PSO算法全局收敛性分析

为了解决PSO算法能否搜索到全局最优解这类主要理论问题,对随机优化算法的全局收敛性准则作了详细解释,并应用此全局收敛性准则对PSO算法的全局收敛性进行了理论分析;指出了PSO算法并不满足随机优化算法的全局收敛性准则应具备的两个条件,并证明了PSO算法是不能保证全局收敛的。     

动态邻域混合粒子群优化算法

粒子群优化(PSO)算法对于多峰搜索问题一直存在早熟收敛问题。为在增强PSO算法全局搜索能力的同时提高收敛速度,提出一种动态邻域混合粒子群优化算法DNH_PSO,采用PSO局部模型,将随机拓扑和冯诺依曼拓扑相结合形成动态邻域,提高算法的全局搜索能力,为增强算法的局部搜索能力并加快收敛速度,使用粒子邻域全面学习策略,将拟牛顿法引入算法中。与其他PSO实验对比分析表明,该算法对于多峰搜索问题具有较好的全局收敛性。     

基于MPSO-ANN的火炮零部件硬度无损检测研究

依据音频无损检测原理,针对某火炮零部件(凸轮轴)硬度与音频参数的非线性映射问题,将ANN网络应用到音频检测中,同时采用改进粒子群算法(MPSO)优化BP神经网络结构和初始权值;MPSO算法把PSO算法的单向搜索变为多向搜索,提高了搜索精度,平衡了局部和全局搜索能力,较好地收敛到最优解,克服了BP网络结构难以确定和易于陷入局部极小值的缺点,实现了不同零部件硬度检测中的样本训练与预测,分别对内推、外推样本进行比较分析;结果表明其适应度逐渐趋于稳定并迅速收敛,精度满足要求.     

基于粒子群优化模式搜索的支持向量机参数优化及应用

针对核函数参数选择的重要性,提出了粒子群(PSO)模式搜索算法来搜索最优参数,该算法结合了PSO算法的全局搜索能力强和模式搜索的局部收敛性好的优点,使PSO模式搜索算法表现出了较高的性能,并将其应用到农业科技项目分类中。实验结果表明,该算法不仅效率高,收敛速度快,而且搜索到的最优参数达到了较高的准确率。     

基于MPSO算法的BP神经网络PID控制器研究

PID控制器是过程控制中应用最为广泛的控制器,而传统PID控制器参数整定难以达到最优状态,同时,存在控制结果超调量过大、调节时间偏长等缺点,因此,将变异粒子群优化算法(Mutation Particle Swarm Optimization,MPSO)运用于BP-PID的参数整定过程中,设计了一种高效、稳定的自适应控制器。考虑MPSO的变异机制,以种群适应度方差与种群最优适应度值为标准,进行种群变异操作,可以克服早熟,提高收敛精度和PSO的全局搜索能力,使MPSO优化的BP神经网络整定的PID控制器能以更快的速度、更高的精度完成过程控制操作。在实验中,通过比较BP-PID、PSOBP-PID以及MPSO-BP-PID三控制器仿真结果,证明了所提MPSO算法的有效性和所设计MPSOBP-PID控制器的优越性。     

基于纠错机制的粒子群优化算法

针对标准粒子群算法存在的收敛性和收敛速度的问题,提出一种基于纠错机制的粒子群优化(MPSO)算法。该算法通过对粒子速度的更新过程引入一种简单的纠错机制,使得粒子在进化过程的每一步可能出现的错误得以及时修正,从根本上降低粒子在搜索过程中出错的概率。采用3个典型的函数进行测试,仿真结果表明:与标准粒子群算法相比,该算法有效地提高了其全局收敛能力和收敛速度。     

一种改进的粒子群优化算法

粒子群优化算法（PSO）是一种生物进化技术。依据粒子间的相互影响发现搜索空间中的最优解。通过分析基本PSO算法的进化方程,研究了一种具有更好收敛速度和全局收敛性的改进PSO算法。5个典型测试函数的仿真实验表明该改进算法是行之有效的。     

基于模拟退火算法的可逃逸粒子群算法*

通过引入模拟退火算法来保证PSO的全局收敛性,在群体最优信息陷入停滞时引入位置逃逸机制保持前期搜索速度快的特性。仿真结果表明本算法不但具有好的全局收敛性,而且有好的收敛速度。     

采用种群平均信息和精英变异的改进粒子群算法

针对基本粒子群优化(PSO)算法早熟收敛和后期搜索效率低的问题,提出一种利用种群平均信息和精英变异的粒子群优化算法--MEPSO算法。该算法引入粒子个体与群体的平均信息,利用粒子平均信息来提高算法全局搜索能力,并采用时变加速系数(TVAC)以平衡算法的局部搜索和全局搜索能力;在算法后期,采用精英学习策略对精英粒子进行柯西变异操作,以进一步提高算法的全局搜索能力,减少算法陷入局部最优的危险。在6个典型的复杂函数上与基本PSO(BPSO)算法、时变加速因子PSO(PSO-TVAC)算法、时变惯性权重PSO(PSO-TVIW)算法和小波变异PSO(HPSOWM)算法进行对比,MEPSO的均值与标准方差均优于对比算法,且寻优时间最短,可靠性更好。结果表明, MEPSO能较好地兼顾局部搜索和全局搜索能力,收敛速度快,收敛精度和搜索效率高。     

基于群体爬山策略的混合粒子群优化算法

针对粒子群优化算法（PSO）在求解高维复杂优化问题时存在搜索精度不高和易陷入局部最优解的缺陷,借鉴混合蛙跳算法（SFLA）的群体爬山思想,提出一种基于群体爬山策略的混合粒子群优化算法（CMCPSO）,并证明了CMCPSO算法的全局收敛性。对四个典型高维连续优化函数的求解表明,该算法不仅保持了PSO算法的快速收敛能力,而且吸收了SFLA算法局部精细搜索和保持种群多样性的优点,具有良好的全局收敛性。     

多策略粒子群优化算法

为了克服粒子群优化算法易早熟、局部搜索能力弱的问题,提出了一种改进的粒子群优化算法--多策略粒子群优化算法。在群体寻优过程中,各粒子根据搜索到的最优位置的变动情况,从几种备选的策略中抉择出当代的最优搜索策略。其中,最优粒子有最速下降策略、矫正下降策略和随机移动策略可以选择,非最优粒子有聚集策略和扩散策略可以选择。四个典型测试函数的数值实验结果表明,新提出的算法比标准粒子群优化算法具有更强和更稳定的全局搜索能力。     

基于多粒子群算法的WSNs覆盖优化策略研究*

为了改善无线传感网络的性能,提高网络的覆盖率,在粒子进化的多粒子群算法的基础上,提出了一种无线传感网络覆盖的优化策略。该策略通过多个粒子群彼此独立地搜索解空间, 提高了算法的寻优能力,有效地避免了基本粒子群算法容易出现的“早熟”问题,提高了算法的稳定性。仿真实验表明,与基本粒子群算法、传统遗传算法和新量子遗传算法的优化效果相比较,其覆盖率分别提高了8.39％、3.07％和0.75％;收敛速度提高了25.3％、23.8％和23.8％。因此粒子进化的多粒子群优化策略具有比这三种算法更好的覆盖优化效果。     

引入多级扰动的混合型粒子群优化算法

为解决粒子群优化算法易陷入局部最优值的问题,提出一种引入多级扰动的混合型粒子群优化算法.该算法结合两种经典改进粒子群优化算法的优点,即带惯性参数的标准粒子群优化算法和带收缩因子的粒子群优化算法,在此基础上,引入多级扰动机制：在更新粒子位置时,引入一级扰动,使粒子对解空间的遍历能力得到加强;若优化过程陷入“局部最优”的情况,则引入二级扰动,使得优化过程继续,从而摆脱局部最优值.使用了6个测试函数——Sphere函数、Ackley函数、Rastrigin函数、Styblinski-Tang函数、Duadric函数及Rosenbrock函数来对所提出的混合型粒子群优化算法进行仿真运算和对比验证.模拟运算的结果表明：所提出的混合型粒子群优化算法在对测试函数进行仿真时,其收敛精度和收敛速度都优于另外两种经典的改进粒子群优化算法;另外,在处理多峰函数时,本算法不易被局部最优值所限制.     

基于MPSO算法的云计算资源调度策略

针对云计算服务集群资源调度和负载平衡的优化问题,提出一种基于改进的粒子群优化算法的云计算资源调度策略。将动态多群体协作和变异粒子逆向飞行思想引入到粒子群优化算法中,从而控制全局搜索和局部搜索,尽量避免陷入局部最优。在CloudSim 平台进行模拟测试,结果表明,该调度策略有效且执行效率较高。     

AN EFFICIENT EVOLUTIONARY NEURAL FUZZY CONTROLLER FOR THE INVERTED PENDULUM SYSTEM

In this article we propose an evolutionary neural fuzzy controller for the planetary train–type inverted pendulum system (IPS) and verify its effectiveness. The novel hybrid particle swarm optimization (HPSO) learning algorithm of the proposed controller is based on approaches of the fuzzy entropy clustering (FEC), the modified PSO (MPSO), and recursive singular value decomposition (RSVD). The FEC is applied to generate base particles and the MPSO is proposed to effectively improve the performance of the traditional PSO. There are mainly two different characteristics between the MPSO and its original version; that is, the initial parameters of the MPSO are calculated by an effective local approximation method (ELAM), and the global optimum is chosen by the multi-elites strategy (MES). In addition, we use the RSVD to determine the optimal consequent parameters of fuzzy rules, in order to reduce requirements of the computational time and space. Experimental results show that the proposed approach outperforms the proportional–integral–derivative (PID), PSO, and MPSO in terms of better abilities of tracking and noise rejection for planetary train–type IPS.     

混合拓扑结构的粒子群算法及其在测试数据生成中的应用研究

粒子群算法(PSO)的拓扑结构是影响算法性能的关键因素,为了从根源上避免粒子群算法易陷入局部极值及早熟收敛等问题,提出一种混合拓扑结构的粒子群优化算法(MPSO)并将其应用于软件结构测试数据的自动生成中。通过不同邻域拓扑结构对算法性能影响的分析,采用一种全局寻优和局部寻优相结合的混合粒子群优化算法。通过观察粒子群的多样性反馈信息,对每一代种群粒子以进化时选择全局拓扑结构模型(GPSO)或局部拓扑结构模型(LPSO)的方法进行。实验结果表明,MPSO使得种群的多样性得到保证,避免了粒子群陷入局部极值,提高了算法的收敛速度。     

一种新形式的微粒群算法

标准微粒群算法在优化多峰、多维的复杂函数时,其效果并不理想,容易早熟收敛。为了改进微粒群算法处理此类问题的性能,提出了一种新的微粒群算法。该算法将标准微粒群算法迭代公式中的群体最优位置用个体最优位置的中心代替,有利于增强群体的多样性,避免早熟收敛,同时保持了迭代公式的简洁形式。3个常用测试函数的数值模拟表明,新的微粒群算法较标准微粒群算法在寻优能力上有明显的提高。     

全变异粒子群优化算法

针对粒子群优化算法容易早熟、收敛精度低等缺点,通过采用全变异策略、最大搜索速度自适应调整等策略得到了一种全变异粒子群优化算法,其中的全变异策略是在陷入早熟的条件下全体粒子参加变异,并且当把粒子看成染色体时,每一个基因等概率地参加变异,可以克服算法的早熟而继续优化,提高了算法的收敛精度。对Shubert函数进行实验的结果表明了算法的有效性。     

结合变异粒子群和字典学习的遥感影像去噪

针对在线字典学习需将所有字典原子全部更新、优化方向难以进行估算等原因造成精度下降的不足,提出基于变异粒子群优化的在线字典学习算法。算法基于ODL的基础,在字典学习的迭代过程中对梯度下降函数进行优化。首先选出特殊字典原子,利用各个字典原子之间关系,线性表征当前选出的原子,以线性系数作为粒子群中的粒子位置。然后将基于变异粒子群的原子更新模式引入字典学习,利用变异粒子群优化算法进行粒子的适应度淘汰,选择更适合的粒子进行下一轮的字典更新。此外,利用中间变量将历史参考数据引入变异粒子群模型以引导其优化方向,提高字典的准确性和有效性。利用高分一号遥感影像进行实验,实验结果表明该算法优于同类方法,有更好的噪音抑制效果,同时也提高了大规模的遥感图像处理性能。     

基于改进PSO算法的过热汽温神经网络预测控制

将改进粒子群优化算法(MPSO)融合到神经网络预测控制中,提出了基于MPSO-RBF混合优化策略的模型预测器,以及基于MPSO算法的非线性优化控制器.针对过热汽温的控制,构造了基十神经网络预测控制的串级控制系统,并就该系统在实现时所涉及到的预测模型、滚动优化算法、反馈校正、仿真参数设置问题等进行了分析,给出了MPSO算法的粒子编码、操作设计和混合优化算法步骤.对某超临界600 MW直流锅炉高温过热器的过热汽温控制,进行了仿真试验,结果表明该方法具有良好的性能指标和应用前景.