求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法，已在许多领域得到了非常成功的应用。本以约束优化问题为对象，首先介绍了采用罚函数法将约束优化问题化为无约束优化问题，和将约束优化问题转化为minmax问题，然后对无约束优化问题和minmax问题，采用PSO算法进行进化求解；在此基础上，以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

一种非线性约束优化的微粒群新算法

通过对标准微粒群算法(PSO)改进,采用动态罚函数的方法,提出了一种求解非线性约束优化问题的新算法.由于使用了一种新的适应度函数,该算法具有很强的全局寻优能力.     

箱型约束优化问题的免疫进化的微粒群算法

通过引入免疫进化项,提出一个求解箱型约束优化问题的新的算法—免疫进化的微粒群算法。该算法利用8个典型的测试函数进行数值实验,且与被动聚集的微粒群算法、全局版本的微粒群算法、局部版本的微粒群算法和具有压缩因子的微粒群算法进行计算比较,计算结果表明免疫进化的微粒群算法是求解箱型约束优化问题的一个高效的算法。     

一个求解约束优化问题的与可行基规则相结合的改进微粒群算法

提出一个求解约束最优化问题的新的混合算法-与可行基规则相结合的改进的微粒群算法。与惩罚函数法相比,可行基规则不需要额外的参数,且指引粒子迅速飞向可行域。利用5个基准测试函数进行仿真计算比较,仿真结果表明了新算法是求解约束最优化问题的一个高效的算法。     

箱型约束变分不等式的微粒群算法

对箱型约束变分不等式的简单光滑价值函数,给出了求解箱型约束变分不等式的微粒群算法。该算法具有计算简单、快速收敛到全局最优解和较高的计算精度等优点。数值计算结果表明,提出的算法可靠性高、有效性强,在计算精度上,都优于阻尼牛顿法和正则半光滑牛顿法。     

一种仿生优化方法—微粒群算法

介绍了一种新的仿生优化算法——微粒群算法。与传统的优化算法相比，微粒群算法在全局优化性能等多方面具有相当的优越性。     

基于模拟退火的粒子群算法求解约束优化问题

针对复杂约束优化问题,提出一种基于模拟退火(SA)的粒子群(PSO)算法(SAPSO)。该算法使粒子的飞行无记忆性,结合模拟退火算法重新生成停止进化粒子的位置,增强了全局搜索能力。同时采用双群体搜索机制,一个群体保存具有可行解的粒子,用SAPSO算法使粒子逐步搜索到最优可行解;另一个群体保存具有不可行解的粒子,并且可行解群体以一定的概率接受具有不可行解的粒子,有效地维持了群体的多样性。仿真结果表明:该算法能够快速准确地找到位于约束边界上(或附近)的最优解,具有较好的稳定性。     

一种基于微粒群思想的蚁群参数自适应优化算法

利用微粒群优化(particle swarm optimization,PSO)思想对蚁群优化(ant colony optimization,ACO)算法的参数取值进行优化选择。通过微粒群粒子搜索,自适应选取参数值的优质组合,使ACO算法的参数取值不必依靠人工经验或反复试验。经过该算法求取的参数组合显著提高了ACO算法的优化性能,并且参数的取值具有连续性,随机性和精确性。利用这种算法获得的参数值的优质组合反馈回ACO算法中,在解决货郎问题(traveling sales-man problem,TSP)时具有优异的效果。     

箱型约束变分不等式的微粒群算法

对箱型约束变分不等式的简单光滑价值函数,给出了求解箱型约束变分不等式的微粒群算法。该算 法具有计算简单、快速收敛到全局最优解和较高的计算精度等优点。数值计算结果表明,提出的算法可靠性高、有 效性强,在计算精度上,都优于阻尼牛顿法和正则半光滑牛顿法     

基于微粒群优化和模拟退火的约束广义预测控制算法

提出一种基于微粒群优化和模拟退火的约束广义预测控制算法,将微粒群优化和模拟退火引入到广义预测控制的滚动寻优过程中,增强对约束边界的搜索能力,并将约束条件构成约束违反度函数和适应度函数一起判断最优解的优劣,该算法可以有效地提高广义预测控制处理约束的能力.通过对一个工业对象的仿真,验证了该算法的可行性和有效性.     

粒子群算法在求解天然河道水面线中的应用

在天然河道水面曲线计算中,传统的试算法、迭代法和图解法等,计算过程中存在误差的累积问题。为此,可将天然河道水面曲线计算问题转化为求解全河段总的计算误差最小化问题;从而提出了用粒子群算法来处理这一仅给出隐含表达式的复杂非线性优化问题。实例计算的结果表明粒子群算法是可行的、通用的和简便的,可以有效控制全河段总的计算误差。     

求解二层规划问题的改进粒子群算法

两层规划问题是一个NP-难问题,这意味着它很难被求解．基于粒子群算法提出了一种求解二层规划问题的方法,通过分离目标函数和约束函数,使每个粒子拥有双适应值,并通过双适应值来决定个体优劣．应用了一种自适应保留不可行个体的策略．数值结果表明了算法的有效性．     

解非线性约束规划问题的新粒子群优化算法

给出非线性约束规划问题的一种新解法.首先把带约束的非线性规划问题转化成为2个目标的优化问题,在对搜索算子及各种参数进行合理设计的同时,提出了一种新粒子群优化算法(TS-MC),最后的数据实验表明该算法对带约束的非线性规划问题求解是非常有效的.     

Particle Swarm Optimization Applied to Some Anti-Windup Problems

The particle swarm optimization (PSO) algorithm is introduced to deal with some open anti-windup problems, i.e., determining the initial condition when applying the iterative algorithm to enlarge the estimate of the domain of attraction, determining the design point in the delayed anti-windup scheme, and determining the design point and the weighting factors in the multi-stage anti-windup scheme. Therefore, the corresponding PSO-based algorithms are proposed. Unlike the traditional methods in which the free design parameters can only be selected by trial and error with the available computational results, the PSO-based algorithms provide a systematic way to determine these parameters. In addition, the algorithms are easy to be implemented and are very likely to find the desirable parameters that further improve the anti-windup closed-loop performances. Simulation results are presented to validate the effectiveness and advantages of the proposed method.     

粒子群优化人工免疫粒子滤波器

为解决粒子滤波算法中存在的粒子退化和样本枯竭问题,提出一种新的粒子滤波算法.利用粒子群优化思想促使采样粒子向高似然区域移动,减缓粒子权值的退化;再通过人工免疫算法中的变异操作扩大算法寻找最优值的范围并增加粒子的多样性,避免算法陷入局部最优,增强算法的全局搜索能力,进而缓解样本枯竭.实验表明,该算法比标准粒子滤波的状态估计精度提高近40倍,比扩展卡尔曼粒子滤波提高近28倍,比无迹卡尔曼粒子滤波提高近6倍,滤波效率为37.523％,是标准粒子滤波的37倍,该算法具有更好的实时性和更高的状态估计精度,能有效缓解粒子的退化和样本的枯竭.     

一种改进的粒子群算法

粒子群算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优.为了克服这个缺点,提出了一种新的粒子群算法,算法对粒子的速度和位置更新公式进行了改进,使粒子在其最优位置的基础上进行位置更新,增强了算法的寻优能力.通过对5个基准函数的仿真实验,表明了改进算法的有效性.     

一种改进的混合粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,把Hooke-Jeeves模式搜索方法作为粒子群优化算法的一个局部搜索算子,嵌入到粒子群算法中,Hooke-Jeeves的强局部搜索能力提高了粒子群优化算法的局部收敛速度和精度,从而提出了一种混合粒子群优化算法。通过基准函数和实例测试进行了验证,结果表明,提出的混合算法的收敛速度和精度均优于粒子群优化算法。