一种动态扩散粒子群算法

针对粒子群算法搜索精度不高特别是对高维函数优化性能不佳问题,提出了一种动态扩散粒子群算法（DDPSO)。该算法通过非线性函数调节惯性权重,在粒子速度更新方式上增加一个动态随机数加强粒子的搜索能力,提高算法的性能,同时在一定条件下对粒子进行重新扩散,保证种群的多样性。实验结果表明,DDPSO算法的寻优能力明显高于基本PSO及其他一些改进的PSO算法,并且该算法性能稳定,更加适合高维复杂函数优化问题。     

求解高维函数优化的动态粒子群算法

针对基本粒子群优化算法对高维函数优化时搜索精度不高的缺陷,提出了一种动态粒子群优化算法。该算法采用了通过调节阈值对粒子运动轨迹进行动态改变的策略,使得粒子对周围环境的适应能力不受进化代数的影响,从而保证了算法在迭代后期仍具有较强的搜索能力。实验结果表明,与文献算法相比,该算法在处理高维函数优化时具有更强的寻优能力和更高的搜索精度。     

粒子群优化算法的改进

针对粒子群优化算法搜索精度不高、对高维函数优化性能不佳的问题,提出一种改进的粒子群优化算法。以递增方式对粒子进行释放增强可利用的种群信息,通过释放粒子引导极值变化加强算法的运算效率。实验结果表明,与其他算法相比,改进算法具有更强的寻优能力和搜索精度,且适于高维复杂函数的优化。     

基于逻辑自映射的变尺度混沌粒子群优化算法*

针对基本粒子群优化算法的早熟收敛问题,提出了一种基于逻辑自映射的变尺度混沌粒子群优化算法。该算法在粒子群优化算法每次寻优结束时,采用逻辑自映射函数产生混沌序列,在已搜索到的精英粒子附近尝试搜索更优解并动态收缩搜索范围,在防止算法过早陷入局部最优的同时提高了算法搜索的精度。仿真结果表明,新算法在寻优成功率和平均最优值方面有很大提高,在求解包括欺骗性函数和高维函数在内的多种函数优化问题方面具有良好的效果。     

基于改进粒子群算法的移动机器人路径规划

为了提高复杂环境下移动机器人的精准导航作用,提出了移动机器人路径规划的改进粒子群优化(PSO)算法,即利用粒子个体极值的加权平均值,同时加入惯性权重.建立了移动机器人工作环境的栅格模型,利用Matlab软件进行移动机器人路径规划仿真分析.仿真结果表明:改进后的粒子群算法容易使粒子移动到最佳位置,加强了全局寻优能力,在复杂环境中搜索路径性能优于传统算法.     

生态金字塔粒子群优化算法

为解决粒子群优化算法在处理高维复杂函数时容易陷入局部最优和早熟收敛的问题,提出生态金字塔粒子群优化算法(EP-PSO)。该算法引入生态金字塔系统,使粒子在搜索空间分等级、分子群寻优,有效增加了群体多样性;为增强算法的全局搜索能力,对处于停滞状态的个体极值和全局极值进行动态变异,以达到扩大种群潜在搜索空间的效果。选择15个测试函数验证算法的有效性,结果表明EP-PSO有着良好的寻优性能,能够得到较高精度解,具有较高的效率和可信度。     

改进粒子群算法在机器人路径规划中的应用

针对粒子群优化算法易过早收敛而陷入局部最优的缺陷,结合移动机器人全局路径规划问题模型,提出一种带扰动机制的粒子群优化算法。对于进入进化停滞状态的个体,采用个体修正策略产生新个体将其替代,来引导算法搜索可行路径,帮助粒子逃离局部极值。仿真实验表明,与其他算法相比,该算法具有更好的搜索精度和全局寻优能力。     

多种群并行协作的粒子群算法

针对高维复杂优化问题在求解时容易产生维数灾难导致算法极易陷入局部最优的问题,提出一种能够综合考虑高维复杂优化问题的特性,动态调整进化策略的多种群并行协作的粒子群算法。该算法在分析高维复杂问题求解过程中的粒子特点的基础上,建立融合环形拓扑、全连接形拓扑和冯诺依曼拓扑结构的粒子群算法的多种群并行协作的网络模型。该模型结合3种拓扑结构的粒子群算法在解决高维复杂优化问题时的优点,设计一种基于多群落粒子广播-反馈的动态进化策略及其进化算法,实现高维复杂优化环境中拓扑的动态适应,使算法在求解高维单峰函数和多峰函数时均具有较强的搜索能力。仿真结果表明,该算法在求解高维复杂优化问题的寻优精度和收敛速度方面均有良好的性能。     

基于改进粒子群算法的移动机器人路径规划方法研究

针对移动机器人传统路径规划算法效率不高、寻优能力差等问题,本文提出一种基于改进粒子群优化算法(PSO)的移动机器人路径规划方法。该方法采用神经网络训练碰撞罚函数,得到无碰撞路径,然后采用粒子群优化算法解决路径的最优问题。利用神经网络实现大量的并行和分布计算,发挥PSO简单、容易实现的优点,提高了路径规划的计算效率和可靠性。仿真结果表明,这种新路径规划方法是可行且有效的。     

一种基于粒子群算法的移动机器人路径规划方法*

针对结构化环境中移动机器人路径规划问题,提出一种基于粒子群的路径规划算法.该算法利用适应度函数描述环境约束及路径的距离信息,适应度函数通过神经网络计算;由路径节点构成粒子,通过混合粒子群算法进行寻优.最后,通过计算机仿真验证了该算法是合理的,并且可应用于机器人的实时导航.     

An improved particle swarm optimization with decline disturbance index (DDPSO) for multi-objective job-shop scheduling problem

As same with many evolutional algorithms, performance of simple PSO depends on its parameters, and it often suffers the problem of being trapped in local optima so as to cause premature convergence. In this paper, an improved particle swarm optimization with decline disturbance index (DDPSO), is proposed to improve the ability of particles to explore the global and local optimization solutions, and to reduce the probability of being trapped into the local optima. The correctness of the modification, which incorporated a decline disturbance index, was proved. The key question why the proposed method can reduce the probability of being trapped in local optima was answered. The modification improves the ability of particles to explore the global and local optimization solutions, and reduces the probability of being trapped into the local optima. Theoretical analysis, which is based on stochastic processes, proves that the trajectory of particle is a Markov processes and DDPSO algorithm converges to the global optimal solution with mean square merit. After the exploration based on DDPSO, neighborhood search strategy is used in a local search and an adaptive meta-Lamarckian strategy is employed to dynamically decide which neighborhood should be selected to stress exploitation in each generation. The multi-objective combination problems with DDPSO for finding the pareto front was presented under certain performance index. Simulation results and comparisons with typical algorithms show the effectiveness and robustness of the proposed DDPSO.     

电力系统机组组合问题的动态双种群粒子群算法

针对标准粒子群优化算法易陷入局部最优点的缺点,提出了动态双种群粒子群优化算法（DDPSO）。该算法中两个子种群规模随进化过程不断变化,进化中分别采用不同的学习策略且相互交换信息。将该算法应用于机组组合问题中,采用实数矩阵编码方法对发电计划进行编码,将两层优化问题转化为单层优化问题,直接运用DDPSO算法求解。仿真结果表明,用该方法解决机组组合问题具有良好的精度和鲁棒性。     

精英反向学习与黄金正弦优化的HHO算法

针对基本哈里斯鹰优化算法（Harris hawks optimization,HHO）易陷入局部最优值、收敛精度低和收敛速度慢的问题,提出融合精英反向学习与黄金正弦算法的哈里斯鹰优化算法（elite opposition-based learning golden-sine Harris hawks optimization,EGHHO）。融入精英反向学习机制,提高种群多样性和种群质量,提升算法全局寻优性能和收敛精度;融入黄金正弦算法优化哈里斯鹰围捕猎物的方式,有效缩小搜索空间,减少算法收敛时间,增强算法局部开发能力。通过求解多个单模态、多模态和高维度测试函数进行算法之间的对比,结果表明,融合两种策略的EGHHO算法具有较强跳出局部极值的能力以及更高的寻优精度和寻优速度。     

一种基于改进模拟退火算法的程序性能优化参数搜索算法

高级程序变换是提高程序性能的重要手段,很多涉及到优化参数的选择问题,如为循环分块选择适当的分块因子。由于优化参数搜索问题本身是NP难问题,目前尚没有确定性的算法可以有效解决该问题,针对于此,将该问题转化为一个非线性全局最优化问题,提出一种基于改进模拟退火算法的程序性能优化参数搜索算法,实验结果验证了算法的有效性。     

Teaching and peer-learning particle swarm optimization

Most of the recent proposed particle swarm optimization (PSO) algorithms do not offer the alternative learning strategies when the particles fail to improve their fitness during the searching process. Motivated by this fact, we improve the cutting edge teaching–learning-based optimization (TLBO) algorithm and adapt the enhanced framework into the PSO, thereby develop a teaching and peer-learning PSO (TPLPSO) algorithm. To be specific, the TPLPSO adopts two learning phases, namely the teaching and peer-learning phases. The particle firstly enters into the teaching phase and updates its velocity based on its historical best and the global best information. Particle that fails to improve its fitness in the teaching phase then enters into the peer-learning phase, where an exemplar is selected as the guidance particle. Additionally, a stagnation prevention strategy (SPS) is employed to alleviate the premature convergence issue. The proposed TPLPSO is extensively evaluated on 20 benchmark problems with different features, as well as one real-world problem. Experimental results reveal that the TPLPSO exhibits competitive performances when compared with ten other PSO variants and seven state-of-the-art metaheuristic search algorithms.     

基于动态学习策略的群集蜘蛛优化算法

为了提高群集蜘蛛优化(SSO) 算法的性能, 提出一种基于动态学习策略的群集蜘蛛优化(DSSO) 算法. 该算法通过群体协作过程中学习因子的动态选择, 平衡算法的搜索能力和勘探能力; 采用随机交叉策略和云模型改进协作过程个体更新方式, 在维持种群多样性的同时尽量提高收敛速度. 基于标准测试函数的仿真实验表明, DSSO 算法可有效避免早熟收敛, 在收敛速度和收敛精度上较标准SSO 算法和其余4 种较具代表性的优化算法均有显著提高.

     

多策略的郊狼优化算法

郊狼优化算法（coyote optimization algorithm,COA）是最近提出的一种群智能优化算法,具有独特的搜索结构和较好的优化性能。为了进一步提高COA的优化性能,提出了一种多策略的郊狼优化算法（multi-strategy COA,MSCOA）。首先,对于组内最优郊狼,采用一种全局最优郊狼引导的成长策略提高其社会适应能力,对于组内最差郊狼,采用一种最优郊狼引导强化策略强化最差郊狼的能力;其次,对于组内其他郊狼采用一种动态调整信息交流的组内成长策略提升组内郊狼之间的信息共享程度,并将这种组内成长策略与一种改进的迁移策略融合,更进一步提升搜索能力;最后采用动态分组策略减少参数手动设置,提高算法的可操作性。以上多种策略的使用更好地平衡了探索与开采,使算法的性能最大化。大量来自CEC2014测试集的复杂函数实验结果表明,与COA相比,MSCOA具有更强搜索能力、更快的运行速度和更高的搜索效率,与其他优秀优化算法相比,具有更明显的优势。     

改进的鲸鱼优化算法及其应用

为了准确地建立断路器热脱扣器的脱扣时间预测模型,改善脱扣器的稳定性。提出了一种改进的鲸鱼优化算法（IWOA）和支持向量回归（SVR）综合建模的方法。针对鲸鱼优化算法（WOA）具有易陷入局部最优解、收敛速度慢、收敛精度低等问题,提出三个策略改进,并在10个基本测试函数上进行比较,结果证明改进的鲸鱼优化算法具有更高的收敛精度和更快的收敛速度。建立IWOA-SVR脱扣时间预测模型,并优化断路器的生产过程,进而提高断路器的生产效率和产品质量。     

改进蚁群算法在机器人路径规划中的应用

针对传统蚁群算法在移动机器人路径规划问题中存在的易陷入局部最优与收敛速度慢等问题,提出一种改进的蚁群算法。根据起点到终点距离和地图参数构建全局优选区域,提高该区域内初始信息素浓度,避免算法初期盲目搜素;利用局部分块优化策略分别对各个子区域进行寻优并更新区域内最优路径信息素,增强局部搜索能力,加快收敛速度;对全局路径进行寻优,更新全局最优路径信息素。在信息素更新公式中引入信息素增强因子,加强最优路径信息素含量,应用反向学习优化信息素,改进状态选择概率,提高算法寻优能力。实验结果表明,改进后的算法明显提高了收敛速度,同时寻优能力更强。