改进粒子群优化算法及其在4G网络-基站选址中的应用

针对粒子群优化算法搜索精度不高、整体上容易陷入局部最小的不足,提出了一种改进的粒子群优化算法.该算法一方面在速度更新式中用粒子群中粒子个体极值的加权值替代粒子的个体极值,另外通过使用两种非线性递减函数对惯性权重进行调整,这种改进有效地提高了粒子群优化算法的收敛速度和全局寻优能力.然后,通过对4个基准函数的仿真,验证了本文改进算法的全局收敛寻优能力.最后,将本文改进算法应用于珠三角地区某市4G网络基站选址优化中.仿真和应用的结果表明,改进后的粒子群优化算法具有更高的收敛速度和全局寻优能力.     

一种新的混合差分粒子群优化算法及其应用

基于差分进化算法在收敛快速性及粒子群算法在种群多样性保持上的优势,提出一种新的混合启发式优化算法,其基本思路是将粒子群种群作为辅助变异算子,与差分进化算法种群进行交叉操作,产生的新子代继承了父代和母代的优势特性,从而避免了单一算法的早熟收敛和收敛速度过慢的问题。通过与已有的改进算法仿真对比,该算法能够有效的跳出局部极值防止算法早熟且收敛速度很快。最后,借鉴已有文献方法对混合算法在B2C路径优化问题中的工程应用进行了实验研究。     

求解Job-shop问题的改进混合离散粒子群优化算法

在详尽分析粒子群优化机理和作业车间调度问题的基础上,提出了结合遗传思想的混合离散粒子群优化算法.算法中增加了异于粒子个体极值点和全局极值点的第三参考点,使得粒子在更新过程中有更多的信息量调整自身状态.在粒子更新模型中引入了调整因子来调节收敛代数;在算法陷入局部最优时用模拟退火跳出局部最优,从而使算法收敛到全局最优.最后,对多个标准JSP问题进行了仿真测试,结果验证了改进算法的可行性和有效性.     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

改进的协同粒子群优化算法

针对协同粒子群优化算法存在停滞,不能保证收敛到局部或全局最优值的问题,提出一种改进的协同粒子群优化算法(CCPSO-Hk),该算法将混沌理论引入协同粒子群算法(Chaos PSO)中,利用混沌运动的随机性、遍历性和规律性等改善了协同粒子群算法(Cooperate Particle Swarm Optimization)的性能.通过仿真验证算法的有效性.     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

基于反向学习的自适应α约束病毒种群搜索算法

为了提高该算法求解约束优化问题的能力,提出一种新的约束病毒种群搜索算法。首先,提出自适应α-level比较策略,以在算法的不同阶段充分利用可行个体与不可行个体的有效信息;其次,为了进一步提高算法求解约束优化问题的收敛速度和搜索精度,针对算法的病毒扩散行为,提出了结合反向学习机制的搜索方程,以提高种群多样性并加速全局收敛。对CEC2006中13个约束优化函数的对比仿真结果表明,本文算法在搜索精度、收敛速度以及稳定性方面,相比于αSimplex算法、粒子群遗传算法算法、交叉人工蜂群算法算法以及约束改进差分进化算法算法具有明显优势。同时将该算法应用于无人机协同实时航迹规划约束优化问题中,通过仿真实验并与利用约束改进差分进化算法对这一问题进行求解的方法进行对比,验证了本文算法在规划效率、规避威胁等方面的优越性。     

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.     

基于反向学习的自适应α约束病毒种群搜索算法

为了提高该算法求解约束优化问题的能力,提出一种新的约束病毒种群搜索算法。首先,提出自适应α-level比较策略,以在算法的不同阶段充分利用可行个体与不可行个体的有效信息;其次,为了进一步提高算法求解约束优化问题的收敛速度和搜索精度,针对算法的病毒扩散行为,提出了结合反向学习机制的搜索方程,以提高种群多样性并加速全局收敛。对CEC2006中13个约束优化函数的对比仿真结果表明,本文算法在搜索精度、收敛速度以及稳定性方面,相比于αSimplex算法、粒子群遗传算法算法、交叉人工蜂群算法算法以及约束改进差分进化算法算法具有明显优势。同时将该算法应用于无人机协同实时航迹规划约束优化问题中,通过仿真实验并与利用约束改进差分进化算法对这一问题进行求解的方法进行对比,验证了本文算法在规划效率、规避威胁等方面的优越性。     

一种带交叉算子的改进的粒子群优化算法

针对粒子群优化算法(PSO)固有的缺点,在研究标准的粒子群优化算法理论的基础上,提出了一种带交叉因子的改进的粒子群优化算法(MPSO),以解决算法的早熟收敛问题。该算法在搜索过程中引入了交叉因子,增加了粒子的多样性,克服了标准粒子群优化算法易陷入局部极优点的不足,并且算法有较快的收敛速度。该算法有较强的收敛性,还可以引入变异算子。将改进后的算法运用常见的几个测试函数进行了寻优仿真,仿真结果验证了带交叉因子的粒子群算法的可行性和有效性。