混沌粒子群优化算法

粒子群优化算法是一种新的随机全局优化进化算法。本文把混沌寻优思想引入到粒子群优化算法中，这种方法利用混沌运动的随机性、遍历性和规律性等特性首先对当前杠子群体中的最优粒子进行混沌寻优，然后把混沌手优的结果随机替换粒子群体中的一个粒子。通过这种处理使得粒子群体的进化速度加快，从而改善了粒子群优化算法摆脱局部极值点的能力，提高了算法的收敛速度和精度。仿真结果表明混沌粒子群优化算法的收敛性能明显优于粒子群优化算法。     

粒子群优化算法的分析与研究

粒子群优化算法是一种新兴的基于群智能的演化计算方法,其思想来源于对鸟群运动行为的研究.群体中的每一个粒子通过追随个体最优解和群体最优解来完成解的迭代过程.首先介绍了PSO算法的基本原理,然后对PSO的几种典型改进算法进行了介绍并通过仿真实验对各种算法进行了分析和比对,最后对粒子群算法研究方向进行了展望.     

粒子群优化算法研究综述

粒子群优化算法是一类基于群体智能的启发式全局优化技术，群体中的每一个微粒代表待解决问题的一个候选解，算法通过粒子间信息素的交互作用发现复杂搜索空间中的最优区域。本文介绍了粒子群优化算法的基本原理．给出了多种改进形式以及研究现状，并提出了未来可能的研究方向。     

PSO算法在工程优化问题中的应用

粒子群优化算法是群体智能中一个新的分支。该算法本质上是一种随机搜索算法,并能以较大概率收敛到全局最优,特别适用于连续函数的优化。针对工程中的优化问题,将粒子群算法与死亡罚函数法相结合,提出一种求解有约束问题的优化算法。通过与其它算法的比较,表明该算法是一种简单、高效和普适的算法。     

并行混沌粒子群优化研究及应用

粒子群优化算法（PSO）是进化计算领域中的一个新的分支,其源于鸟群和鱼群群体运动行为的研究.针对粒子群优化容易陷入局部极值点的问题,该文提出并行混沌粒子群算法,该算法保持了群体多样性从而避免了早熟,经过计算机仿真实验这是一种高效的优化算法.针对转炉提钒过程是一个多元非线性反应过程而难以建立终点控制模型的问题,提出了并行混沌粒子群RBF算法的方法建模.克服了RBF中心个数选择的随机性.试验表明,用该算法预测冷却剂加入量误差较小,具有工程实用性.     

粒子群优化算法研究与发展

粒子群优化算法是一类基于群体智能的启发式全局优化技术,群体中的每一个微粒代表待解决问题的一个候选解,算法通过粒子间信息素的交互作用发现复杂搜索空间中的最优区域。本文介绍了粒子群优化算法的基本原理,并通过建立记忆表,详尽描述了粒子群优化算法中个体极优和全局极优的搜寻求解过程。同时,本文还给出了多种改进形式以及研究现状,并提出了未来可能的研究方向。     

一种混合粒子群算法的贝叶斯网络优化模型

传统的粒子群优化算法通过群体中粒子间的合作和竞争进行群体智能指导优化搜索,算法收敛速度快,但较易陷入局部较优值,进入早熟状态。为了解决这个问题,提出了一种混合粒子群算法的贝叶斯网络优化模型,它可以通过当前所选择的较优解群构造一个贝叶斯网络和联合概率分布模型,利用这个模型进行采样得到更优解,用其可随机替换掉PSO中的一些粒子或个体最优解;同时利用粒子群算法对当前选择出的较优解群进行深度搜索,并将得到的最优解融入到较优解群中。分析可知,该方法可以提高算法有效性和可靠性。     

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。     

粒子群优化算法分析及研究进展

粒子群优化算法是一类基于群体智能的启发式全局优化技术,群体中的每一个微粒代表待解决问题的一个候选解,算法通过粒子间信息素的交互作用发现复杂搜索空间中的最优区域。本文介绍了粒子群优化算法的基本原理,并通过建立记忆表,详尽描述了粒子群优化算法中个体极优和全局极优的搜寻求解过程。同时,文章给出了多种改进形式以及研究现状,并提出了未来可能的研究方向。     

微粒群优化算法的研究

粒子群优化(PSO)算法是一种启发式全局优化技术,一种基于群智能的演化计算方法,其源于鸟群群体运动行为的研究,算法通过粒子问的相互作用发现复杂搜索空间中的最优区域.PSO的优势在于简单容易实现而又功能强大.分析了粒子群优化算法的基本原理,给出了多种改进形式以及研究现状和发展情况,并提出了未来可能的研究方向.     

基于岛屿群体模型的并行粒子群优化算法

为改善粒子群优化算法对大规模多变量求解的性能，提出了基于岛屿群体模型的并行粒子群优化算法．对粒子群优化算法机理和本质并行性进行分析，设计和实现了一种并行粒子群优化算法．实验结果表明，基于岛屿群体模型的并行粒子群优化算法不仅提高了求解效率，而且改善了早收敛现象，算法的性能比经典粒子群优化算法有了很大提高．     

目(2055)基于聚类的多子群粒子群优化算法*

在粒子群优化算法基础上,提出了基于聚类的多子群粒子群优化算法。该算法在每次迭代过程中首先通过聚类方法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和“子群”中的最优粒子更新自己的速度和位置值。这种处理增加了粒子之间的信息交换,利用了更多粒子在迭代过程中的信息,使算法的收敛性能更好。仿真结果表明,该算法的性能优于粒子群优化算法。     

改进粒子群算法在物流配送问题中的应用

本文在分析常规粒子群优化算法的基础上,针对物流配送优化问题,采用一种改进粒子群优化算法,并根据粒子群的群体适应度标准差和理论最优值,给出收敛判断的依据。仿真结果表明该算法具有简单、高效、快速等特点。     

基于多样性指标的两群替代微粒群优化算法

粒子群优化算法是进化计算领域中的一个新的分支。该算法简单且功能强大,但是粒子群优化也容易发生过早收敛的问题。该文提出一种两群替代微粒群优化算法,该方法将微粒分成不同的两分群进行搜索寻优。搜索一定次数后,每一次迭代首先判断微粒群的多样性是否低于一个阈值,若低于则按照黄金分割率用一分群中若干优势微粒取代另一分群中的劣势微粒。对3种常用函数的优化问题进行测试和比较,结果表明,该两群替代微粒群优化算法比基本微粒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EM算法和PSO算法的混合优化算法

针对粒子群优化算法容易陷入局部最优解并且存在过早收敛的问题,将类电磁机制算法中的吸引-排斥机制引入到粒子群优化算法中,提出一种类电磁机制算法和粒子群优化算法的混合优化算法(EMPSO).首先按照基本粒子群优化算法的寻优方式对各粒子进行更新,再利用类电磁机制中的吸引-排斥机制对个体最优粒子和群体最优粒子进行移动,最后通过几个标准测试函数进行了测试,并与标准粒子群算法(PSO)、免疫粒子群算法(IPSO)、混沌粒子群算法(CPSO)进行对比.测试结果表明,改进算法提高了全局搜索能力和熟练速度,改善了优化性能.     

基于交叉变异的混合粒子群优化算法

粒子群优化算法是一种基于群体智能理论的全局优化算法,通过群体中粒子间的合作与竞争实现对问题空间的高效搜索。针对算法后期收敛速度较慢、易陷入局部最优的缺点,提出了一种混合粒子群算法。该算法通过改变种群初始化方法,引入交叉和变异机制等措施改善基本粒子群算法的性能。数值试验结果表明,改进型粒子群算法在提高全局寻优能力和加快收敛速度等方面均有良好的表现。     

保持多样性的自适应动态粒子群算法及其应用

针对动态环境中的种群多样性问题,提出一种保持种群多样性的双子群粒子群优化算法。将群搜索算法中的游走者思想引入到粒子群优化算法中,基于群体多样性,子种群B采用不同的方法更新速度和位置,子种群A和子种群B交换最优信息,扩展种群的搜索范围,增强整个群体的多样性水平。将改进的算法应用于复杂变化的抛物线函数和群体动画的跟随效果中,结果表明该算法在动态环境中的有效性,并能够真实模拟群体跟随行为。     

基于精英粒子群优化算法的图像分割方法

结合模式识别理论的聚类思想,将基于群智能理论的粒子群优法算法加以改进应用于图像分割中,提出一种基于精英粒子群优化算法的图像分割方法。新方法基于Pareto的精英理论对粒子群算法加以改进,在每次迭代中,生成一个Pareto精英群体,每个粒子更新时的全局极值都是从精英群体中随机选取一个个体作为全局极值。用改进的粒子群优化算法自适应选取分割阈值。实验表明,与遗传算法及标准的粒子群优化算法相比,对于具体的问题该算法具有较好的聚类效果,能够较好地分割图像。     

带组织的粒子群优化同步并行算法

提出带组织的粒子群优化同步并行算法.粒子群优化算法是一种基于群体智能的演化算法,具有良好的优化性能.但由于群体的迅速收敛和多样性低,导致算法早熟收敛.带组织的粒子群优化同步并行算法虽然克服了早熟收敛问题,但无形中却增加了计算时间.结合已有的并行计算技术,构造出了该方法的同步并行计算算法,仿真试验证明并行算法具有更快的收敛速度.     

一种新的分阶段进化的粒子群优化算法

针对粒子群优化算法在优化多极值点复杂问题时容易陷入局部极值的不足,提出一种新的分阶段进化的粒子群优化算法。该方法进化过程分为两个阶段,每个阶段对应一个不同的模型,通过结合这两种模型的各自优点有效地降低群体陷入局部最优。仿真实验结果表明,对于复杂多极值函数优化问题,本文算法比标准粒子群算法的寻优能力更强。