基于周期性演化策略的粒子群优化算法

针对标准粒子群优化算法(PSO)在寻优过程中容易出现早熟的问题,提出一种基于周期性演化策略的粒子群优化算法.该策略通过在速度更新方程中构建基于粒子群能量的粒子群最优值扰动项,使得粒子群能量在演化过程中可以周期性变化.相比标准PSO算法,当粒子群能量较大时,能够增强局部搜索能力;当粒子群能量较小时,能够增强全局搜索能力.典型优化问题的仿真结果表明,所提出的算法与线性下降惯性权重粒子群优化(LWPSO)和PSO算法相比,优化性能得到了显著提高.     

基于新变异算子的改进粒子群优化算法

粒子群优化算法(PSO)是一种基于群体智能的优化算法。本文在介绍PSO算法基本原理和流程的基础上,分析了该算法在处理一些复杂问题时容易出现的早熟收敛、收敛效率低和精度不高等问题,提出了一种基于新变异算子的改进粒子群优化算法(NMPSO)。NMPSO算法将产生的变异粒子与当前粒子进行优劣比较,选择较优的粒子,增强了种群的多样性,有效地避免算法收敛早熟。用5个常用基准测试函数对两种算法进行对比实验,结果表明:新提出的NMPSO算法增强了全局搜索能力,提高了收敛速度和收敛精度。     

一种多样性控制的粒子群优化算法

针对粒子群优化(PSO)算法的早熟收敛问题,提出一种新的基于群体多样性控制的PSO算法(DCPSO).该方法使得粒子在收缩状态下充分搜索,在发散状态下能够飞离群体的聚集位置,不断的收缩-发散过程保证了群体能在较大的空间进行搜索,减少了粒子群算法的早熟收敛现象.通过对多个标准测试函数的实验结果表明,DCPSO算法在复杂优化问题中具有较强的全局搜索能力,而且比现有的多样性指导的PSO算法(ARPSO)具有更好的性能.     

一种群活性反馈粒子群优化算法

为解决粒子群优化(PSO)算法的早熟收敛问题,提出一种群活性反馈PSO进化算法SAF-PSO。利用群活性加速度作为多样性测度,当群活性加速下降时,对粒子的位置和速度分别执行进化和变异操作,增强粒子跳出局部最优的能力,提高寻找全局最优的几率。对基准函数的仿真结果表明,与其他PSO算法相比,该算法具有更强的全局搜索能力和更高的寻优精度。     

协调粒子群优化算法--HPSO

粒子群优化算法(PSO)是模拟生物群体智能的优化算法、具有良好优化性能。但是由于信息的单一传递,群体的迅速收缩和群体多样性降低,导致算法早熟收敛．该文采用多样性控制与交叉操作,使粒子群在细化搜索与扩展新区之间进行协调,提出了协调粒子群优化算法HPSO。实验结果表明：HPSO比PSO有更好的性能。     

一种混合粒子群算法的贝叶斯网络优化模型

传统的粒子群优化算法通过群体中粒子间的合作和竞争进行群体智能指导优化搜索,算法收敛速度快,但较易陷入局部较优值,进入早熟状态。为了解决这个问题,提出了一种混合粒子群算法的贝叶斯网络优化模型,它可以通过当前所选择的较优解群构造一个贝叶斯网络和联合概率分布模型,利用这个模型进行采样得到更优解,用其可随机替换掉PSO中的一些粒子或个体最优解;同时利用粒子群算法对当前选择出的较优解群进行深度搜索,并将得到的最优解融入到较优解群中。分析可知,该方法可以提高算法有效性和可靠性。     

带启发性变异的粒子群优化算法

粒子群优化算法(PSO)是一种群体智能计算方法,该算法精度高,收敛速度快,但在优化多峰函数的时候容易陷入早熟.加入启发性变异机制,可以在不破坏原算法高速收敛性质的同时,扩展算法的有效搜索区域.经过13个经典函数的测试证明,带启发性变异的粒子群优化算法(HMPSO)速度比原算法速度更快,精度更好,且不容易陷入局部最优.与其它带变异的粒子群优化算法相比,该算法收敛更快,在一些问题上有一定的精度优势.     

用粒子群优化改进算法求解混合整数非线性规划问题

针对混合整数非线性规划(MINLP)问题，改进了粒子群优化算法(PSO)，提出了一种粒子迁移策略，改进了粒子速度更新策略，使之成为一种解决MINLP问题的新算法．实验表明，新算法精确度好、收敛快．     

基于变尺度黑洞和种群迁徙的粒子群优化算法

针对粒子群优化(PSO)算法收敛速度慢、易早熟收敛等问题，提出基于变尺度黑洞和种群迁徙的PSO——IRBHPSO。引入变尺度黑洞来平衡算法全局探索和局部寻优的权重；在位置更新策略中引入基于混合策略的位移系数，增强算法在迭代前期的收敛速度和在迭代后期的局部寻优能力；将基于种群迁徙的蝴蝶优化算法(BOA)作为局部算子融入PSO中，改善PSO收敛速度慢、易陷入局部最优的问题。使用IRBHPSO、PSO和其他相关算法对12个基准测试函数进行仿真实验，并进行Wilcoxon秩和检验。实验结果表明，IRBHPSO具有更好的收敛精度、收敛速度和稳定性。     

一种多样性控制的粒子群优化算法

针对粒子群优化(PSO)算法的早熟收敛问题,提出一种新的基于群体多样性控制的PSO算法(DCPSO).该方法使得粒子在收缩状态下充分搜索.在发散状态下能够飞离群体的聚集位置.不断的收缩-发散过程保证了群体能在较大的空间进行搜索,减少了粒子群算法的早熟收敛现象.通过对多个标准测试函数的实验结果表明,DCPSO算法在复杂优化问题中具有较强的全局搜索能力,而且比现有的多样性指导的PSO算法(ARPSO)具有更好的性能.

     

改进的粒子群算法在动态OD矩阵反推中的应用

针对粒子群算法存在收敛速度慢和局部最优的问题,引入粒子间相对位置改进基于抗体浓度的概率选择公式,提出了一种带免疫机理的改进粒子群算法。粒子不仅根据个体极值和全局极值更新速度和位置,而且按一定概率以轮盘赌法选择某个粒子进行学习,以保持种群多样性,防止出现早熟停滞现象。并将其用于由路段流量反推OD矩阵的极大熵模型求解研究中,以重庆市某交叉路口为实例进行实验,结果表明：粒子群算法推算OD矩阵是有效、可行的,可以克服牛顿法严格依赖初始值的缺点;改进的粒子群算法比基本粒子群算法和基本遗传算法具有更好的全局寻优能力。     

多策略融合的改进粒子群优化算法

为解决传统粒子群算法收敛精度低、收敛速度慢和易陷入局部最优的问题,提出了一种多策略融合的改进粒子群算法。首先,设计了一种基于中垂线算法的游离粒子位置更新方法,加快了游离粒子的收敛速度;其次,设计了一种在最优粒子附近生成爆炸粒子的策略,以增强算法的寻优精度和寻优速度,为适应前两个策略,设计了一种仅依靠全局最优粒子位置的粒子速度更新策略;最后,将基于概率分层的简化粒子群优化算法的惯性权重和粒子位置更新方法用于本算法。与其他五种改进粒子群算法进行了对比实验,结果表明提出的改进算法无论是处理低维问题还是高维问题表现均具有较大优势,性能更优越。     

Cellular particle swarm optimization

This paper proposes a cellular particle swarm optimization (CPSO), hybridizing cellular automata (CA) and particle swarm optimization (PSO) for function optimization. In the proposed CPSO, a mechanism of CA is integrated in the velocity update to modify the trajectories of particles to avoid being trapped in the local optimum. With two different ways of integration of CA and PSO, two versions of CPSO, i.e. CPSO-inner and CPSO-outer, have been discussed. For the former, we devised three typical lattice structures of CA used as neighborhood, enabling particles to interact inside the swarm; and for the latter, a novel CA strategy based on “smart-cell” is designed, and particles employ the information from outside the swarm. Theoretical studies are made to analyze the convergence of CPSO, and numerical experiments are conducted to compare the proposed algorithm with different variants of PSO. According to the experimental results, the proposed method performs better than other variants of PSO on benchmark test functions.     

新型粒子群优化算法

现有粒子群优化存在局部收敛、对可调参数敏感等缺点.基于此,本文提出一种新型粒子群优化算法.首先,通过分析社会个体对其环境的认知规律,简化粒子更新公式使粒子位置的更新仅与粒子自身速度及其邻域内最优粒子位置相关.其次,基于粒子速度划分提出一种优势粒子速度小概率变异、劣势速度随机赋值方法.最后,通过优化4个典型测试函数验证了本文所提方法在优化解的质量、算法收敛速度及鲁棒性等方面的优异性能.     

基于粒子空间扩展的协同微粒群优化算法

针对协同微粒群优化存在的停滞现象,提出了一种新的基于粒子空间扩展的协同微粒群优化算法。该算法通过引入粒子半径来确定粒子间是否发生相互碰撞,如果两个粒子一旦发生碰撞,则按预先设定的位置更新公式跳出原来的位置,从而避免陷入停滞状态。对三个典型函数的测试结果表明,新算法不仅能够有效地克服了停滞现象,而且显著提高了搜索更优解的能力和鲁棒性。     

基于改进多目标骨干粒子群算法的电力系统环境经济调度

针对粒子群优化算法种群多样性不足、易陷入局部寻优的问题,提出一种基于改进多目标骨干粒子群优化算法(improved bare-bones multi-objective particle swarm optimization, IBBMOPSO)的电力系统环境经济调度的求解方法. IBBMOPSO采用一种搜索权重非线性递减策略改进骨干粒子群的位置更新模式,并在不同搜索阶段对最差粒子设计不同的位置更新策略,以平衡算法的全局搜索能力和局部搜索能力. IBBMOPSO根据粒子拥挤距离选择全局最优解,采用距离评价指标选择折衷最优解.最后对6机IEEE 30节点的标准测试系统进行仿真计算,并与其他算法进行对比分析,结果显示IBBMOPSO在解决电力系统环境经济调度问题上优于其他算法,具有良好的可行性和有效性.     

自适应惯性权重的分组并行粒子群优化算法

针对岛屿模型的并行粒子群算法没有根本改变粒子速度更新的问题,提出一种自适应惯性权重的分组并行粒子群优化算法。该算法在迭代过程中能自适应地选择加入分组的数量,同时对各组粒子的惯性权重按照组内最优位置的变化进行自适应调整。各组运用多线程技术并行处理,粒子间采用新的信息共享的方式。仿真结果证实,该算法具有较高的收敛速度和收敛精度。     

Adaptive comprehensive learning particle swarm optimization with cooperative archive

Comprehensive learning particle swarm optimization (CLPSO) enhances its exploration capability by exploiting all other particles’ historical information to update each particle’s velocity. However, CLPSO adopts a set of fixed comprehensive learning (CL) probabilities to learn from other particles, which may impair its performance on complex optimization problems. To improve the performance and adaptability of CLPSO, an adaptive mechanism for adjusting CL probability and a cooperative archive (CA) are combined with CLPSO, and the resultant algorithm is referred to as adaptive comprehensive learning particle swarm optimization with cooperative archive (ACLPSO-CA). The adaptive mechanism dividing the CL probability into three levels and adjusting the individual particle’s CL probability level dynamically according to the performance of the particles during the optimization process. The cooperative archive is employed to provide additional promising information for ACLPO-CA and itself is updated by the cooperative operation of the current swarm and archive. To evaluate the performance of ACLPSO-CA, ACLPSO-CA is tested on CEC2013 test suite and CEC2017 test suite and compared with seven popular PSO variants. The test results show that ACLPSO-CA outperforms other comparative PSO variants on the two CEC test suites. ACLPSO-CA achieves high performance on different types of benchmark functions and exhibits high adaptability as well. In the end, ACLPSO-CA is further applied to a radar system design problem to demonstrate its potential in real-life optimization.     

多子群协同进化的多目标微粒群优化算法

微粒群优化(PSO)算法是一种非常有竞争力的求解多目标优化问题的群智能算法,因其容易陷入局部极值,导致非劣解集的收敛性和正确性不理想。为此提出一种基于多目标分解进化策略的多子群协同进化的多目标微粒群优化算法(MOPSO_MC),算法中每个子群对应于一个多目标分解之后的子问题,并构造了一种新的速率更新策略,每个粒子跟踪自身历史最优值、子群最优值和子群邻域最优值,从而在增强算法的局部寻优能力的同时,也能从邻域子群获得进化信息,实现协同进化。最后通过仿真实验,与现在主流的多目标微粒群算法在ZDT基准测试函数上比较,验证了算法的收敛性,解分布的均匀性和正确性。     

A modified particle swarm optimization with multiple subpopulations for multimodal function optimization problems

In this paper, a modified particle swarm optimization (PSO) algorithm is developed for solving multimodal function optimization problems. The difference between the proposed method and the general PSO is to split up the original single population into several subpopulations according to the order of particles. The best particle within each subpopulation is recorded and then applied into the velocity updating formula to replace the original global best particle in the whole population. To update all particles in each subpopulation, the modified velocity formula is utilized. Based on the idea of multiple subpopulations, for the multimodal function optimization the several optima including the global and local solutions may probably be found by these best particles separately. To show the efficiency of the proposed method, two kinds of function optimizations are provided, including a single modal function optimization and a complex multimodal function optimization. Simulation results will demonstrate the convergence behavior of particles by the number of iterations, and the global and local system solutions are solved by these best particles of subpopulations.