嵌入粒子群优化算法的混合人工蜂群算法

为了克服人工蜂群算法存在的早熟收敛、后期收敛速度变慢等缺点,提出了一种基于粒子群优化算法的混合人工蜂群算法(PABC).对陷入局部极值的雇佣蜂,采用粒子群优化算法对其重新进行初始化.粒子群优化算法具有很强的全局搜索性能,能使陷入局部极值的雇佣蜂尽快摆脱局部约束.测试函数的计算结果表明,改进的人工蜂群算法大大提高了蜂群算法的寻优能力,在收敛速度和精度方面均优于基本蜂群算法.     

Tent 混沌人工蜂群与粒子群混合算法

针对人工蜂群和粒子群算法的优势与缺陷,提出一种Tent混沌人工蜂群粒子群混合算法.首先利用Tent混沌反向学习策略初始化种群;然后划分双子群,利用Tent混沌人工蜂群算法和粒子群算法协同进化;最后应用重组算子选择最优个体作为跟随蜂的邻域蜜源和粒子群的全局极值.仿真结果表明,该算法不仅能有效避免早熟收敛,而且能有效跳出局部极值,与其他最新人工蜂群和粒子群算法相比具有较强的全局搜索能力和局部搜索能力.     

引入人工蜂群搜索算子的粒子群算法

针对标准粒子群算法易出现早熟现象和收敛速度慢等问题,提出一种引入人工蜂群搜索算子的粒子群算法.首先利用人工蜂群搜索算子很强的探索能力,对粒子搜索到的历史最优位置进行搜索以帮助算法快速跳出局部最优点;然后,为了提高算法的全局收敛速度,提出一种基于混沌和反学习的初始化方法.通过12个标准测试函数的仿真实验并与其他算法相比较,所得结果表明所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。     

基于改进PSO算法的移动机器人路径规划

针对粒子群优化(PSO)算法收敛速度快但容易陷入局部极值和细菌觅食优化(BFO)算法全局搜索能力强但效率低的问题,提出了一种将BFO算法的趋化、迁徙和复制操作引入到粒子群搜索过程的具有全局搜索能力和快速收敛的混合算法.在BFO算法和PSO算法的原理、操作步骤基础上,分别使用了PSO算法、BFO法和混合算法对移动机器人进行全局路径规划仿真试验,并分别给出了各算法的迭代次数、适应值曲线.仿真结果表明:与PSO算法和BFO算法相比,所提出的混合算法具有搜索时间短、迭代次数少的优点,较好验证了混合算法在移动机器人路径规划方面的可行性和有效性.     

基于改进局部搜索策略的人工蜂群算法

针对人工蜂群算法在函数优化问题求解过程中容易陷入局部最优,收敛速度慢的缺点,提出了一种基于改进局部搜索策略的人工蜂群算法。该算法中跟随蜂采用基于当前最优解的混沌局部搜索策略,侦查蜂采用基于当前最优解的自适应侦查策略,并使其局部搜索范围随着迭代次数的增加逐渐减小,从而提高了人工蜂群算法的局部搜索能力,有效地避免了其陷入局部最优。6个测试函数的仿真实验结果表明,与传统的人工蜂群算法相比,改进后算法的求解精度和收敛速度明显提升。     

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.     

基于改进蜂群算法的多传感器目标分配方法

针对多传感器目标分配中参数多、计算复杂、实时性不强、全局搜索能力不高等问题,在分析其数学模型的基础上,基于改进人工蜂群算法,对目标函数进行优化并确定分配方案.改进后的算法中,跟随蜂采用双向轮盘赌的方式选择引领蜂,并采用萤火虫算法中的自适应步长策略来进行局部搜索,有助于提高算法收敛速度、增强算法的局部搜索能力.仿真结果表明,改进蜂群算法能够有效解决多传感目标分配问题,与基本蜂群算法相比,改进后的算法收敛速度加快、寻优能力得到进一步增强,具有较强的实用价值.     

病毒进化理论人工蜂群算法研究

为了提高人工蜂群算法的搜索性能,引入了连续状态下的生物病毒机制和宿主与病毒基于感染操作等思想优化人工蜂群算法搜索机制。人工蜂群算法具有控制参数少、实现简单的优点,但是由于蜂群收敛采用局部搜索,使得算法易于早熟收敛或者陷入局部最优值。通过病毒进化对人工蜂群算法进化机制的分析,利用病毒的感染与进化,建立精英雇佣蜂对懒惰蜂引导,提高人工蜂群算法的搜索性能,加强群体的多样性,提高了局部搜索能力。仿真实验表明这种方法较常见的人工蜂群算法,有较明显收敛速度和搜索精度改进。     

求解函数优化问题的改进人工蜂群算法

标准人工蜂群算法由于局部搜索能力差,收敛精度低,容易陷入早熟收敛等缺陷,从而求解最小值函数优化问题的能力受到限制。为了解决标准人工蜂群算法的以上问题,提出了一种改进的人工蜂群算法。该算法将混沌算子引入雇佣蜂和跟随蜂基于当前最优解的局部搜索策略中,并赋予跟随蜂细菌的趋药性,从而
　　提高了人工蜂群算法的局部搜索能力。在6个测试函数上的仿真结果表明,该算法能有效地避免陷入局部最优,并使收敛精度得到显著提高。     

基于改进量子粒子群的K-means聚类算法及其应用

针对传统K-means聚类算法受初始类中心影响导致聚类准确度较低的问题,利用量子粒子群优化算法全局搜索能力强、收敛速度快的优势,提出一种基于改进量子粒子群的K-means聚类算法.为防止量子粒子群优化算法陷入局部极值,采用具有高斯扰动的局部吸引子以提高种群跳出局部最优的能力;为提高算法的收敛速度,采用加权更新种群平均最优位置以充分发挥精英粒子的优势;通过对收缩-扩张因子和随机变量参数进行交叉实验,选出最佳参数组合策略.在标准测试函数上的仿真结果表明:改进的量子粒子群优化算法在寻优精度、收敛速度以及稳定性上都有显著提高;通过对比7种聚类算法在UCI数据集上的聚类结果可知,所提出的聚类算法具有更好的聚类性能,可以有效降低K-means对初始聚类中心的依赖.最后,将该方法应用于我国鲜食葡萄市场客户分类中,以验证该方法的有效性和实用性.通过实证分析可知,基于改进量子粒子群的K-means聚类算法结构简单、精度高,具有一定的推广性.     

一种改进量子行为粒子群优化算法的移动机器人路径规划

为实现移动机器人最优路径规划,提出了一种改进量子行为粒子群的优化算法(LTQPSO)。针对粒子群算法存在过早收敛的问题,利用个体粒子进化速度与群体离散度来动态调整惯性权重,使惯性权重具有自适应性与控制性,从而避免过早收敛;同时将自然选择方法引入传统位置更新公式中,以保持种群的多样性,加强LTQPSO算法的全局搜索能力,加快算法的收敛速度;将改进后的LTQPSO算法应用于移动机器人路径规划中;最后通过理论仿真与移动机器人平台实验验证了该方法的有效性与可行性。     

基于QPSO的单任务Agent联盟形成

智能群体搜索算法在求解单任务Agent联盟时稳定性较差、收敛速度慢、全局寻优能力不强,因此采用优化的量子粒子群优化算法解决上述问题。利用群体历史优质解,在最优粒子变异的基础上,采用多种群并行搜索,防止陷入局部极值,并对粒子群进行筛选以加快粒子群的收敛速度。对比实验结果表明,该算法可以快速、高效地找出合适的Agent联盟,在运行时间和解的质量方面优于同类算法。     

高维多峰函数的量子行为粒子群优化算法改进研究

针对群智能优化算法求解高维多峰函数时,难以优化粒子每一维和易陷入局部极值点问题,在分析了量子行为粒子群优化（QPSO）算法机理的基础上,对QPSO算法进行改进：采取前后代粒子逐维对比优化,以及构造一种新的调控收缩-扩张系数的函数。实验结果表明,改进算法在收敛精度与收敛速度上都十分显著地优于QPSO算法,而且具有很强的避免陷入局部最优的能力,非常适合求解高维、多峰优化问题。     

基于二次粒子群算法的投资组合优化

投资组合优化问题是一个复杂的组合优化问题,属于NP难问题,传统算法很难解决这一问题。将二次粒子群算法应用到投资组合优化问题中,并采用参数的自适应变化。数值模拟表明该算法在投资组合优化问题中能避免陷入局部最优,加快达到全局最优的收敛速度,并在一定意义下优于标准粒子群算法。     

Logistic型混合自适应分数阶达尔文粒子群优化算法

针对传统的粒子群优化算法中存在的问题及分数阶达尔文微粒群优化(FDPSO)算法收敛速度慢,收敛精度不高的问题,改进其算法中分数阶速度更新策略,同时引入Logistic型混合分数阶自适应动态调整策略,得到一种改进的自适应分数阶达尔文粒子群优化(LFDPSO)算法,并通过相应理论分析,证明了该算法在给定条件下的收敛性,并由6个经典函数的数值测验表明,Logistic型混合自适应分数阶达尔文粒子群(LFDPSO)算法在收敛精度和收敛速度上得到了有效改善与提高,粒子在局部最优时的逃逸能力、全局寻优及智能搜索能力显著增强。     

基于双策略协同进化的QPSO算法及其应用

为更好地提升量子粒子群优化算法（QPSO）的局部挖掘和全局搜索能力,提出了一种改进的QPSO算法（DSQPSO）。在改进算法中引入了双策略协同进化的思路调整粒子的位置更新公式。为充分体现个体粒子挖掘的优势和群体共同引导的特点,提出了两种吸引点构造的思路,做到个体和种群更好地融合以及信息的互通;分别考虑了最优平均位置与全局最优和粒子的历史最优之间的联系,对粒子搜索范围作出了重新定义;此外,在迭代过程中,借助随机扰动机制对全局最优位置进行调整,以保持种群的多样性。通过18个测试函数将DSQPSO算法与PSO、QPSO、RQPSO和LQPSO四种算法在收敛精度和鲁棒性方面进行对比;进而在两个具体的工程优化问题上,应用改进算法与八个智能算法进行了寻优结果比较。实验表明DSQPSO算法无论在基准测试中还是在工程应用上,其计算精度和收敛效果均有明显优势。     

基于随机评价机制的交互式双子群QPSO算法

通过两组势阱中心不同且相互协同的主、辅子群,在具有量子行为的粒子群优化(QPSO)算法基础上构造一种基于随机评价机制的交互式双子群QPSO算法(DIR-QPSO)。该算法通过子群间的协作避免了种群多样性的快速消失,增强了算法的全局搜索能力。同时,随机因子的加入进一步提高了粒子摆脱局部极值的能力。对6个测试函数的实验结果表明, DIR-QPSO算法相对于传统的粒子群优化算法(PSO)在处理单峰和多峰函数时具有更好的优化性能,收敛速度和收敛精度都得到了较大的提高。     

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。     

基于演化搜索信息的量子行为粒子群优化算法

针对量子行为粒子群优化算法可能过早收敛而陷入局部最优的问题,提出了基于演化搜索信息的非重复访问量子行为粒子群优化算法（Non-revisited QPSO,NrQPSO）。该算法将演化搜索信息记录方案和标准QPSO算法结合起来,确保所有更新的粒子位置都是未被重复访问的,并通过变异操作增加粒子的多样性。演化搜索信息记录方案利用二维空间分割树（BSP）将连续搜索空间划分为不同的重叠子区域,并且将子区域作为粒子变异范围,使得相应的变异操作是一种无参数的自适应变异。对比其他传统算法,通过对八个标准测试函数的实验结果表明,NrQPSO算法在处理多峰和单峰测试函数时具有更好的优化性能,收敛精度和收敛速度都得到了提高,证明该算法的有效性。