行性.