基于自适应选择和变异的改进粒子群算法

针对基本粒子群优化算法搜索精度低和易早熟的缺点,提出了一种基于自适应选择和变异算子的改进粒子群算法。选择算子可提高粒子群的整体适应度,增强粒子群的局部搜索能力;变异算子则能扩大粒子群的搜索范围,防止粒子群陷入局部最优。搜索时,根据全局极值在迭代过程中的变化情况,自适应地调整选择算子和变异算子使粒子群飞向全局最优。典型函数的算例测试表明,改进的粒子群算法较传统算法具有更高的搜索精度和更强的抗早熟能力。     

带有变异算子的自适应粒子群优化算法

提出了一种新的带有变异算子的自适应粒子群优化算法,该算法使用了一种新的自适应惯性权重,使得算法在迭代的早期快速进人局部搜索,并且根据群体的适应度方差和平均聚集距离来判断算法在迭代的后期是否陷入局部最优点陷阱,对群体中的部分粒子采用新构造的变异运算作用,从而摆脱局部搜索的束缚,以实现全局搜索的性能。通过对六个例子的测试,表明这种改进的PSO算法的全局搜索能力和搜索成功率有较大提高。     

带柯西变异的自学习改进烟花算法

针对烟花算法收敛速度慢和求解精度不高,论文提出了一种改进烟花算法--带柯西变异的自学习改进烟花算法.改进算法用全局搜索能力更强的柯西变异算子替代高斯变异算子,增大变异范围;用全局最优烟花个体和历史柯西火花的位置来构造新的爆炸半径使其不仅能够继承和学习历史信息,还能够自适应地调整步长;并使用可同时兼顾烟花质量与分布的"精英-随机"选择策略.使用了10个典型基准测试函数和10个0-1背包问题进行仿真实验,结果表明,与蝙蝠算法、粒子群算法、带高斯扰动的粒子群算法、烟花算法、增强烟花算法、自适应烟花算法相比.该算法在收敛速度、计算精度以及稳定性方面性能更优.     

带变异算子的非线性惯性权重 PSO 算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法.该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力.当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力.用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度     

基于熵的自适应变异的粒子群优化算法

在研究标准粒子群算法原理的基础上,提出了一种基于熵的自适应变异粒子群优化算法.此算法利用熵来评价种群的多样性,并根据种群的多样性自适应地调整变异概率和变异算子,进而利用变异操作丰富种群多样性,扩大搜索空间,避免陷入局部最优.将改进后的算法运用常见的几个测试函数进行了寻优仿真,仿真结果表明了基于熵的自适应变异粒子群优化算法的可行性和有效性.     

自适应变异的粒子群优化算法

针对粒子群算法的早熟收敛问题,提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值,根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力,增大寻找全局最优的几率。对几种典型函数的测试结果表明,新算法的全局搜索能力有了明显的提高,有效避免了早熟收敛问题。     

基于改进离散粒子群的蜂窝网络信道分配

为了提高蜂窝移动通信系统的频谱利用率,提出了一种基于改进离散粒子群算法的频率分配方法.基于文化算法的思想,设计了具有方向性的最优渐进式变异算子.当粒子出现聚集时,对粒子中的最优粒子执行文中引入的最优渐进式变异算子,在增强算法的局部搜索能力的同时,增强了算法的全局搜索能力.粒子采用了最小间距编码,压缩了求解空间加快了算法收敛.仿真实验结果表明,该算法在频率分配问题上的搜索能力更强,在21蜂窝小区中寻找到的最小可用频率数为40.     

变异自适应混沌粒子群算法求解线性超定方程

针对粒子群算法容易陷入局部最优值和全局局部搜索平衡能力较差的问题,提出来变异自适应混沌粒子群算法.根据进化代数调节惯性权重和加速因子,新算法较好平衡了粒子群算法中的全局和局部搜索模型,利用变异因子可以使得粒子跳出局部最优值,保证种群后期仍然具有进化潜力.新算法在5个测试函数上和标准粒子群算法,自适应粒子群算法,混沌粒子群算法进行了比较,通过三种比较标准,结果说明了新算法具有较快的收敛速度,和较强的进化潜力.通过对线性超定方程组的求解,说明了新算法在数学方面具有较高的使用价值.     

带可变随机函数和变异算子的粒子群优化算法

标准粒子群优化算法的收敛分析表明,改变随机函数、个体历史最优,群体全局最优,有助于提高该算法的性能。为此,本文提出了一种带可变随机函数和变异算子的粒子群优化算法,即通过改变速度更新方程中的随机函数分布来调节粒子在迭代过程中飞向个体历史最优和群体全局最优的比重,通过对个体历史最优和群体全局最优进行变异来增强种群的搜索能力。实验结果证实了该算法的有效性。     

嵌入列维变异的混合动态粒子群算法

针对标准粒子群优化算法易陷入局部最优、收敛精度不高的问题,提出一种嵌入列维变异的混合动态粒子群算法（DLPSO）。算法在进化过程中采用动态拓扑Dbest策略以降低粒子趋同性,每次迭代时根据解的好坏将粒子分为全局最优粒子、探索粒子及无目标粒子,并对探索粒子进行分簇,簇内粒子的更新受到全局最优粒子及簇内最优粒子的共同影响;为确保粒子多样性,平衡局部搜索与全局搜索,采用免疫机制与自适应列维变异相结合的方式对粒子进行变异。利用7个测试函数对算法进行性能评价,数值仿真结果表明该算法搜索精度高且稳定性好,具有良好的收敛性能。