基于量子粒子群算法的多方法协作优化方法

介绍粒子群算法和具有量子行为的粒子群优化算法QPSO(Quantum-behaved Particle Swarm Optimization).针对QPSO在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了基于QPSO算法的多方法协作优化算法,将QPSO算法与进化规划EP(Evolutionary Programming)算法协作.实验结果表明,改进算法在收敛性和取得最优值方面优于PSO算法和QPSO算法.     

利用免疫粒子群算法解决排课问题

为解决排课当中的资源合理分配问题,寻求一种合理的解决方案,提出一种带免疫量子行为的粒子群智能优化算法.将粒子群中的粒子当作抗体,给粒子的生成加入免疫记忆机制,迭代开始后,使用抗体浓度指导粒子种群向更优方向移动.改进后的方法能避免粒子陷入局部最优和早熟收敛,用以解决这种多约束、多目标的组合排课问题.最后进行实验仿真,仿真结果表明了该新算法在解决实际问题中的有效性与优越性.     

综合改进的粒子群神经网络算法

粒子群优化算法是一种解决非线性、不可微和多峰值复杂优化问题的优秀算法,但该算法在进化后期容易出现速度变慢以及早熟的现象;BP神经网络的学习算法是基于梯度下降这一本质的,因此存在着容易陷于局部极小值,收敛速度慢,训练时间长等问题.针对上述现象,对粒子群优化算法进行了增强粒子多样性和避免种群陷入早熟两个方面的改进,并提出了一种基于改进算法的粒子群神经网络算法,最后通过在IRIS数据集上进行的仿真实验验证了改进的有效性.     

方波触发勘探与开发的粒子群优化算法EI北大核心CSCD

在粒子群优化算法中,当勘探时间持续过长,将可能导致种群在解空间过度徘徊;种群在开发阶段陷入局部最优后,难以再次进行全局勘探.针对上述问题,提出方波触发勘探与开发的粒子群优化算法.依据方波的周期特性,在前半个周期内使用标准粒子群优化算法执行全局勘探,后半个周期使用改进的更新公式执行局部开发.经过实验验证,在方波触发机制下,通过为粒子提供多变步长,可达到周期性触发勘探与开发的目的.使用多类型测试函数,将该算法与新改进粒子群算法、改进人工蜂群算法、改进差分算法在30、50和100维下比较,实验结果表明,该算法在收敛速度和精度上更具优势.     

基于离散粒子群优化的工业无线网多信道分配算法

在充分考虑工业无线节点低能耗要求的基础上,提出一种工业无线网发射功率调节算法.在保证网络连通度的前提下,使无线节点发射功率尽可能小.同时,利用离散粒子群优化算法,提出一种解决工业无线网多信道分配问题的离散粒子群优化多信道分配算法（DPSO-CAA）.对标准离散粒子群优化算法加以改进.提高了所提出算法的全局搜索能力.通过将DPSO-CAA算法与已有算法进行的仿真对比实验,表明了所提出的DPSO-CAA算法能有效地降低数据碰撞和同信道干扰,而且能降低无线节点能耗.     

基于免疫粒子群算法的多星观测调度研究

多星观测调度是一个复杂的组合优化问题,且为NP难题.目前常用解决方法是采用智能搜索算法在搜索空间寻找近似最优解.针对上述问题,首先探讨了国内外成像侦察卫星调度算法的研究现状,然后阐述了传统微粒子群优化算法与免疫粒子群优化算法的特点,并对带有多个时间窗口约束的多星观测问题建立了数学模型.在此基础上,提出一种用于解决多星观测调度问题的免疫粒子群算法.实验结果表明,免疫算法收敛速度快,可以很好地逼近精确解,并具有较强的搜索能力.     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中, 平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键, 多数已提出的方法仅依靠一种策略引导粒子搜索, 在解决复杂问题时算法收敛性和多样性不足. 为解决这一问题, 提出一种基于种群分区的多策略自适应多目标粒子群优化算法. 采用粒子收敛性贡献对算法环境进行检测, 自适应调整粒子的探索和开发过程; 为准确制定不同性能的粒子的搜索策略, 提出一种多策略的全局最优粒子选取方法和多策略的变异方法, 根据粒子的收敛性评价指标, 将种群划分为3个区域, 将粒子性能与算法寻优过程结合, 提升种群中各个粒子的搜索效率; 为解决因选取的个体最优粒子不能有效指导粒子飞行方向, 使算法停滞, 陷入局部最优的问题, 提出一种带有记忆区间的个体最优粒子选取方法, 提升个体最优粒子选取的可靠性并加快粒子收敛过程; 采用包含双性能测度的融合指标维护外部存档, 避免仅根据粒子密度对外部存档维护时, 删除收敛性较好的粒子, 导致种群产生退化, 影响粒子开发能力. 仿真实验结果表明, 与其他几种多目标优化算法相比, 该算法具有良好的收敛性和多样性.     

基于混合粒子群的航班着陆调度优化研究

研究终端区航班着陆调度优化控制问题,为对多目标着陆实现实时调度,克服粒子群算法易陷入局部最优的问题,提出了一种免疫思想和禁忌搜索的混合粒子群调度算法,在粒子群算法的基础上引入了免疫系统的抗体浓度调节机制,以保证群体多样性.针对算法后期进化速度慢的缺点,采用了具有自适应能力的禁忌搜索算法进一步优化性能.最后将混合粒子群调度算法在不同规模的实例上进行了测试,并与其它几种具有代表性的算法进行了比较.实验结果表明,改进算法不仅较好地避免了陷入局部最优,提高了收敛速度,还有效地减少了航班着陆调度中的延迟.     

一种组合粒子群和差分进化的多目标优化算法

在求解多目标优化问题时,针对粒子群优化算法容易陷入局部极值的现象,提出了一种组合粒子群和差分进化的多目标优化算法,使用粒子群优化算法和差分进化算法共同产生新粒子,通过一个判断因子控制两种算法的使用比例,并对粒子群优化算法的速度更新公式进行了改变,以提高搜索效率.通过三个测试函数进行了仿真,并同NSGA-Ⅱ、MOPSO-CD进行了比较.实验结果表明改进算法求得的Pareto解集收敛性和多样性好,并且算法稳定性高,运行速度快.     

无线传感网络覆盖的粒子进化优化策略研究

为了实现网络覆盖范围的最大化,延长网络寿命,本文在粒子进化的多粒子群算法的基础上提出了一种无线传感网络覆盖优化策略.通过多种群并行搜索,采取粒子进化理论使陷入局部最优的粒子迅速跳出,有效地避免了基本粒子群算法容易出现的"早熟"问题,提高了算法的稳定性.通过仿真实验分析了节点感知半径对覆盖性能指标的影响.覆盖率和收敛速度随着感知半径的增大逐渐增大和加快.仿真实验结果表明粒子进化的多粒子群优化策略比基本粒子群算法、传统遗传算法和新量子遗传算法具有更好的覆盖优化效果.     

带自变异算子的粒子群优化算法

针对粒子群优化算法中出现的早熟收敛问题,论文提出了一种带自变异算子的粒子群优化算法。该算法在运行过程中增加了随机变异算子,通过对当前最佳粒子进行随机变异来增强粒子群优化算法跳出局部最优解的能力。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显著提高,并且能够有效避免早熟收敛问题。     

带变异算子的自适应粒子群优化算法

针对粒子群优化算法在进化过程的后期收敛速度较慢,易陷入局部最优的缺点,对基本粒子群优化算法作了如下改进：在速度更新公式中引入非线性递减的惯性权重;改进位置更新公式;对全局极值进行自适应的变异操作。提出一种新的混合变异算子的自适应粒子群优化算法。通过与其他算法的数值实验对比,表明了该算法具有较快的收敛速度和较好的收敛精度。     

微粒群算法的参数选择及收敛性分析

微粒群算法是相对较新颖的优化算法,已经成功应用于许多优化问题。然而算法的参数选择及收敛性分析研究不足,为此首先认真研究了现有微粒群算法粒子轨迹及其收敛性的文献,在此基础上,根据递减惯性权重和递增惯性权重微粒群算法各自的特点,结合算法的收敛区间,提出了一种具有先增后减惯性权重的新的微粒群算法,既保留了具有递增和递减惯性权重的优点,也克服了它们的缺点,取得了比较好的效果。     

A modified particle swarm optimization via particle visual modeling analysis

A particle is treated as a whole individual in all researches on particle swarm optimization (PSO) currently, these are not concerned with the information of every particle’s dimensional vector. A visual modeling method describing particle’s dimensional vector behavior is presented in this paper. Based on the analysis of visual modeling, the reason for premature convergence and diversity loss in PSO is explained, and a new modified algorithm is proposed to ensure the rational flight of every particle’s dimensional component. Meanwhile, two parameters of particle-distribution-degree and particle-dimension-distance are introduced into the proposed algorithm in order to avoid premature convergence. Simulation results of the new PSO algorithm show that it has a better ability of finding the global optimum, and still keeps a rapid convergence as with the standard PSO.     

基于自调节粒子群算法的盲检测

以往基于粒子群优化的盲算法能成功实现信号盲检测,但具有算法收敛速度慢、容易陷入局部最小的缺点。文中通过分析粒子群算法的机能及参数的设置,提出一种改进的基于自调节粒子群优化的盲检测算法。算法构成思想是：基于MIMO系统的盲检测系统模型将盲检测问题转化为二次优化问题,利用改进的自调节粒子群优化算法对此优化问题进行寻优。仿真表明,改进算法具有全局收敛性好、收敛速度快、误码率低的优点,能够更好地解决盲检测问题。     

一种惯性权重动态调整的新型粒子群算法

在简要介绍基本PSO算法的基础上，提出了一种根据不同粒子距离全局最优点的距离对基本PSO算法的惯性权重进行动态调整的新型粒子群算法（DPSO）．并对新算法进行了描述。以典型优化问题的实例仿真验证了DPSO算法的有效性。     

一种改进的粒子群优化算法及其仿真

粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。     

人工鱼群与微粒群混合优化算法*

针对人工鱼群算法局部搜索不精确、微粒群优化算法易发生过早收敛等问题,提出一种新的人工鱼群与微粒群混合优化算法。算法的主要思想是先利用人工鱼群的全局收敛性快速寻找到满意的解域,再利用粒子群算法进行快速的局部搜索,所得混合算法具有局部搜索速度快,而且具有全局收敛性能。最后,以五个标准函数和一个应用实例进行测试,测试结果表明,提出的算法在一定程度上避免了陷入局部极小,加快了收敛速度且提高了搜索精度。     

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.     

基于灰狼优化的反向学习粒子群算法

针对粒子群算法（PSO）易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法。