基于动态扰动项的禁忌粒子群优化算法

针对粒子群优化算法后期收敛速度慢,且容易陷入局部最优解的缺点,在算法中加入动态扰动项,改变了速度的更新公式,使粒子可以跳出局部极值.后期引入禁忌搜索算法,充分利用禁忌搜索的记忆能力和爬上能力,能够快速搜索到全局最优解.通过对测试函数的仿真实验表明,采用动态扰动项的禁忌粒子群优化算法更能提高收敛速度,获得全局最优解.     

基于禁忌粒子群优化的FCM聚类方法

针对模糊C-均值算法(FCM)对初始值敏感的问题,提出禁忌搜索粒子群算法来优化FCM算法初始聚类中心.该混合算法是以粒子群算法为主体,禁忌算法针对粒子群算法的输出做更新,以避免单一使用粒子群算法而陷入局部最优的困境.算法保留了粒子群算法的并行处理能力,同时利用了禁忌搜索算法跳出局部最优解的特性,加快了整体算法的收敛速度并提高了聚类的准确率.     

禁忌粒子群算法

针对基本粒子群算法容易陷入局部最优的缺点,将禁忌搜索算法中的禁忌思想与粒子群算法结合,提出了一种新的粒子群算法——禁忌粒子群算法（TPSO）。该算法将粒子群算法找到的当前最优值禁忌一段时间后再释放,以此避免算法陷入局部最优,即使算法暂时陷入局部最优,该算法跳出局优的能力也很强。实验表明,TPSO在收敛速度以及收敛精度方面都比基本粒子群算法有了很大程度的提高,特别对于多极值问题搜索效果非常好,可以很好的解决算法陷入局部最优的问题。     

基于带变异算子的粒子群优化算法

提出了一种新的带变异算子的粒子群优化算法（MOPSO）．该算法通过在后期引入变异算子，有效地增强了粒子群优化（PSO）算法跳出局部最优解的能力，且使PSO算法既摆脱了后期易陷入局部最优点的束缚，又保持了其前期搜索速度快的优点．     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点，根据混沌运动的随机性、遍历性特点，提出一种基于混沌思想的粒子群优化算法（CPSO）、该算法利用种群适应度方差进行早熟收敛判断，实现对进化过程的监视，当发现种群陷入局部最优时，对种群进行混沌初始化，帮助种群摆脱局部最优点．对4种典型测试函数的仿真结果表明，改进算法明显减少了种群陷入局部最优的可能性．其全局寻优能力明显强于标准粒子群优化算法．     

全局最优位置变异粒子群优化算法

针对粒子群优化算法的早熟收敛,容易陷入局部最优且搜索精度不高等缺点,在现有的粒子群优化算法的基础上对其进行了若干改进,提出了避免微粒群陷入局部最优的全局最优位置变异的粒子群算法,并与其他算法做了比较,体现了其优越性.     

基于量子粒子群算法的测试数据自动生成算法

本文针对现在流行的进化算法生成测试数据存在参数设置难、算法复杂度高、易陷入局部最优解等缺点,提出了一种应用于软件测试中的基于量子粒子群算法（QPSO）的测试数据自动生成算法。该算法是在粒子群（PSO）算法基础上引入量子理论的思想。解决了PSO算法搜索空间有限,容易陷入局部最优解的问题。通过具体实验证明,该方法是有效可行的,其效率也明显高于GA算法和PSO算法。     

基于粒子群算法的火电厂机组负荷优化分配

通过研究粒子群(PSO)优化算法的基本原理,分析了该算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并将PSO优化算法应用于电厂机组负荷优化分配问题的研究。通过在3台机组系统的应用,验证表明较之遗传算法等传统优化算法,PSO优化算法在优化结果、搜索区间控制以及收敛速度等方面具有较好的特性,能更好地达到或接近全局最优解。     

趋优算子和Levy Flight混合的粒子群优化算法

针对Levy Flight粒子群优化算法（LFPSO）普适性不强和搜索效率不高等问题,提出了一种改进的LFPSO算法（ILFPSO）,即趋优算子与Levy Flight混合的粒子群优化算法。首先,对Levy Flight进行改进,防止产生无效解,得到改进的Levy Flight;然后,将既有一定全局搜索能力又有较强局部搜索能力的趋优算子与改进的Levy Flight有机融合,以便更好地平衡算法的全局和局部搜索能力;最后,对速度边界动态调整,有利于搜索前期找到全局最优点和搜索后期找到局部最优解。28个benchmark函数优化仿真结果表明,与4种最先进的PSO改进算法LFPSO、ELPSO、SRPSO和RLPSO相比,ILFPSO更具有竞争性的优化性能、更好的普适性和更快的运行速度。     

粒子群优化算法的研究与应用

粒子群算法(PSO)因其容易实现,精度高及收敛快等特性,在解决实际问题中经常被广泛使用.但粒子群算法也有不易跳出局部最优的问题,所以本文基于该算法,提出一种基于分工合作的改进型粒子群优化算法.经过优化后,可以对所有粒子执行搜索,寻找更优个体,从而使算法更加适合实际应用.     

基于SVR的航空发动机滑油金属含量预测方法

摘要：利用支持向量回归机（SVR）对航空发动机滑油中金属含量进行预测时,通常利用粒子群算法优化支持向量回归机中的参数。而随着迭代的深入,可能出现粒子陷入局部最优的情况。通过建立粒子散射模型对这部分粒子进行重定位,使之快速跳出局部最优。引入松弛系数p,对惯性参数 进行调节,使整个算法快速收敛。仿真实验表明,算法有助于粒子收敛于全局最优点,提高了滑油中金属含量的预测精度。     

混合算法在轻钢结构优化设计中的应用

结合粒子群优化（PSO）算法快速的全局收敛性和蚁群优化（ACO）算法较强的寻优能力,提出了一种融合PSO算法和ACO算法的混合算法。首先利用PSO算法较强的全局搜索能力,产生各粒子的最优位置值;然后对ACO算法的蚂蚁总个数进行调整,在保证算法全局搜索能力的同时,避免陷入局部最优;最后利用改进的ACO算法对最优位置值做进一步优化。将该混合算法应用于轻钢结构优化设计中,建立优化设计模型。以轻钢门式框架为例,利用该模型进行优化分析,并与文献[11]中改进模拟退火算法的优化结果进行对比。结果表明,混合算法经过61次迭代后能够求出较好的全局最优解,合理可行。     

基于蚁群算法的智能交通最优路径研究

针对车辆智能交通最优路径问题,提出一种实时规划的蚁群算法。在该算法搜索过程中加入针对具体问题的局部搜索寻优算法,在启发函数中引入搜索方向,改进信息素更新策略,限制信息素轨迹量。利用智能交通道路模型对改进算法进行比较分析。实验结果表明,改进后的蚁群算法能够有效地解决车辆实时路径诱导问题,实现车辆实时路径诱导,具有良好的收敛性和寻优性。     

遗传算法中"免疫算子"的构造与性能

文章在研究了遗传算法的编码方式、控制参数和算子操作之后,针对其全局收敛性不足的问题,在基本遗传算子的基础上采用免疫遗传算子和保优策略来防止交叉变异中的个体退化,保证遗传算法尽快收敛到全局最优解.阐述了“免疫算子”的构造及运行机理,分析了算法的性能.以25杆桁架结构可靠性优化问题作为例子说明该算法的优越性.结果表明该方法具有较好的收敛性和收敛效率,因此是一种可行的基于可靠性的结构优化策略.     

机组负荷优化的遗传-禁忌混合算法

针对遗传算法“爬山”能力差的缺点，提出在遗传算法中引入禁忌搜索操作来提高局部寻优能力，并应用遗传-禁忌混合算法进行了火电机组负荷优化研究.在遗传算法每计算一定代数后，将每个个体作为禁忌搜索的初始解进行搜索，可以改善群体质量，加快搜索速度.混合算法有效地综合了遗传算法的全局搜索能力和禁忌搜索算法的局部搜索能力，从而避免出现“早熟”现象，改善了算法的收敛性.应用某实例进行负荷优化计算，结果表明混合算法大大改善了局部搜索能力和搜索速度，可以有效解决机组在线负荷优化难题.     

基于改进PSO-BP神经网络的变压器故障诊断

引入动态变异操作来优化粒子群算法,同时将改进的粒子群优化算法和误差反向传播的算法相结合,构成混合算法,用于训练人工神经网络,并将该混合算法应用于变压器的故障诊断.仿真结果表明,该算法具有较快的收敛速度和较高的计算精度;诊断结果表明,该算法有利于提高变压器故障诊断的正确率.     

基于改进PSO-BP网络的配电网故障选线与测距

针对人工智能算法在解决配电网故障选线和测距问题时容易陷入局部最优解并难以满足精确性和鲁棒性要求的问题,提出了一种基于改进粒子群优化神经网络的配电网故障选线与测距算法.该算法结合混沌优化算法和粒子群优化算法得到收敛能力更强的粒子群优化算法,通过提取配电网的零序电压与电流的暂态及稳态特征来构成特征向量,并分别使用训练集训练改进粒子群优化神经网络算法,从而能更精确地预测配电网的故障线路及其距离.仿真测试结果表明,所提出的算法能获得更精确的选线和测距结果,具有一定的实用性.     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.