改进的多目标粒子群优化方法

为了提高多目标粒子群算法(MOPSO)在Pareto前沿的收敛性和分布性,对传统MOPSO方法进行了改进.首先采用基于Pareto支配概念的适应值比例方法选择gbest,其次利用动态拥挤距离更新外部精英集,并通过对精英种群执行遗传操作,最后在粒子种群引入自适应的淘汰机制,加强粒子种群和精美种群的进化.典型测试函数的计算结果表明,该算法在收敛精度和分布性方面得到明显改善.     

基于动态分数阶和Alpha稳定分布的粒子群优化算法

针对传统粒子群优化算法(PSO)收敛速度慢及容易陷入局部极小化的问题,提出了一种改进的粒子群优化算法。新算法结合分数阶微分具有的记忆特性,使得粒子的更新融入了轨迹信息,提高了算法的收敛速度。使用Alpha稳定分布代替均匀分布使得粒子在一定概率条件下可以逃逸局部极小点,提高了粒子的全局搜索能力。仿真结果表明,算法不仅在单模态函数下具有更快的收敛速度和更有效的全局搜索能力,在复杂的具有欺骗性的多模态函数下也取得较理想的实验结果,证实了动态分数阶和Alpha稳定分布可以有效地提高粒子群优化算法的性能。     

引入改进鸽群搜索算子的粒子群优化算法

随着迭代计算过程的推进,标准粒子群算法后期容易出现收敛速度较慢、精度较低、早熟及开发探索能力较弱等问题.针对上述不足,文中提出引入改进鸽群搜索算子的粒子群优化算法,采用Beta反向学习策略进行种群的初始化,实现种群粒子分布的多样性.首先采用线性和非线性变异策略改进鸽群算法中的地图罗盘算子,提高鸽群算法的开发和探索能力.然后采用改进后的组合优化鸽群算子更新粒子群中粒子位置和速度,提高收敛速度和计算精度,避免算法陷入局部最优.实验表明,文中算法提高收敛计算速度,精度达到函数设定的理想值.     

简化粒子群优化方法的改进研究

为了有效提高粒子群优化算法的收敛速度和搜索精度,增强算法跳出局部最优,寻得全局最优的能力,提出了一种改进的简化粒子群优化算法。该算法考虑了粒子惯性、个体经验和全局经验对于位置更新影响力的不同,改进了位置更新公式,克服了粒子群优化算法收敛速度慢和易陷入局部最优的缺点。标准函数测试结果表明该改进算法的收敛速度和搜索精度有了很大的提高。     

基于高斯变异和自适应参考点的MOPSO优化算法

针对MOPSO优化算法在优化多目标问题当中收敛程度较差和容易进入部分最优的缺点,提出一种基于高斯变异和自适应参考点融合的MOPSO优化算法。利用高斯变异位置更新方法改善解集提前停止寻优现象,提高MOPSO优化算法在寻找最优过程中寻找解集的多样性;采用自适应参考点的外部档案维护策略,将收敛性较差的粒子剔除,提高算法的收敛性。实验结果表明:改进的MOPSO算法同传统的MOPSO算法相比,反向代距离和超体积比有了明显的改善,具有更好的解集多样性和收敛性。     

基于NSGA-II和MOPSO融合的一种多目标优化算法

用多目标粒子群优化(MOPSO)算法的粒子位置更新模式替代NSGA Ⅱ的交叉操作,获得一个新的算法（NSGA Ⅱ MOPSO）。为使这两种差异较大的算法实现无缝融合,在NSGA Ⅱ算法范围内对MOPSO中特有的概念粒子及其速度、Pbest、引导者进行处理: 1)粒子对应于NSGA Ⅱ中子代群体的个体; 2)不再使用粒子速度概念; 3)不再使用粒子Pbest概念,代之以从父代群体中为每个粒子的每一维寻找一个最近的该粒子非支配个体; 4)每一个粒子的引导者可以是父代群体中稀疏程度最大的个体或者是按照二进制随机竞赛选择方法从父代群体中选择的一个个体,具体哪一种方式发挥作用依赖于预先设定的概率。另外,引入稀疏程度概念来评价粒子在目标函数空间的分布。6个算例的结果表明,与NSGA Ⅱ及最新的两种MOPSO算法（CLMOPSO 和 EM MOPSO）相比,新算法是一个有效、稳定的算法。     

基于侧步爬山策略的混合多目标粒子群算法研究

为提高多目标粒子群算法(MOPSO)的收敛性与解集多样性,提出一种基于侧步爬山策略的混合多目标粒子群算法(H-MOPSO).通过建立局部搜索与粒子群优化的混合模型,在该模型中后期引入基于侧步爬山策略的局部搜索,周期性代替粒子群搜索并优化混合参数,使粒子根据距离前沿的远近朝下降或非支配方向搜索,加快粒子群收敛并改善其分布.同时采用非均匀变异算子和线性递减的惯性权重策略,避免算法早熟.通过标准测试函数的对比实验表明,该算法整体上比MOPSO、NSGA-II和MOEA/D具有更好的多样性与收敛性.     

融合反向学习和黄金正弦的改进粒子群算法

提出一种融合反向学习和黄金正弦的改进粒子群算法。通过反向学习策略优化初始种群的质量，提高算法的收敛速度；结合黄金正弦算法优化位置更新公式，并通过双面镜理论处理边界外的粒子，使粒子在搜索空间内分布更均匀，增强算法的搜索能力；利用柯西变异的方法对全局最优粒子的位置进行扰动，提高粒子跳出局部最优的能力。对8个测试函数进行实验，并与其他的五种算法进行比较，结果表明，本文改进之后的粒子群优化算法有着更快的收敛速度和更高的寻优精度。     

一种基于引导策略的自适应粒子群算法

为解决粒子群算法前期搜索“盲目”,后期搜索速度慢且易陷入局部极值的问题,对算法中粒子更新方式和惯性权重进行了改进,提出了一种基于引导策略的自适应粒子群算法。该算法在种群中引入4种粒子,即主体粒子、双中心粒子、协同粒子和混沌粒子对粒子位置更新进行引导,克服算法的随机性,从而提高搜索效率;为进一步克服粒子群优化算法进化后期易陷入早熟收敛的缺点,引入聚焦距离变化率的概念,通过聚焦距离变化率的大小动态调整惯性权重,以提高算法的收敛速度和精度,两者结合极大地提高了搜索到全局最优解的有效性。对4个标准测试函数进行仿真,实验结果表明IPSO算法在收敛速度、收敛精度以及成功率上都明显优于LDWPSO和WPSO算法。     

新的全局-局部最优最小值粒子群优化算法

为了提高粒子群优化算法的收敛速度,克服陷入局部最优的缺点,在全局-局部最优粒子群优化算法的基础上,提出了一种新的改进粒子群优化算法——全局-局部最优最小值粒子群优化算法.该算法把惯性权重和学习因子分别通过结合全局和局部最优最小值来进行改写,速度更新公式也做了相应的简化.仿真实验表明该算法在收敛速度和寻优质量上都优于基于LDIW策略改进的粒子群算法和全局-局部最优粒子群算法.