保持粒子活性的改进粒子群优化算法

针对基本粒子群优化算法（particle swarm optimization, 简称PSO）存在的早熟收敛问题,提出了一种保持粒子活性的改进粒子群优化（IPSO）算法。当粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,使粒子能够有效地进行全局和局部搜索。通过对4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,而且能够更有效地进行全局搜索。     

基于改进粒子群优化算法的新型小波神经网研究

本文提出了改进的粒子群优化算法（Improved Particle Swarm Optimization,IPSO）的新型BP 小波 神经网络,并且对非线性辨识问题进行了仿真实验．实验结果表明,基于改进的粒子群优化算法的BP 小波网 络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力,而且具有粒子群优化算法全局快速寻 优的特点．与简单的粒子群优化算法相比,该方法在收敛性和稳定性方面都有了较明显的提高,验证了它的 合理性和有效性．     

基于改进粒子群优化和极限学习机的网络安全态势预测

针对网络安全态势预测模型预测精度不高、收敛较慢等问题,提出了一种基于改进粒子群优化极限学习机（IPSO-ELM）算法的预测方法。首先,通过改进粒子群优化（PSO）算法中的惯性权重和学习因子来实现两种参数随着迭代次数增加的自适应调整,使PSO初期搜索范围大、速度高,后期收敛能力强、稳定。其次,针对PSO易陷入局部最优的问题,提出一种粒子停滞扰动策略,将陷入局部最优的粒子重新引导至全局最优飞行。改进粒子群优化（IPSO）算法既保证了全局寻优的能力,又对局部搜索能力有所增强。最后,将IPSO与极限学习机（ELM）结合来优化ELM的初始权值及阈值。与ELM相比,结合IPSO的ELM的预测精度提高了44.25%。实验结果表明,与PSO-ELM相比,IPSO-ELM的预测结果拟合度可达到0.99,收敛速度提升了47.43%。所提算法在预测精度和收敛速度等指标上明显优于对比算法。     

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。     

一种基于改进的量子神经网络的语音降噪方法

利用一种改进的量子神经网络（IPSO-QNN）在时域上对含噪的语音信号进行降噪处理,文中重点改进了QNN所涉及到的学习算法。针对粒子群算法本身存在早熟的不足,提出了一种改进的粒子群优化算法（IPSO）。该算法通过对早熟粒子的速度和位置叠加随机数据,使其离开局部最优,从而使算法具有更强的寻优能力。利用IPSO对量子神经网络的参数进行训练和学习,建立了比较高效的基于改进的量子神经网的语音信号滤波器,并通过Matlab软件建立实验平台,实验结果表明,新算法充分利用了量子神经计算的快速性以及粒子群算法的全局寻优能力,从而使该语音信号滤波器,具有良好的降噪性能。     

基于改进粒子群优化算法的AGV全局路径规划

分析了用人工神经网络模型描述环境时,采用Sigmoid函数作为神经网络作用函数的不足之处,提出采用双曲正切函数作为神经网络的作用函数,使网络更有利于路径优化算法的寻优计算。粒子群优化（Particle Swarm Optimization,PSO）算法具有收敛速度快,需要调节的参数少等优点,但优化过程中容易发生“早熟”收敛,使优化陷入局部极小值。通过引入模拟退火算法、“交叉算子”和“变异算子”,提出了一种新的改进粒子群优化算法（Improved Particle Swarm Optimization,IPSO）来解决AGV全局路径规划问题。仿真结果表明,IPSO具有很强的全局寻优能力,并且收敛速度比PSO快,能够为AGV规划出理想的路径。     

IPSO算法在舰用设备抗冲击能力分析中的应用

本文提出了一种能够保证以概率1收敛于全局最优解的改进粒子群优化(IPSO)算法。算法在运行过程中根据粒子的浓度和趋同性函数来确定当前粒子的变异概率,增强了粒子群优化算法跳出局部最优的能力。同时,引入的自适应加速度系数,更好地协调全局和局部搜索能力,有利于快速找到全局最优点。将其应用于典型设备抗冲击能力分析研究,结果表明,IPSO算法搜索能力有了显著提高,应用于设备抗冲击研究能提高计算的精确度,降低预测误差。     

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。     

求解SAT问题的改进粒子群优化算法

利用限制哆公式的相关理论将可满足性问题（SAT）等价转换为定义在{0,1}^n上的多项式函数优化问题,并将二进制粒子群优化算法（BPSO）与局部爬山搜索策略相结合,给出了一种求解SAT问题的新算法：基于局部爬山搜索的改进二进制粒子群优化算法（简称IBPSO）．数值实验表明,对于随机产生的3-SAT问题测试实例,该算法的计算结果均优于著名的WalkSAT算法和SATI．3算法．     

具有拓扑时变和搜索扰动的混合粒子群优化算法

粒子群优化（PSO）算法在求解复杂多峰函数时极易早熟,陷入局部最优无法跳出。研究表明改变粒子间的拓扑结构和调整算法的迭代机制有助于改善种群的多样性,提高算法的寻优能力。因此,提出一种具有拓扑时变和搜索扰动的混合粒子群优化（HPSO-TS）算法。该算法采用K-medoids聚类算法对粒子群进行动态分簇,形成多个异构子群,以利于子群内粒子间进行信息流通。在速度更新中,增加簇最优粒子的引导,并引入非线性变化极值扰动,帮助粒子搜索更多的区域。而后在位置迭代中引入花授粉算法（FPA）中的转换概率,使粒子在全局搜索和局部搜索之间转换。在全局搜索时结合狮群算法中的母狮觅食机制对粒子的位置进行更新;在局部搜索时引入正弦扰动因子,帮助粒子跳出局部最优。实验结果表明所提算法在求解精度和鲁棒性方面明显优于FPA、PSO、改进粒子群算法（IPSO）、具有动态拓扑结构的粒子群算法（PSO-T）;并且随着测试维度和次数的增加,这种优势更加明显。HPSO-TS算法所引入的拓扑时变策略和搜索扰动机制能有效地提高种群的多样性和粒子的活性,从而改善寻优能力。     

An improved particle swarm optimization algorithm based on comparative judgment

Particle swarm optimization (PSO) algorithm is one of the most effective and popular swarm intelligence algorithms. In this paper, based on comparative judgment, an improved particle swarm optimization (IPSO) is proposed. Firstly, a new search equation is developed by considering individual experience, social experience and the integration of individual and social experience, which can be used to improve the convergence speed of the algorithm. Secondly, in order to avoid falling into a local optima, a location abandoned mechanism is proposed; meanwhile, a new equation to generate a new position for the corresponding particle is proposed. The experimental results show that IPSO algorithm has excellent solution quality and convergence characteristic comparing to basic PSO algorithm and performs better than some state-of-the-art algorithms on almost all tested functions.     

Non-linear system control using a recurrent fuzzy neural network based on improved particle swarm optimisation

This article introduces a recurrent fuzzy neural network based on improved particle swarm optimisation (IPSO) for non-linear system control. An IPSO method which consists of the modified evolutionary direction operator (MEDO) and the Particle Swarm Optimisation (PSO) is proposed in this article. A MEDO combining the evolutionary direction operator and the migration operation is also proposed. The MEDO will improve the global search solution. Experimental results have shown that the proposed IPSO method controls the magnetic levitation system and the planetary train type inverted pendulum system better than the traditional PSO and the genetic algorithm methods.     

An improved particle swarm optimization algorithm for flowshop scheduling problem

The flowshop scheduling problem has been widely studied and many techniques have been applied to it, but few algorithms based on particle swarm optimization (PSO) have been proposed to solve it. In this paper, an improved PSO algorithm (IPSO) based on the “alldifferent” constraint is proposed to solve the flow shop scheduling problem with the objective of minimizing makespan. It combines the particle swarm optimization algorithm with genetic operators together effectively. When a particle is going to stagnate, the mutation operator is used to search its neighborhood. The proposed algorithm is tested on different scale benchmarks and compared with the recently proposed efficient algorithms. The results show that the proposed IPSO algorithm is more effective and better than the other compared algorithms. It can be used to solve large scale flow shop scheduling problem effectively.     

动态评价免疫微粒群算法在Job-shop调度中的应用

传统粒子群优化算法在解决组合优化问题上具有一定的局限性,通过分析其优化机理,对迭代公式加以改进,提出了改进微粒群算法。算法中,利用遗传算法的交叉思想来完成粒子间的信息交换,以期达到粒子更新。粒子进化过程中,为保留群体中的优秀粒子,使用了加速度这一优化算子。为避免粒子陷入局部搜索,迭代过程中使用免疫算法来动态评价微粒群体。通过大量实验仿真,算法可以有效求解作业车间调度问题,验证了算法的合理性。     

IPSO算法在黄酒发酵温控系统中的应用

黄酒发酵温度控制系统是一个时变的、非线性的系统.在黄酒发酵控制中温度是一个非常重要的参数,针对黄酒发酵的温度特性,设计出了一种基于位置加权和自适应惯性权重的改进粒子群算法(IPSO)的PID温度控制系统.带位置加权的PSO算法减小了搜索过程的盲目性,克服了基本PSO算法易陷入局部极值的缺陷.自适应惯性权重兼顾了粒子的全局与局部搜索能力.将IPSO优化算法用标准测试函数进行测试,结果表明该算法优化结果比标准PSO算法有所提高.并采用LabVIEW与MATLAB混合编程的方法进行仿真比较,结果表明,该控制方法具有动态响应快、超调量小、鲁棒性强等优点,有很好的实用性.     

应用微粒群算法确定有机化合物分子式

针对基本微粒群优化算法（PSO）存在容易陷入局部最优和收敛速度慢的缺点,在整数空间使用带收缩因子的微粒群优化算法基础上,提出了一种带变异概率的微粒群优化算法（IPSO）,用于提高微粒群的多样性,避免算法陷入局部最优解。实验证明,改进后的微粒群优化算法在防止早熟和加快收敛方面优于基本PSO算法和基本PSO算法加一半微粒随机初始化算法（PSO_HPO算法）。IPSO算法应用到确定有机化合物分子式时,取得了很好的效果。     

基于高斯分布和模拟退火算法的免疫微粒群优化算法研究

针对微粒群算法在搜索过程中粒子容易失去多样性而陷入局部最优且搜索速度较慢的缺陷,提出了一种基于高斯分布和模拟退火算法的免疫微粒群算法,该算法借助高斯分布和模拟退火的有关机理,分别进行免疫接种和免疫选择的操作。使用常用的基准函数对算法进行了仿真验证工作,通过与全局微粒群优化算法、变惯性权值微粒群优化算法的对比表明,免疫微粒群优化算法(IPSO)在搜索速度和全局寻优方面具有一定的优势。     

改进粒子群优化算法求解任务指派问题

任务指派问题是典型NP难题，引入粒子群优化算法对其进行求解。建立了任务指派问题的数学模型，给出了粒子群优化算法求解任务指派问题的具体方案。为提高其优化求解效果，引入变异机制及局部更新机制对粒子群优化算法进行改进。实例及数字仿真验证了改进粒子群优化算法的有效性。     

一种改进微粒群算法的图像阈值分割方法

以Kittler和Illingworth准则函数作为评价函数,提出了一种利用最小误差法和改进微粒群算法对图像进行阈值分割的方法IPSO（Improved Partical Swarm Optimization）。为了改善PSO算法,特别是在收敛速度方面的局限,IPSO算法引入遗传算法的择优思想对基本微粒群算法进行改进,使得改进后的IPSO算法具有快速的全局搜索能力。实验结果表明,对于灰度分布较复杂的图像,改进的IPSO算法不仅降低了运算开销,而且获得了满意的图像分割效果。