一种免疫微粒群优化算法

引入克隆选择操作和借鉴免疫学习中较好的多样性来克服微粒群算法易陷于局部最优以及对多峰值函数搜索效果不佳的缺点，构建了一种免疫微粒群算法。将该算法应用于4个常见的测试函数，实验结果表明，该算法比标准微粒群算法有更好的收敛性和更快的收敛速度。     

多子种群微粒群免疫算法及其在函数优化中应用

为克服基本微粒群算法的早熟问题,借鉴多子种群和自适应的思想,提出了基于两层模型的多子种群自适应多态杂交微粒群免疫算法.该算法首先通过对若干个子种群进行低层自适应多态杂交微粒群操作,改善了子种群的多样性,有效抑制了收敛过程中的早熟停滞现象;然后通过高层免疫克隆选择操作,显著地提高了全局寻优能力,进一步提高了收敛精度.针对函数优化的仿真结果表明:与其他改进微粒群算法相比,该算法具有更快的收敛速度和更高的求解精度,尤其适合高维及多模态优化问题的求解.     

改进的吸引扩散微粒群算法

为了避免微粒群算法存在的过早收敛问题, 在ARPSO的基础之上, 提出了一个简单的种群多样性度量函数和微粒最好飞行方向的概念, 引入了变异策略, 从而实现了一种改进的吸引扩散微粒群算法MARPSO, 并从理论上分析了MARPSO的局部收敛性和全局收敛性. 对四个经典函数进行了仿真测试, 测试结果表明: 与基本微粒群算法BPSO和ARSPO相比, 该算法能够有效的提高种群多样性, 并且具有较高的收敛速度.     

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。     

一种新形式的微粒群算法

标准微粒群算法在优化多峰、多维的复杂函数时,其效果并不理想,容易早熟收敛。为了改进微粒群算法处理此类问题的性能,提出了一种新的微粒群算法。该算法将标准微粒群算法迭代公式中的群体最优位置用个体最优位置的中心代替,有利于增强群体的多样性,避免早熟收敛,同时保持了迭代公式的简洁形式。3个常用测试函数的数值模拟表明,新的微粒群算法较标准微粒群算法在寻优能力上有明显的提高。     

结合SA算法的快速微粒群优化算法

理论上已经证明PSO算法用所有微粒的当前位置与全体最好位置相同时算法停止作为收敛准则是有缺陷的,不能保证全局收敛。而已经证明模拟退火算法依概率1收敛于全局最优解集,因此可将模拟退火算法作为PSO算法的收敛判据。将模拟退伙算法和微利群优化算法结合起来,保证PSO算法的全局收敛性,提高了收敛的速度和效率。实验结果证明了其有效性。     

自适应扩散混合变异机制微粒群算法

为了避免微粒群算法(particle swarm optimization,简称PSO)在全局优化中陷入局部极值,分析了标准PSO算法早熟收敛的原因,提出了自适应扩散混合变异机制微粒群算法(InformPSO).结合生物群体信息扩散的习性,设计了一个考虑微粒分布和迭代次数的函数,自适应调整微粒的"社会认知"能力,提高种群的多样性;模拟了基因自组织和混沌进化规律,引入克隆选择使群体最佳微粒gBest实现遗传微变、局部增值,具有变异确定性;利用Logistic序列指导gBest随机漂移,进一步增强逃离局部极值能力.基于种群的随机状态转移过程,证明了新算法具有全局收敛性.与其他几种PSO变种相比,复杂基准函数仿真优化结果表明,新算法收敛速度快,求解精度高,稳定性好,能够有效抑制早熟收敛.     

微粒群算法参数的仿真分析

微粒群算法是近年来兴起的一种智能优化算法,而算法参数是影响算法性能和效率的关键,本文对微粒群算法的几个重要参数进行了深入的仿真分析,最终得出了能够保证算法收敛并具有一定指导性和有意义的结论。     

一种改进惯性权重的变异微粒群优化算法

针对微粒群优化算法的早熟收敛和进化后期收敛速度慢等问题,提出了一种改进惯性权重的变异微粒群优化算法.在算法运行过程中,对适应度值不同的微粒赋予不同的惯性权重,使算法既具有良好的空间探索能力又有良好的局部挖掘能力;在群体最优信息陷入停滞时引入变异算子,对聚集在局部最优微粒附近的微粒的位置和速度进行变异操作,使算法摆脱局部最优点的束缚.对4种典型函数的测试结果表明,新算法的全局搜索能力和收敛速度都得到了提高,并且能够有效避免早熟收敛问题.     

基于排序优化的微粒群算法

微粒群算法是一种新颖的群智能仿生进化优化算法,其原理简单,控制参数少,容易实现,在连续空间中有很强的优化能力。研究了将微粒群算法应用于基于排序的组合优化问题,进行了算法设计,给出了算法的流程,提出了计算两个排列的差及由置换求微粒群算法的速度的具体操作方法。为加快算法的收敛速度,增强全局搜索能力,运用矩阵的逐行最小元法来初始化微粒群,引入了突变算子。对一些测试旅行商问题利用新算法进行了模拟仿真,结果表明算法是可行的。     

基于免疫粒子群算法的参数估计方法

针对污水生化反应模型参数估计问题,提出一种基于免疫粒子群算法的估计方法。该方法采用免疫算法保持粒子群的多样性,避免粒子群算法的过早收敛而降低寻优能力。利用估计的参数值对实验数据进行拟合,仿真结果表明,拟合误差率低于标准的粒子群和遗传算法,进一步提高了污水生化反应模型参数估计精度。     

具有主从结构的粒子群优化算法

提出了一种具有主从结构的粒子群优化算法,该算法实现了惯性权重、加速因子、最大速度等系统参数与目标函数的同步优化。将主程序的一个粒子作为子程序的一组系统参数,在该组控制参数下使用基本的粒子群算法对子程序的目标函数进行优化,并把子程序优化所得的全局最优值返回主程序作为主程序的一个适应值,同时使用基本的粒子群算法对主程序的适应度函数进行优化。实验结果表明,该算法的优化性能较基本的粒子群算法有了显著提高。该方法对于粒子群算法的参数选择具有指导意义。     

含群学习的免疫网络优化算法

为了在探索和利用之间取得平衡,提高算法的效率,借鉴粒子群算法机理,本文提出一种新的免疫网络优化算法,算法利用了抗体集中的优秀个体以及父抗体在克隆变异过程中的有利信息来自适应地指导变异方向。在一些经典的测试函数上对新算法进行测试,实验结果表明,该算法具有很好的全局和局部搜索能力,有较快的最优解搜索速度和较强的多峰值搜索能力。     

多目标优化的粒子群算法研究

本文介绍了粒子群优化算法PSO中的多目标优化的粒子群算法及其应用,并将其运用在防守对方多个前锋球员的进攻威胁,以粒子群算法随机性来适应不断变化的形势。     

改进免疫粒子群算法在矿车调度优化中的应用

提出了一种基于自适应搜索的改进免疫粒子群算法.算法在传统免疫粒子群算法的基础上,对子种群进行分组,以并联形式对算法进行融合,动态调整各组子种群规模,根据粒子最大浓度值自适应调整搜索范围.首先,算法融合了浓度调节机制,结合粒子最大浓度值来调节子种群数目以充分利用粒子群资源;与此同时,针对次优子种群进行疫苗接种,利用粒子最大浓度值调节接种疫苗的搜索范围,在避免了种群退化现象的同时,提高了算法的收敛精度和全局搜索能力.文中建立了露天矿山矿车调度模型并进行了仿真实验,仿真结果表明,所提算法充分利用了矿车资源,具有一定优越性和较好的工程应用价值.     

基于动态粒子数的微粒群优化算法

提出了基于动态粒子数的微粒群算法,并建立了粒子数变化函数．该函数包含粒子数衰减趋势项和周期振荡项．衰减趋势项能够在种群向最优解不断收敛的过程中逐渐减少粒子数,以提高粒子效率．周期振荡项中的递增阶段代表了新粒子的随机出现,以增加粒子群的多样性,而周期振荡项中的递减阶段代表了探索性能差的粒子逐渐消亡,以提高优化效率．对4个标准函数进行测试,仿真结果表明该算法能有效地减少计算量,并显著提高全局搜索性能．     

粒子群优化算法的改进研究

本文针对粒子群优化算法(PSO)存在早熟收敛的问题,提出了一系列改进措施,分别将混沌理论、遗传算法和免疫算法应用到PSO算法中。计算机仿真实验表明:改进算法基本保持了PSO算法简单、易实现的特点,且能够有效避免算法的早熟收敛问题,具有很强的全局搜索能力。     

非线性粒子群算法

提出了一种新型的粒子群算法一非线性粒子群算法,给出了计算公式并进行了实验模拟.非线性粒子群算法采用非线性计算公式调整粒子速度.由于非线性计算公式的多样性,因此可以构建种类繁多的具体的非线性粒子群算法.非线性粒子群算法一方面保持了标准粒子群算法的简单性,同时也具有更强的搜索能力.实际计算表明,只要能够选好非线性项中的参数,就可以提高算法的效率.     

基于群体多样性反馈控制的自组织微粒群算法

微粒群算法是一种新型的群智能算法,已被广泛用于各种复杂优化问题的求解,但算法依然面临着过早收敛问题.为克服算法的早熟问题,提出了自组织微粒群算法.将微粒群体视为自组织系统,引入负反馈机制.群体多样性是影响微粒群算法全局优化性能的关键因素,把群体多样性作为个体微粒可感知的群体动态信息,用于动态调整惯性权重或加速度系数,通过不同的特性参数实现微粒的集聚或分散,使群体维持适当的多样性水平以利于全局搜索.用于复杂函数优化问题的求解,并与其他典型改进算法进行了性能比较.仿真结果表明,基于多样性控制的自组织微粒群算法可以有效避免早熟问题,提高微粒群算法求解复杂函数的全局优化性能.