一类简约的粒子群算法

针对标准粒子群的早熟和局部粒子群的最优位置信息利用率低的问题,提出一类简约的粒子群算法,该算法包含两种改进的策略:初始阶段有区别的更新粒子速度,减少更新频率,当粒子的速度有利于种群的进化时,那么下一代粒子的速度则保持不变;当粒子位置变化不大时,采用基于正态分布的随机采样搜索策略来改变寻优方式,有效地控制种群多样性,避免了早熟现象的发生.仿真实验表明该算法具有更强的寻优能力和更高的稳定性.     

粒子带质量的粒子群算法

针对粒子群算法在陷入局部最优时难于跳出的缺陷提出了一种带有质量的粒子群算法。该算法受运动学原理启发,粒子位置的更新不仅受自身最优和种群最优的影响,还受到由粒子质量引起的梯度场的影响。当粒子群出现早熟现象时,用电磁学原理与动量守恒定理更新种群的最优位置,使群体能及时摆脱局部最优区域。仿真结果表明,该算法优化4种具有代表性的基准函数,无论是在优化精度方面还是在优化效率方面,均较以往提出的改进粒子群算法在性能上有所改进。     

基于粒子空间扩展的协同微粒群优化算法

针对协同微粒群优化存在的停滞现象,提出了一种新的基于粒子空间扩展的协同微粒群优化算法。该算法通过引入粒子半径来确定粒子间是否发生相互碰撞,如果两个粒子一旦发生碰撞,则按预先设定的位置更新公式跳出原来的位置,从而避免陷入停滞状态。对三个典型函数的测试结果表明,新算法不仅能够有效地克服了停滞现象,而且显著提高了搜索更优解的能力和鲁棒性。     

带邻近粒子信息的粒子群算法

针对标准粒子群算法易出现早熟的问题,提出了一种带邻近粒子信息的粒子群算法。该算法中粒子位置的更新不仅包括自身最优和种群最优,还包括粒子目前位置最近粒子最优的信息。为了有效地平衡算法的全局探索和局部开发,并使其收敛于全局最优值,采用了时变加速因子策略,两个加速因子随进化代数线性变化。通过对5个经典测试函数优化的数值仿真实验并与其他粒子群算法的比较,结果表明了在平均最优值和成功率上都有所提高,特别是对多峰函数效果更加明显。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

最优粒子增强探索粒子群算法

针对粒子群优化算法（Particle Swarm Optimization,PSO）存在收敛速度慢、寻优精度低和早熟收敛的问题,提出一种最优粒子增强探索粒子群算法（Optimal particle Enhanced Exploration Particle Swarm Optimization,OEEPSO）。OEEPSO将最优粒子在空间中的位置信息以二维一组划分,按4种方式计算每二维的适应值,选择适应值最小的方式更新对应维度的速度值和位置值。该策略加强了对最优粒子周围区域的探索,使粒子群能更快地向全局最优解靠近,提高了算法的收敛速度和求解精度。当算法陷入局部最优时,根据群体历史最优解的适应值,动态调整各粒子的速度值和位置值,使算法最终收敛到全局最优解。实验结果表明,OEEPSO具有收敛速度快、求解精度高的特点。     

求解独立任务调度的离散粒子群优化算法

针对独立任务调度问题,提出一种改进的离散粒子群算法,采用基于任务的编码方式,对粒子的位置和速度更新方法进行重新定义。为防止粒子群算法的早熟收敛,给出利用模拟退火算法的局部搜索能力在最优解附近进行精细搜索,以改善解的质量。仿真结果表明,与遗传算法和基本粒子群算法相比,该混合算法具有较好的优化性能。     

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。     

改进的自适应粒子群优化算法

提出了一种融合梯度搜索法、繁殖法并结合前[N]个粒子历史最优位置的改进自适应粒子群优化算法。算法选用混沌惯性权重,每个粒子速度和位置的更新不仅考虑自身历史最优和全局最优位置,还受其他粒子历史最优位置的影响,且其影响程度的权重随迭代次数自适应变化;同时粒子位置随迭代次数以线性递增的概率进行负梯度方向更新;当粒子更新停滞时,对可能处于局部最优位置的部分粒子进行杂交。仿真实验结果表明,该算法比其他相关算法具有更好的收敛速度和收敛精度。     

一种改进量子行为粒子群优化算法的移动机器人路径规划

为实现移动机器人最优路径规划,提出了一种改进量子行为粒子群的优化算法(LTQPSO)。针对粒子群算法存在过早收敛的问题,利用个体粒子进化速度与群体离散度来动态调整惯性权重,使惯性权重具有自适应性与控制性,从而避免过早收敛;同时将自然选择方法引入传统位置更新公式中,以保持种群的多样性,加强LTQPSO算法的全局搜索能力,加快算法的收敛速度;将改进后的LTQPSO算法应用于移动机器人路径规划中;最后通过理论仿真与移动机器人平台实验验证了该方法的有效性与可行性。     

基于改进粒子群的快速碰撞检测算法研究

针对碰撞检测算法精度低、实时性差等问题,提出了一种基于改进粒子群的快速碰撞检测算法。将粒子群优化算法引入到随机碰撞检测问题中,通过混合层次包围盒缩小粒子搜索空间。利用特征采样将虚拟空间内复杂的碰撞检测转换为二维离散空间中的搜索问题。算法对标准粒子群方程进行了优化处理,通过去除速度项来加快算法后期的收敛速度,在算法中引入高斯扰动缩短粒子跳出局部最优的时间,有效提高了算法的精度。通过实验验证,该算法具有较高的精度、实时性好,能够满足碰撞检测的应用要求。     

一种新的混合粒子群算法求解置换流水车间调度问题

针对粒子群算法易早熟的缺点,提出了一种结合迭代贪婪(IG)算法的混合粒子群算法。算法通过连续几代粒子个体极值和全局极值的变化判断粒子的状态,在发现粒子出现停滞或者粒子群出现早熟后,及时利用IG算法的毁坏操作和构造操作对停滞粒子和全局最优粒子进行变异,变异后利用模拟退火思想概率接收新值。全局最优粒子的改变会引导粒子跳出局部极值的约束,增加粒子的多样性,从而克服粒子群的早熟现象。同时,为了使算法能更快找到或逼近最优解,采用了循环迭代策略,在阶段优化结果的基础上,周而复始循环迭代进行求解。将提出的混合粒子群算法应用于置换流水车间调度问题,并在问题求解时与几个具有代表性的算法进行了比较。结果表明,提出的算法能够克服粒子群早熟,在求解质量方面优于其他算法。     

一种新颖的基因调控网络结构学习方法

基于贝叶斯模型的结构学习是NP完全问题。给出了一种新颖的基于粒子群优化算法(PSO)的无序条件下的结构学习方法。迭代中,新算法用粒子表示网络结构,根据PSO群体规则进行更新,同时利用互信息进行修正,将所得到的最佳网络结构作为K2算法的先验知识。实验结果表明,新算法可以在无序的条件下,取得稳定的贝叶斯分数值。同时,在与K2算法和BN-PSO算法的比较中,新算法取得了更优异的网络结构和更快的收敛速度。     

粒子群算法在Lot-sizing问题中的应用

针对无能力限制的Lot-sizing问题,提出一种改进的离散粒子群优化算法.设计粒子编码为生产设备的调整状态,通过有效的解码程序将粒子解释为生产计划.区别于传统的粒子群算法,算法采用单切点交叉算子来提高算法的局部求精能力,并引入变异算子和速度扰动策略保持种群的多样性,使算法在局部求精和空间探索间取得了较好的平衡.在随机生成的90组测试实例中对算法性能进行仿真实验,结果表明该算法具有良好的性能.     

Parameter extraction for PSP MOSFET model using hierarchical particle swarm optimization

The particle swarm optimization (PSO) algorithm is applied to the problem of MOSFET parameter extraction for the first time. It is shown to perform significantly better than the genetic algorithm (GA). Several modifications of the basic PSO algorithm have been implemented: (a) Hierarchical PSO (HPSO) in which particles are hierarchically arranged and influenced by the positions of the local and global leaders, (b) memory loss operation due to which a particle forgets its past best position, (c) intensive local search in which the solution space around the global leader is searched with a high resolution, and (d) adaptive inertia which causes the inertia of the particles to change adaptively, depending on the fitness of the population. It is demonstrated that the above features improve the performance of the basic PSO algorithm both for the MOSFET parameter extraction problem and for benchmark functions.     

基于自适应认知域的粒子群性能改进方法

为提高粒子群算法的收敛性能,提出一种自适应粒子认知域方法.在粒子位置的更新方法中,粒子运动到当前的最好位置由计算得到的最好位置为中心,粒子的认知方向为导向来确定.利用线性惯性下降权重来实现粒子的优化.为验证该方法的有效性,将此方法应用于3种不同的粒子群方法,分别是固定权重粒子群方法、线性下降权重粒子群方法及阶梯形群体粒子群算法.实验结果表明此方法是较有效的.     

基于蚁群混沌行为的离散粒子群算法及其应用

考虑蚁群算法与粒子群算法的各自特点,在粒子群算法的基础上借鉴蚁群算法的信息素机制,对粒子群算法的速度位置更新公式重新定义,提出了一种基于蚁群混沌行为的离散粒子群算法,并将其应用到背包问题中。实验结果表明,该算法可以得到较优解。     

A novel hybrid PSO–GWO approach for unit commitment problem

Particle swarm optimization algorithm is a inhabitant-based stochastic search procedure, which provides a populace-based search practice for getting the best solution from the problem by taking particles and moving them around in the search space and efficient for global search. Grey Wolf Optimizer is a recently developed meta-heuristic search algorithm inspired by Canis-lupus. This research paper presents solution to single-area unit commitment problem for 14-bus system, 30-bus system and 10-generating unit model using swarm-intelligence-based particle swarm optimization algorithm and a hybrid PSO–GWO algorithm. The effectiveness of proposed algorithms is compared with classical PSO, PSOLR, HPSO, hybrid PSOSQP, MPSO, IBPSO, LCA–PSO and various other evolutionary algorithms, and it is found that performance of NPSO is faster than classical PSO. However, generation cost of hybrid PSO–GWO is better than classical and novel PSO, but convergence of hybrid PSO–GWO is much slower than NPSO due to sequential computation of PSO and GWO.     

基于雁群启示的粒子群优化算法

粒子群优化（PS0）算法是一类新兴的随机优化技术，其思想来源于人工生命和演化计算理论。PSO通过粒子追随个体极值和全局极值来完成优化。本文借鉴生物界中雁群的飞行特征，给出了一种改进的PSO算法。该算法一方面将粒子排序，每个粒子跟随其前面那个较优粒子飞行，保持了多样性；另一方面使每个粒子利用更多其他粒子的有用信息，加强粒子之间的合作与竞争。用3个基准函数对新算法进行实验，结果表明，新算法不仅具有更好的收敛精度和更快的收敛速度，而且能更有效地进行全局搜索。