基于混沌搜索的粒子群优化算法

粒子群优化算法(PSO)是一种有效的随机全局优化技术。文章把混沌优化搜索技术引入到PSO算法中,提出了基于混沌搜索的粒子群优化算法。该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高的算法的收敛速度和计算精度。仿真计算表明,该算法的性能优于基本PSO算法。     

基于PSO的模糊控制器参数优化设计

本文提出了将微粒群优化(PSO)算法应用于模糊控制器的参数优化设计中,针对常用的工业对象模型进行了仿真实验,仿真结果表明基于微粒群算法优化模糊控制器参数可以获得满意的控制效果,PSO算法为模糊控制器的设计提供了一种的新的思路.     

基于粒子群优化算法的滤波器优化

给出一种基于粒子群优化算法（PSO）的模拟滤波器优化设计方法。传统的模拟滤波器的精度与效率均较差,引入PSO算法可对滤波器参数进行寻优。将滤波器的设计问题转化为滤波器参数的优化问题,然后利用粒子群优化算法对整个参数空间进行高效搜索以获得最优解;通过变异、重新随机化及采用自适应的惯性权重,提高了算法的搜索效率及收敛性。实例计算表明了算法在该类问题中的有效性和可行性。     

具有量子行为的粒子群优化算法的改进

为改善基本粒子群的全局、局部搜索能力和收敛速度、计算精度,基于标准PSO算法和量子理论基础之上,提出一种改进的基于量子行为的PSO算法—WbQPSO算法。新算法中,采用全同粒子系更新位置,并引入混沌思想,对每个粒子进行混沌搜索,另外通过在Mbest_i中加入权重系数,试图改善粒子群的全局、局部搜索能力和收敛速度以及计算精度。对经典函数的测试计算表明：改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。     

利用T-S模糊自适应PSO算法优化PID参数

针对微粒群优化算法存在的早熟问题,提出了一种基于T-S模型的模糊自适应PSO算法（T-SPSO算法）。算法依据种群当前最优性能指标和惯性权重值所制定T-S规则,动态自适应惯性权重取值,改善了PSO算法的收敛性。将该算法应用于PID控制器的参数整定,可得到更优的控制器参数。仿真结果验证了所提出算法的有效性和所设计控制器的优越性。     

一种局部与全局相结合的微粒群优化算法

提出一种基于局部与全局搜索相结合的粒子群算法.该算法结合全局和局部PSO算法的优点,摆脱局部极优点的束缚,保持前期搜索速度快的特性,提高全局搜索能力.仿真实验表明,与标准微粒群优化算法相比,该算法的全局收敛性能得到显著提高,有效地避免微粒群优化算法中的局部收敛问题,并快速搜索到全局最优解.     

基于种群规模动态减小的混合微粒群优化算法研究

针对基本微粒群优化(PSO,particle swarm optimization)算法存在早熟、易陷入局部极值等缺点,提出了一种改进的PSO优化算法。该算法分为全局搜索和局部搜索两个阶段。在全局搜索阶段采用基本PSO算法快速收缩搜索范围;在局部搜索阶段将PSO算法与模拟退火(SA,simulated annealing)算法结合,通过产生部分变异微粒确保算法能够跳出局部极值。同时为提高搜索效率,动态地减少种群规模。仿真结果表明,该算法具有较好的优化性能以及较高的执行效率。     

应用PSO的快速纹理合成算法

应用PSO的快速纹理合成算法是一种高效的纹理合成算法,应用粒子群优化(PSO)算法对基于块采样的纹理合成算法的搜索匹配过程进行了改进,改变了原算法的全遍历搜索过程,在不影响合成质量的前提下加快了合成速度．本算法对于按序和随机的各种应用都能在一台中等的PC机上几秒内合成高质量的纹理．并对算法执行中的粒子数、迭代次数对合成速度和合成效果的影响进行了详细的分析．     

一种基于改进支持向量机的入侵检测方法研究

提出基于粒子群优化（Particle Swarm Optimization,PSO）算法和支持向量机（Support Vector Machines,SVM）的入侵检测方法,为优化SVM性能,使用PSO的全局搜索特性寻找SVM的最优参数[C]和[σ];为避免PSO算法陷入局部最优,引入变异操作,找到最优参数组合后进行基于PSO_SVM入侵检测算法的训练和检测,解决了入侵检测系统准确度难题。仿真实验表明该方法的检测率为92.8%,误报率为6.911 9%,漏报率为9.708 7%,对KDDCUP竞赛的最佳结果有一定程度的提高,实验结果验证了该算法的有效性和可行性。     

利用改进微粒群算法优化PID参数

提出一种利用改进微粒群算法优化PID参数的方法。微粒群算法(PSO)是一种随机全局优化技术，算法通过微粒间的相互作用发现复杂搜索空间中的最优区域，算法简单、容易实现且功能强大。将PSO算法加以改进并应用在PID控制器的参数优化，经仿真证明了PSO算法的有效性，其性能优于遗传算法和传统的经验公式。     

粒子群算法在组合优化问题上的研究与发展

粒子群优化算法是一种新兴的基于群智能搜索的优化技术。该算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。介绍了算法的基本原理和算法在组合优化上一些改进方法的主要应用形式。最后,对粒子群算法作了一些深入分析并在此基础上对粒子群算法应用于组合优化问题做了一些总结。     

基于粒子群算法求解多目标优化问题

粒子群优化算法自提出以来，由于其容易理解、易于实现，所以发展很快，在很多领域得到了应用．通过对粒子群算法全局极值和个体极值选取方式的改进，提出了一种用于求解多目标优化问题的算法，实现了对多目标优化问题的非劣最优解集的搜索，实验结果证明了算法的有效性．     

Set-based discrete particle swarm optimization and its applications: a survey

Particle swarm optimization (PSO) is one of the most popular population-based stochastic algorithms for solving complex optimization problems. While PSO is simple and effective, it is originally defined in continuous space. In order to take advantage of PSO to solve combinatorial optimization problems in discrete space, the set-based PSO (S-PSO) framework extends PSO for discrete optimization by redefining the operations in PSO utilizing the set operations. Since its proposal, S-PSO has attracted increasing research attention and has become a promising approach for discrete optimization problems. In this paper, we intend to provide a comprehensive survey on the concepts, development and applications of S-PSO. First, the classification of discrete PSO algorithms is presented. Then the S-PSO framework is given. In particular, we will give an insight into the solution construction strategies, constraint handling strategies, and alternative reinforcement strategies in S-PSO together with its different variants. Furthermore, the extensions and applications of S-PSO are also discussed systemically. Some potential directions for the research of S-PSO are also discussed in this paper.     

离散粒子群优化算法求解旅行商问题

在优化领域,粒子群算法适用于求解连续优化问题,而在离散优化上的应用还相对较少。本文在介绍基本粒子群优化算法的基础上,分析了粒子群优化算法在经典旅行商问题 中的应用性能及粒子群算法求解旅行商问题的相关操作。使用Ulysses等标准TSP测试数据进行了相关实验,并通过不同的参数设置对实验结果进行了性能分析和比较。     

Optimal short-term hydro-thermal scheduling using quasi-oppositional teaching learning based optimization

This paper presents a new approach for solving short-term hydrothermal scheduling (HTS) using an integrated algorithm based on teaching learning based optimization (TLBO) and oppositional based learning (OBL). The practical hydrothermal system is highly complex and possesses nonlinear relationship of the problem variables, cascading nature of hydro reservoirs, water transport delay and scheduling time linkage that make the problem of optimization difficult using standard optimization methods. To overcome these problems, the proposed quasi-oppositional teaching learning based optimization (QOTLBO) is employed. To show its efficiency and robustness, the proposed QOTLBO algorithm is applied on two test systems. Numerical results of QOTLBO are compared with those obtained by two phase neural network, augmented Lagrange method, particle swarm optimization (PSO), improved self-adaptive PSO (ISAPSO), improved PSO (IPSO), differential evolution (DE), modified DE (MDE), fuzzy based evolutionary programming (Fuzzy EP), clonal selection algorithm (CSA) and TLBO approaches. The simulation results reveal that the proposed algorithm appears to be the best in terms of convergence speed, solution time and minimum cost when compared with other established methods. This method is considered to be a promising alternative approach for solving the short-term HTS problems in practical power system.     

一种基于Cauchy变异的量子粒子群算法

和其他优化算法相比,粒子群算法有着简单易实现以及寻优结果快的优点,但研究结果表明标准粒子群算法在优化过程中存在着易于陷入最小的缺陷。文章提出了一种基于Cauchy策略的量子-粒子群算法。标准测试函数的仿真结果表明,新的算法不仅能够提高算法的全局搜索能力,而且能够加快算法的寻优速度,能够应用在实际工程中的函数优化问题。     

无线传感器网络定位优化算法及其仿真

无线传感器网络节点定位是节点信息的重要话题,针对节点定位问题,在基于距离的极大似然估计法定位基础上,为了弥补其受测距误差影响较大的缺点,利用粒子群优化算法实现无线传感器网络节点定位。在论述粒子群算法的基础上,详细论述了基于粒子群优化的极大似然估计法进行节点定位过程。通过MATLAB实验对算法进行了验证,实验表明基于粒子群优化算法的节点定位精度要比极大似然估计法的精度要高,定位性能要比其优越。     

A hybrid algorithm based on particle swarm and chemical reaction optimization for multi-object problems

Over the past decade, the particle swarm optimization (PSO) has been an effective algorithm for solving single and multi-object optimization problems. Recently, the chemical reaction optimization (CRO) algorithm is emerging as a new algorithm used to efficiently solve single-object optimization.In this paper, we present HP-CRO (hybrid of PSO and CRO) a new hybrid algorithm for multi-object optimization. This algorithm has features of CRO and PSO, HP-CRO creates new molecules (particles) not only used by CRO operations as found in CRO algorithm but also by mechanisms of PSO. The balancing of CRO and PSO operators shows that the method can be used to avoid premature convergence and explore more in the search space.This paper proposes a model with modified CRO operators and also adding new saving molecules into the external population to increase the diversity. The experimental results of the HP-CRO algorithm compared to some meta-heuristics algorithms such as FMOPSO, MOPSO, NSGAII and SPEA2 show that there is improved efficiency of the HP-CRO algorithm for solving multi-object optimization problems.     

基于粒子群优化算法的神经网络在油品质量预测中的应用

粒子群优化算法是基于群体智能的全局优化技术,它通过了粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。其优势在于操作简单,容易实现。文中将粒子群算法和神经网络进行融合,优化神经网络的权值和域值,充分发挥了粒子群算法的全局寻优能力和BP算法的局部搜索优势,并与改进的BP算法进行了比较 。油品质量预测的实例表明,将粒子群算法用于神经网络的优化,收敛速度更快,预测精度更高,而且算法简单。     

粒子群算法在投影寻踪模型优化求解中的应用

粒子群优化(Particle Swarm Optimization,PSO)算法是一种新兴的优化技术,其思想来源于人工生命和进化计算理论.PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成问题的优化.针对投影寻踪模型中的最佳投影方向优化问题.运用PSO算法和惩罚函数法相结合对该优化问题进行了计算.仿真实验结果表明:PSO算法对于求解有复杂约束的非线性目标函数优化问题是可行的,且算法的收敛速度快,编程结构简单,易于实现,从而为各领域运用投影寻踪模型评价方法提供了强有力的寻优方法,具有较广的应用前景.