一种改进的求解TSP混合粒子群优化算法

为解决粒子群算法在求解组合优化问题中存在的早熟性收敛和收敛速度慢等问题,将粒子群算法与局部搜索优化算法结合,可抑制粒子群算法早熟收敛问题,提高粒子群算法的收敛速度。通过建立有效的局部搜索优化算法所需借助的参照优化边集,提高了局部搜索优化算法的求解质量和求解效率。新的混合粒子群算法高效收敛于中小规模旅行商问题的全局最优解,实验表明改进的混合粒子群算法是有效的。     

基于改进粒子群的双层规划求解算法

提出一种采用粒子群优化算法求解双层规划模型的算法。首先对粒子群优化算法作了改进,然后用改进后的算法求解双层规划模型,通过两个粒子群优化算法之间的协同迭代,同步优化双层规划的上下层,最终求得双层规划模型的最优解。此算法将求解一般双层规划问题转化为通过两个粒子群优化算法的交互迭代来求解上下两层规划问题。通过对几种典型函数的测试,验证了此算法的有效性。     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

协同进化策略的粒子群优化算法

为了进一步提高粒子群优化算法的寻优精度,并改善收敛速度慢的问题,本文基于传统的粒子群优化算法,借鉴协同进化的思想和共生机制,提出了将协同进化算法和粒子群算法相结合的算法模型(CEA-PSO)。群体内部采用精英保留策略保留精英个体,将个体的进化和群体之间发生信息交换,达到优势互补的效果。实验结果表明,协同进化策略的粒子群优化算法精度更高,优化性能更佳。     

基于Lotka-Volterra 模型的双群协同竞争粒子群优化算法

针对粒子群优化算法易出现早熟收敛的问题,提出了基于Lotka-Volterra模型的双群协同竞争粒子群优化算法(LVPSO).LVPSO算法借鉴种群生态学中著名的Lotka-Volterra双群协同竞争模型,讨论了两种种群协同竞争方案,通过群内和群间竞争增加粒子的多样性,提高了种群摆脱局部极值的能力.对5个典型基准测试函数进行优化实验表明,LVPSO在收敛速度和优化精度方面均有良好的表现.     

改进的粒子群算法在VRP中的应用

将粒子群算法和禁忌搜索算法相结合构造禁忌搜索粒子群算法。提出一种对粒子群算法中全局最优解进行禁忌搜索的混合算法,扩展了粒子群算法进化方式。将其用于车辆路径优化问题求解。与基本粒子群算法相比较,结合禁忌搜索算法的粒子群算法明显提高了算法收敛速度和优化性能。     

改进的粒子群算法在VRP中的应用

将粒子群算法和禁忌搜索算法相结合构造禁忌搜索粒子群算法.提出一种对粒子群算法中全局最优解进行禁忌搜索的混合算法,扩展了粒子群算法进化方式.将其用于车辆路径优化问题求解.与基本粒子群算法相比较,结合禁忌搜索算法的粒子群算法明显提高了算法收敛速度和优化性能.     

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。     

多车场多车型车辆调度问题的改进粒子群算法

多车场多车型车辆调度问题优化是物流配送中的典型NP难解问题,针对传统的粒子群算法存在收敛速度慢,易早熟收敛等问题,提出了一种改进的粒子群优化算法。该算法对种群中的粒子采用一定的概率进行柯西变异,使算法跳出局部最优解。将算法应用于多车场多车型车辆调度问题优化,算例证明该算法求解多车场多车型车辆调度问题是可行的,并且优于标准粒子群优化算法。     

一种改进的粒子群优化算法

针对粒子群优化算法容易早熟、收敛精度不高的缺点,提出一种改进的粒子群优化算法,该算法在粒子陷入局部最优时,对聚集在种群全局最优位置附近的粒子进行变异。通过测试6个复杂函数的结果以及计算机配色模型求解实验,表明改进的粒子群优化算法优化效果远远优于2种典型的粒子群算法,新算法收敛精度高,收敛速度快,且有效预防了早熟现象。     

基于食物链机制的动态多物种粒子群算法

针对粒子群优化(PSO)算法在解决多峰函数时容易陷入局部最优的问题,提出了一种基于食物链机制的动态多物种粒子群(DSPSO)算法。受生物界的启发,引入食物链机制来保证种群的多样性,并结合繁殖机制使得算法具有良好的优化性能。食物链机制中,整个标榜群被分为几个子种群,每个子种群都能够捕食另外一个子种群。通过一定概率发生的捕食现象使得标榜群得以进化,剔除对种群贡献小的粒子,并通过繁殖策略生成新的粒子。种群通过不断地进化保证了种群的多样性,同时通过剔除较差粒子的误导作用使算法的进化更有效率。为了验证算法的有效性,选择了包括偏移函数、旋转函数在内的10个测试函数来测试DSPSO算法的性能。实验结果表明DSPSO算法有着良好的寻优性能。与PSO、局部版本的粒子群(LPSO)算法、动态多群粒子群(DMS-PSO)算法和全面学习粒子群(CLPSO)算法相比,DSPSO算法不仅能够得到较高精度的解,而且还具有较高的可信度。     

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法（PSO）和差分进化算法（DE）进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。     

一种基于距离行为模型的改进微粒群算法

提出一种基于距离行为模型的改进微粒群算法,根据微粒所处区域来调整其飞行的速度。在吸引区域微粒加速飞向群体最优位置,在排斥区域按正常速度飞行。为了研究算法的性能,对几种典型高维非线性函数进行了测试。研究结果表明,与基本微粒群算法相比,改进后的微粒群算法提高了算法的收敛速度和收敛精度,改善了算法的性能。     

基于自适应多种群的粒子群优化算法

为了平衡算法的探测能力和开采能力,提高粒子群算法在不同类型问题上的综合性能,提出了一种基于自适应多种群的粒子群优化算法（PSO-SMS）。算法包含重组、子群规模调整和探测三个模块。在演化初始阶段,整个种群被划分成许多子种群。重组模块使不同子群间可以共享优势信息,有利于单峰和多峰函数的优化。当种群陷入潜在的局部最优时,探测模块可基于搜索过程的一些历史信息,帮助跳出当前的局部最优。通过子群规模调整,每个子种群的大小随着进化的过程而逐渐增加,有利于提高算法在初始阶段的探测能力和后期的开采能力。通过CEC2013的测试集与其他七种PSO算法的比较表明,PSO-SMS算法在解决不同类型的函数优化问题上有着突出的性能表现。     

用于多峰函数优化的改进小生境微粒群算法

针对小生境微粒群算法在处理复杂多峰函数优化问题中存在的一些缺陷,提出一种改进的小生境SNPSO算法。SNPSO算法将顺序小生境的思想引入其中,首先在主群体中应用Stretching技术,其次对子群体采用解散策略,即当在子群体中找到一个极值点后把子群体解散回归主群体,最后设置子群体创建时的半径阈值,避免子群体半径过大。该算法解决了标准的NichePSO算法在处理多峰函数时,极值点的个数依赖于子群体个数及极值点容易出现重复、遗漏等问题。对3个常用的基本测试函数的实验表明,新算法（SNPSO）在多峰函数寻优中解的稳定性、收敛性和覆盖率均优于标准NichePSO。     

基于PAM和均匀设计的并行粒子群优化算法

聚类技术是数据挖掘中的一个重要方法,PAM（Partitioning Around Medoids）是基于分区的聚类算法的一种,它试图将[n]个数据对象分成[k]个部分。在并行粒子群PSO（Particle Swarm Optimization）算法中,需要划分整个种群为几个相互不重叠的子种群。因此,引入PAM来划分整个种群。通过聚类,相同子种群的粒子相对集中,从而能够较容易地相互学习。这使得有限的时间能够花费在最有效的搜索上,以便提高算法的搜索效率。为了均匀地探测整个解空间,引入均匀设计来产生初始种群,使种群成员均匀地分散在可行解空间中。进化过程中,均匀设计也被引入来替换种群中的较差个体。提出基于PAM和均匀设计的并行粒子群算法,它结合并充分利用了二者的优点。对几个测试问题的实验结果证明,提出的算法比传统的并行粒子群算法具有更高的性能和更好的收敛准确性。     

免疫粒子群算法在神经网络训练中的应用

神经网络能够用来检测结构损伤,但是其训练方法容易陷入局部最优。粒子群算法具有全局搜索能力,将免疫系统中的抗体抑制机理引入粒子群算法以保持粒子多样性,采用免疫粒子群算法（ImPso）训练前向神经网络。计算机仿真结果显示,训练后的网络性能优于使用一般BP算法训练的网络。     

带容量约束配送中心选址的改进粒子群算法

在Median-based模型的基础上,建立了带容量约束的配送中心选址模型,并给出求解算法。为避免算法早熟,提出一种异质多群体粒子群算法,将种群划分为主群和若干异质拓扑结构子群,平衡算法的开发与探索能力。设计了二进制与浮点数混合并行编码,将改进算法用于求解带容量约束的配送中心选址模型。仿真实验结果表明,此改进算法提高了最优解的求解精度与收敛速度。     

基于动态邻域的QPSO算法

为了保证种群的多样性,提高算法的全局搜索能力,在具有量子行为的粒子群优化算法（QPSO）中引入邻域拓扑结构的概念,采用邻域结构中的轮形结构,提出一种基于动态邻域的具有量子行为的粒子群优化算法（NQPSO）。并用若干个标准函数进行测试,比较了NQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,NQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题上。     

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。