基于距离的k最优粒子群优化算法

传统的粒子群优化算法（Particle Swarm Optimization,PSO）只考虑了最优粒子对整个进化过程的引导作用且在一次迭代中所有粒子采用相同的惯性权值。为了体现各粒子相对于已知最优解的差异,提出了一种基于距离度量的自适应（k,l）PSO算法。（k,l）PSO算法采用轮盘赌策略在k个最优的粒子中选择一个粒子作为全局最优粒子参与粒子的速度更新,同时,根据粒子间的平均距离l确定粒子与选中的最优粒子的距离,自适应调整粒子的惯性权值。通过基准测试函数对算法进行了实验,实验验证了（k,l）PSO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。     

基于动态概率变异的Cauchy粒子群优化

介绍了标准粒子群优化（SPSO）算法,在两种粒子群改进算法Gaussian Swarm和Fuzzy PSO的基础上提出了Cauchy粒子群优化（CPSO）算法,并将遗传算法中的变异操作引入粒子群优化,形成了动态概率变异Cauchy粒子群优化（DMCPSO）算法。用3个基准函数进行实验,结果表明,DMCPSO算法性能优于SPSO和CPSO算法。     

基于文化粒子群算法的KPCA特征提取*

如何选择最优或接近最优的核函数使分类错误率降低,是KPCA应用于特征提取的关键。为了优化核 函数,提高特征提取的能力并降低分类错误率,在研究了文化算法（cultural algorithm, CA）、粒子群优化（particle swarm optimization, PSO）相关文献的基础上,提出了一种文化粒子群算法（cultural based PSO, CBPSO）流程,并 将此算法用于训练核函数参数,实现了KPCA和CBPSO的集成,有效地提高了核函数的优化选择。通过比较 CBPSO-KP     

基于细菌觅食机理改进粒子群算法的研究

粒子群算法与细菌觅食算法在优化问题中均体现了较好的性能,但由于各自特定的进化机制,也都存在缺点。粒子群优化（PSO）算法在优化过程中过快陷入局部极值,为了避免这个缺陷,提出了一种新的混合算法。通过PSO算法完成整个空间的全局搜索,通过细菌觅食算法（BFOA）中的趋向性运动算子完成局部搜索的功能,再通过典型函数进行测试,结果表明新算法可以有效弥补细菌觅食算法速度不快和粒子群算法精度不高的缺陷,同时部分地避免了局部收敛的问题,从而适用于解决复杂函数的优化问题。     

基于速度夹角的粒子群协同优化算法

粒子群算法（PSO）是一种随机全局优化算法，在许多领域得到了广泛应用。针对PSO存在易陷入局部极值、进化后期收敛速度缓慢的缺点，提出一种基于速度夹角的粒子群协同优化算法（V-PSCO），并且引入了一种基于高斯分布的累积分布函数的惯性权重调整策略。将V-PSCO用于几种典型函数的优化问题，结果表明，V-PSCO具有更强的全局搜索能力，优化性能明显提高。     

基于扩散机制的双种群粒子群优化算法*

为了避免标准粒子群优化算法（PSO）过早收敛的缺点,把热力学中的扩散现象引入到PSO算法的改进当中,提出了基于扩散机制的双种群粒子群优化算法(DPSO)。DPSO算法中定义了粒子的扩散能、种群的温度和粒子的扩散概率三个概念,两个群体中的粒子在进化过程中根据粒子的扩散概率被选入到各自种群的扩散池中,从而实现两个种群之间信息的交换和共享。通过解决典型的多峰、高维函数优化问题来证实DPSO算法的有效性,实验结果表明DPSO比标准PSO具有更高的性能。     

基于全局层次的自适应QPSO算法

阐明了具有量子行为的粒子群优化算法理论（QPSO）,并提出了一种基于全局领域的参数控制方法。在QPSO中引入多样性控制模型,使PSO系统成为一个开放式的进化粒子群,从而提出了自适应具有量子行为的粒子群优化算法（AQPSO）。最后,用若干个标准函数进行测试,比较了AQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,AQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题。     

基于粒子群算法的混洗蛙跳算法

基于模因进化的演化算法是一种模拟自然界生物进化或社会种群活动的随机搜索方法。本文介绍一种基于新的智能搜索算法——混洗蛙跳算法的改进演化算法。对SFLA算法和PSO算法的基本原理进行阐述,为了更好地改进SFLA算法局部搜索能力差、收敛速度降低,将粒子群优化算法（PSO）与混洗蛙跳算法（SFLA）相结合,提出一种改进的混洗蛙跳算法（SFLA）,能够提高算法的局部搜索能力和稳定性。该算法比上述两种算法具有更好的性能,特别是对函数优化等问题计算效果更好。     

一种基于差异演化变异的粒子群优化算法

为了保持粒子种群的多样性而避免发生“早熟”的问题,提出一种基于差异演化变异的粒子群优化算法（PSO）,该方法通过粒子聚集性判断如果粒子群中的粒子过于聚集,则使用差异演化算法对PSO算法中各个粒子的自身历史最佳位置进行变异,以实现保持粒子群种群多样性的目的。对4种常用函数的优化问题进行测试并进行比较,结果表明：所改进的粒子群优化算法比标准粒子群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。     

基于自适应动态邻居和广义学习的改进粒子群算法

为了克服粒子群算法在求解多峰函数时极易陷入局部最优解的缺陷, 提出一种基于自适应动态邻居广义学习的改进粒子群算法(ADPSO)。在ADPSO算法中, 根据每个粒子邻居中最好运行粒子的状态动态地调整邻居拓扑结构;每个粒子的学习样本包括全局最优粒子、自身最优粒子和粒子邻居中最优运行粒子;并且在新产生的粒子位置上, 加上一个随机位置以增加粒子向全局最优解移动的概率。在基准函数的测试中, 结果显示ADPSO算法比其他PSO算法有更好的运行效果,是求解多峰问题的一种有效算法。     

改进的粒子群算法及其SVM参数优化应用

支持向量机是一种性能优越的机器学习算法,而其参数的选择对建模精度和泛化性能等有着重要的影响,也是目前机器学习研究的一个重要方向。在简要介绍基本粒子群优化（PSO）算法的基础上,提出了一种量子粒子群优化算法,给出了其实现方式,并通过4个基准测试函数进行性能对比评价。基于这种量子粒子群优化算法,对最小二乘支持向量机（LS-SVM）的参数优化进行了研究。仿真结果表明,量子粒子群优化算法能给出很好的优化结果。     

基于PSO与对立学习的细菌觅食算法

为提高细菌觅食算法处理高维问题时的收敛速度及精度,提出一种基于粒子群优化算法和对立学习的细菌觅食算法PO-BFA.在种群初始化阶段采用对立学习取代随机初始化,在进化过程中利用对立学习进行种群动态跳跃,以提高算法的收敛速度,并以粒子移动代替细菌的趋化操作,由此省略细菌前进操作.基于6个高维Benchmark函数的实验结果...     

基于动态邻居拓扑结构的PSO算法

粒子群优化(PSO)算法在求解复杂的多峰问题时极易陷入局部最优解,通过分析种群多样性与局部最优解间的关系,提出一种基于动态邻居拓扑结构的粒子群算法。该算法在运行过程中,每间隔若干代,根据粒子间的距离更新每个粒子的邻居,该策略增加种群的多样性,进而提升粒子跳出局部最优解的能力。实验结果表明,该算法比其他PSO算法具有更好的性能。     

求解非线性方程组的混合粒子群算法

结合Hooke-Jeeves和粒子群的优点,提出了一种混合粒子群算法,用于求解非线性方程组,以克服Hooke-Jeeves算法对初始值敏感和粒子群容易陷入局部极值而导致解的精度不够的缺陷。该算法充分发挥了粒子群强大的全局搜索能力和Hooke-Jeeves的局部精细搜索能力,数值实验结果表明：能够以满意的精度求出对未知数具有敏感性的非线性方程组的解,具有良好的鲁棒性和较快的收敛速度和较高的搜索精度。     

嵌入极值优化的混合粒子群优化算法

针对标准粒子群算法容易陷入局部极值和精度低的问题,提出一种嵌入极值优化算法的粒子群优化算法。在线性下降的惯性权重粒子群算法运行过程中,间隔一定迭代次数与极值优化算法相结合,利用其波动性增加种群的多样性,并有效结合粒子群算法较强的全局探索能力和极值优化算法精细的局部搜索性能,以较高精度收敛到全局极值。仿真实验结果表明,该混合算法是一种求解高维多峰连续函数极值的有效方法。     

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法（PSO）和差分进化算法（DE）进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。     

基于个体状态的粒子群优化算法

针对标准粒子群算法的种群多样性丧失和算法早熟收敛问题,借鉴自然界中群居动物个体行为的独立性特征,提出粒子的个体状态概念,给出一种基于微粒个体状态和状态迁移的粒子群优化算法。对典型函数测试结果的比较表明,改进后算法的寻优能力明显高于标准粒子群算法。与其他改进算法相比,该算法的寻优能力也较强。     

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。