自适应和声粒子群搜索算法

针对现有改进和声搜索算法(IHS)的不足,提出一种自适应和声粒子群搜索算法(AHSPSO).首先对和声记忆库中每个变量用粒子群算法寻优,再利用自适应参数PAR和bw调节来提高对多维问题的搜索效率.利用5个标准的优化算法测试函数对AHSPSO算法进行测试,并与IHS,PSO和SA算法进行对比,仿真结果表明了AHSPSO算法具有较强的精确寻优和跳出局部最优的能力.     

一种结合灰狼算法的粒子群优化算法

针对粒子群算法有陷入局部最优的缺点,提出一种基于灰狼算法的粒子群优化算法.首先,根据自然界中优胜劣汰的生存法则,对每次迭代种群中的最差粒子进行进化,其次,由于粒子群算法中整个种群中的最优粒子有很强的引导能力,对最优粒子进行扰动,增大寻找全局最优的可能性;最后,结合灰狼优化算法,引导粒子群包围式进行搜索,增强全局搜索能力;将改进的粒子群算法与标准粒子群算法在9个测试函数上进行了寻优精度和收敛速度的对比,结果证明改进粒子群算法(PSO_GWO)在收敛速度和寻优精度上均优于粒子群算法(PSO).     

基于高斯扰动的量子粒子群优化算法

针对量子粒子群优化（QPSO）算法在优化过程中面临早熟问题,提出了在粒子的平均位置或全局最优位置上加入高斯扰动的QPSO算法,可以有效地阻止粒子的停滞,因此较容易地使粒子避免陷入局部最优。为了评估算法的性能,利用标准测试函数对标准PSO算法、QPSO算法以及基于高斯扰动的QPSO算法进行了比较测试。其结果表明,该算法具有较强的全局搜索能力和较快的收敛速度。     

改进的二阶振荡粒子群算法

针对粒子群算法易陷入局部最优等问题,分析了粒子群算法的进化方程,提出了一种改进的粒子群优化算法。算法在振荡环节采用互不相同的参数取值来调节粒子群算法的全局和局部搜索能力,并通过对测试函数和机器人路径规划问题仿真模拟,与标准PSO、标准二阶PSO、二阶振荡PSO算法的实验结果进行对比分析,验证了所提出算法的有效性和可行性。     

基于不确定知识的粒子群优化算法

针对标准粒子群优化算法（PSO）速度更新方程存在随机参数,使得粒予扶取知识存在不完备性的问题,将不确定知识引入PSO算法中,并对个体知识、群体知识和不确定知识随机参数进行了归一化,保证算法在每一步演化中都能获得完备知识．理论分析给出了PSO—UK算法局部收敛参数条件,并证明了其具有全局优化性能．经典测试函数实验表明,所提出的PSO－UK算法具有全局搜索能力,且局部收敛精度明显优于PSO算法．     

基于改进粒子群算法的PID参数优化方法研究

针对标准粒子群算法的一些缺点进行了改进，提出了MWPSO优化算法，即Multi-Weight PSO。将MWPSO优化算法用几个标准测试函数进行测试，结果表明该算法优化结果的指标参数比标准PSO算法有所提高。在此基础上，用MWPSO优化算法对PID控制中的参数进行优化并将结果与遗传算法的结果进行比较，优化结果在保证PID控制稳定性基础上提高了PID控制的精度，且编码简单、易于实现。具有较好的应用前景。     

基于模拟退火技术的QDPSO算法

提出了一种基于模拟退火技术的量子空间模型粒子群优化(QDPSO)改进算法，利用模拟退火算法(SA)的搜索能力克服QDPSO算法在寻优过程中早熟的缺点，通过标准测试函数进行性能测试，验证了算法的收敛性和快速性，并和标准PSO及QDPSO进行了比较。仿真结果表明，该算法具有更好的稳定性和收敛性，是一种良好的全局优化方法。     

智能单粒子优化算法

文中在传统粒子群优化(Particle Swarm Optimization,PSO)算法的基础上,提出了智能单粒子优化算法(Intelligent Single Particle Opti mizer,ISPO).与传统的PSO算法不同,该算法采用了一个粒子在解空间中搜索,粒子的位置矢量被分成一定数量的子矢量,并基于子矢量对粒子进行更新.在子矢量更新过程中,通过分析之前的速度更新情况,引入一种新的学习策略,使粒子在搜索空间中能够动态地调整速度和位置,从而向全局最优靠近.实验表明,此算法对大部分标准复合测试函数都具有很强的全局搜索能力,其寻优能力超过了国际上最近提出的基于PSO的改进算法.     

基于EM算法和PSO算法的混合优化算法

针对粒子群优化算法容易陷入局部最优解并且存在过早收敛的问题,将类电磁机制算法中的吸引-排斥机制引入到粒子群优化算法中,提出一种类电磁机制算法和粒子群优化算法的混合优化算法(EMPSO).首先按照基本粒子群优化算法的寻优方式对各粒子进行更新,再利用类电磁机制中的吸引-排斥机制对个体最优粒子和群体最优粒子进行移动,最后通过几个标准测试函数进行了测试,并与标准粒子群算法(PSO)、免疫粒子群算法(IPSO)、混沌粒子群算法(CPSO)进行对比.测试结果表明,改进算法提高了全局搜索能力和熟练速度,改善了优化性能.     

具有学习行为的协同量子粒子群算法

提出了一种具有学习行为的协同量子粒子群算法(LCQPSO).针对量子粒子群(QPSO)存在的早熟收敛问题,从两方面对其进行改进:引入多子群协同搜索策略提高种群的全局搜索能力,使其在进化后期依然保持多样性;赋予粒子学习行为,提高种群的局部搜索能力.实验中对LCQPSO算法的子群规模与学习概率参数进行了分析,并利用标准测试函数对LCQPSO与PSO、QPSO等算法进行了比较测试,结果表明LCQPSO算法具有更优秀的收敛速度与精度,且能够有效地避免陷入局部极值.     

基于种群多样性的自适应PSO算法求解VRPSPD问题

为有效求解逆向物流车辆路径(VRPSPD)模型,本文提出一种基于种群多样性的自适应PSO算法(SDAPSO)。在SDAPSO运行时,根据种群多样性,自适应地对种群中运行较差的粒子进行扰动操作,提升这些粒子向最优解收敛的能力;同时,对全局最优粒子进行概率扰动,以增加种群的多样性。标准检测函数的仿真结果表明SDAPSO算法是对基本PSO算法的有效改进。在对VRPSPD模型求解中,通过与其它粒子群算法相比,表明SDAPSO是求解该类问题的一种有效方法。     

基于自适应选择和变异的改进粒子群算法

针对基本粒子群优化算法搜索精度低和易早熟的缺点,提出了一种基于自适应选择和变异算子的改进粒子群算法。选择算子可提高粒子群的整体适应度,增强粒子群的局部搜索能力;变异算子则能扩大粒子群的搜索范围,防止粒子群陷入局部最优。搜索时,根据全局极值在迭代过程中的变化情况,自适应地调整选择算子和变异算子使粒子群飞向全局最优。典型函数的算例测试表明,改进的粒子群算法较传统算法具有更高的搜索精度和更强的抗早熟能力。     

层次学习骨干粒子群优化算法

对骨干粒子群优化(BPSO) 种群多样性迅速丧失的原因进行分析, 提出层次学习骨干粒子群优化算法以克 服早熟现象. 该算法中粒子依不同的学习概率向粒子自身的最优粒子、优胜粒子和群体最优粒子学习, 该机制使群 体实现不同层次的搜索并有效维持群体的多样性. 此外, 群体最优粒子依概率采用跳跃策略以增强逃逸能力或采用 扰动策略以提高解的质量. 将所提出的算法与多种改进的粒子群优化算法进行对比, 仿真结果表明, 所提出算法的综 合表现优于其他算法.     

一种自适应柯西变异的反向学习粒子群优化算法

针对传统粒子群优化算法易出现早熟的问题,提出了一种自适应变异的反向学习粒子群优化算法。该算法在一般性反向学习方法的基础上,提出了自适应柯西变异策略(ACM)。采用一般性反向学习策略生成反向解,可扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,采用ACM策略对当前最优粒子进行扰动,自适应地获取变异点,在有效提高算法局部开采能力的同时,使算法能更加平稳快速地收敛到全局最优解。为进一步平衡算法的全局搜索与局部探测能力,采用非线性的自适应惯性权值。将算法在14个测试函数上与多种基于反向学习策略的PSO算法进行对比,实验结果表明提出的算法在解的精度以及收敛速度上得到了大幅度的提高。     

粒子群分形进化算法

在传统粒子群优化(PSO)算法的基础上,提出粒子群分形进化算法(FEPSO).FEPSO利用分形布朗运动模型中的无规则运动特性模拟优化目标函数未知特性,隐含的趋势变化模拟优化目标函数极值变化的总趋势,从而克服个体过于随机进化和早熟的现象.与传统的PSO算法相比,文中算法中每个粒子包含分形进化阶段.在分形进化阶段,粒子在解的子空间以不同的分形参数进行分形布朗运动方式搜索解空间,并对其分量进行更新.仿真实验结果表明,该算法对大部分标准复合测试函数都具有较强的全局搜索能力,其性能超过国际上最近提出的基于PSO的改进算法.     

改进粒子群优化算法研究

提出一种新的粒子群优化(Particle Swarm Optimization,PSO)算法,将微调(Fine-Tuning)机制导入PSO算法中,可提高算法在最优区域局部搜寻的能力,改善PSO在搜寻末期,粒子相似度过高的缺陷.最后用2种不同复杂程度的函数为例,比较本算法与PSO算法的最优化能力.结果显示,本算法在搜寻成功率及平均收敛时间、平均收敛代数的性能表现上皆优于PSO算法.     

混合粒子群优化算法

针对粒子群优化算法在处理高维复杂函数时存在收敛速度慢、易陷入早熟收敛等缺点,提出了混合粒子群优化算法。它借鉴群体位置方差的早熟判断机制,把基因换位和变异算子引入到算法中,构造出新的个体和个体基因的适应值函数,将适应值最差的基因进行变异。为减少算法计算量,采用耗散的粒子群算法结构。实验表明,该算法比只有一个适应值的粒子群算法具有更快的收敛速度。且具有很强的避免局部极小能力,其性能远远优于单一优化方法。     

混合微粒群算法在非线性约束优化中的应用

本文将微粒群算法(PSO)与罚函数法结合，提出了一种求解非线性约束优化问题的新算法，数值试验表明该算法具有很强的全局寻优能力。     

一类新颖的粒子群优化算法

粒子群优化(PSO)是一类有效的随机全局优化技术。它利用一个粒子群搜索解空间,每个粒子表示一个被优化问题的解,通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出一类新颖的PSO算法,该算法在基本PSO算法的粒子位置更新公式中增加了一个积分控制项。积分控制项根据每个粒子的适应值决定粒子位置的变化,改善了PSO算法摆脱局部极小点的能力。另外,该算法增加了限制搜索空间范围的机制,这对某些函数优化问题是必需的。用5个基准函数做的对比实验结果显示,该算法优于基本PSO算法以及自适应修改惯性因子的PSO算法。     

基于粒子群优化和禁忌搜索的混合调度算法

提出了用于解决作业车间调度问题的离散版粒子群优化算法。该算法采用基于先后表编码方案和新的位移更新模型,使具有连续本质的粒子群优化算法直接适用于车间调度问题。同时,利用粒子群优化算法的全局搜索能力和禁忌搜索算法的自适应优点,将粒子群优化算法和禁忌搜索结合起来,设计了广义粒子群优化算法和粒子群—禁忌搜索交替算法两种混合调度算法。实验结果表明,两种混合调度算法能够有效地、高质量地解决作业车间调度问题。