动态调整惯性权重的粒子群优化算法

针对高维复杂优化问题,提出一种改进适应度函数和动态调整惯性权重的粒子群优化算法.首先考虑了搜索点的函数值及其变化率,并将该信息加入适应度函数.利用维惯性权重矩阵自适应动态调整惯性权重,较好地平衡了算法的全局探索和局部开发,并分析了惯性权重随种群多样性的变化关系.在算法后期计算每一维的收敛度,以一定的概率对收敛度最小的维进行变异,以加快算法的收敛速度.对高维测试函数的实验表明,算法提高了全局搜索能力.     

动态惯性权重向量和维变异的粒子群优化算法

分析了含维变异算子的粒子群优化算法全局搜索能力与收敛速度的矛盾,提出了动态惯性权重向量和维变异的改进粒子群优化算法。算法首先定义了维多样性的概念,根据维多样性的情况动态地调整惯性权重向量,并对维多样性最差的维进行变异。4个典型测试函数的仿真实验说明该算法具有更强的全局搜索能力和更快的收敛速度。     

粒子群优化算法中惯性权重的研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法。惯性权重是粒子群算法中非常重要的参数,可以用来控制算法的开发和探索能力。简单介绍了标准粒子群优化算法的基本原理,全面综述了现有文献中对惯性权重的研究进展情况。     

一种改进的自适应惯性权重粒子群优化算法

研究粒子群算法优化问题,针对基本粒子群算法早熟收敛,易收敛于局部极值的缺点,提出了一种改进的粒子群算法,采用对全局最优微扰和调整惯性权重的方法,改善算法的优化速度和收敛精度.利用个体寻优能力来定义惯性权重,并且将其控制在0.9-0.4范围内,从而合理地调整全局探索能力和局部开发能力.在每次迭代时对当前全局最优粒子进行微扰,改变它的位置,避免它陷入局部最优.经过对一系列测试函数的计算和比较,证明改进方法无论收敛速度、搜索精度及稳定性均有显著改善.     

一种对粒子群算法惯性权重的改进

针对粒子群算法搜索精度不高,特别是在处理高维复杂问题时极易陷入局部最优的不足,文章提出一种动态扩散并结合交叉因子的改进粒子群优化算法（DMPSO）,对惯性权重进行调整,对其取值范围做了进一步的研究,在必要的时候对整个种群的粒子进行重新扩散,并应用于粒子群算法的改进。实验结果表明,新算法的全局搜索能力、收敛速度、精度及稳定性均有了显著提高,而且能更有效地进行全局搜索。     

复合策略惯性权重的粒子群优化算法

针对粒子群优化算法中典型线性递减策略的惯性权重不能和运算过程中非线性变化的特点相匹配的问题,提出一种用典型线性递减策略和动态变化策略相结合的方法来确定惯性权重的粒子群优化算法(L-DPSO)。该算法充分利用了线性递减策略的线性和动态变化策略的非线性特点,对两种策略赋予了相应的权重。然后将L-DPSO算法和单独使用典型线性递减策略来确定惯性权重的粒子群优化算法(LPSO)及单独使用动态变化策略来确定惯性权重的粒子群优化算法(DPSO)进行比较,用Griewank和Rastrigin函数进行测试,结果表明,适当调整典型线性递减策略和动态变化策略的权重,L-DPSO算法的收敛速度明显优于LPSO和DPSO算法,收敛精度也有所提高。最后,对L-DPSO算法和几种常用的惯性权重计算方法确定的粒子群优化算法作比较,用Griewank和Rastrigin函数进行测试,结果表明L-DPSO算法也有明显优势。     

一种新的带有动态自适应惯性权重和混合变异的粒子群优化算法

提出一种新的带有混合变异算子的自适应粒子群优化算法.该算法使用了动态自适应惯性权重,粒子群中所有粒子适应度的整体变化可以跟踪粒子群的状态,在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性.在每次迭代过程中,对符合变异条件的粒子进行混合变异.通过对六个典型的测试函数的试验,表明该方法具有较强的全局寻优能力,克服了基本PSO易陷入早熟收敛的现象,并进一步提高了计算精度.     

带有非线性惯性权重和柯西变异的粒子群优化算法

粒子群优化算法是一种新型启发式智能优化算法,它运行速度快,收敛性强,但是容易陷入局部极值.为了克服粒子群算法的早熟收敛现象,提出了一种新的带有非线性惯性权重和柯西变异的粒子群优化算法.首先,对算法中的惯性权值进行改进,增强粒子局部收敛能力;然后,利用柯西变异算子,增加种群多样性.数值实验表明,提出的改进粒子群优化算法具...     

一种动态调整惯性权重的粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖于参数的选取等缺点,提出了一种非线性指数惯性权重粒子群优化算法(Exponential Inertia Weight in Particle Swarm Optimization,EIW-PSO)。在每次迭代的过程中, 采用粒子最大适应值和最小适应值的指数函数来动态调整 算法中的惯性权重,更有利于算法在寻优过程中跳出局部最优;同时,引入随机因子以确保种群的多样性,使粒子更快地收敛到全局最优位置。为了验证该算法的寻优性能,通过8个基准测试函数将标准PSO、线性递减惯性权重LDIW-PSO、均值自适应惯性权重MAW-PSO在不同维度和种群规模下进行测试比较。实验结果表明,提出的EIW-PSO算法具有更快的收敛速度和更高的求解精度。     

基于自适应惯性权重的均值粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖参数选取等缺点,提出了一种基于自适应惯性权重的均值粒子群优化算法。对算法中的惯性权重参数采用动态自适应变化方式,在迭代过程中根据粒子适应度差值将种群划分为三个等级,对不同等级的粒子采用不同的惯性权重策略,使粒子能根据自己所处的位置选择合适的惯性权重值,更快地收敛到全局最优位置;同时分别用个体极值和全局极值的线性组合取代PSO算法中的全局最优位置与个体最优位置。通过实验仿真与对比,验证了新算法性能优于标准PSO及其它一些改进的PSO算法,能够用较少的迭代次数找到最优解,具有更快的收敛速度和更高的收敛精度。     

一种基于遗传算法改进的粒子群优化算法

在研究标准粒子群算法和遗传算法的基础上,介绍一种加入遗传选择,交叉算子以及变异算子的扩展算法,以提高粒子群算法摆脱局部极值点的能力,并且算法具有较快的收敛能力。     

基于寿命的粒子群算法研究

针对粒子群算法易陷入局部最优的缺陷,提出了一种具有寿命的PSO(LS-PSO),算法赋予gbest有限的寿命,并且根据其引导能力对寿命进行自适应调整。当gbest耗尽其寿命时,它将失去领导能力,并被一个新产生并经测试具有足够引导能力的粒子所代替,继续引导群体搜索解空间的不同区域,并在两个单峰标准测试函数和六个多峰标准测试函数上对算法进行了测试。结果表明,LS-PSO比传统PSO及改进算法CLPSO有更好的求解精度和收敛速度。     

融合隶属度函数的自适应惯性权重模式的粒子群优化算法

粒子群算法(Particle Swarm Optimization,PSO)的性能极大地依赖于其惯性权重参数的选择策略。当在一次迭代中更新粒子速度时,PSO忽略了粒子间的差异,在所有粒子上应用了相同的惯性权重。针对这一问题,提出一种自适应惯性权重的粒子群算法PSO-AIWA,有效合理地均衡PSO的全局搜索和局部搜索能力。根据当前粒子与全局最优粒子间的差异,算法可以通过基于粒子间距的隶属度函数动态调整粒子的惯性权重,使得每次迭代中,粒子可以根据当前状态在每个维度上的搜索空间内选择合适的惯性权重进行状态更新。在6种基准函数下进行了算法的性能测试,结果表明,与随机式惯性权重PSO算法与线性递减惯性权重PSO-LDIW算法相比,该算法可以获得更好的粒子分布和收敛性。     

基于粒子群算法的摄像机自标定

基于图像信息,实现对物体的三维重构在交通、地质等领域具有重要的应用价值,对此首先要建立图像坐标和大地坐标的对应关系,而这种关系涉及到摄像机的内部及外部参数,这就需要对摄像机进行标定,确定其参数。利用几何关系给出坐标系间的关系模型,以标定板上关键点间的实际距离和理论距离的相对误差绝对值为目标,将参数确定问题转化为非线性优化问题,进而利用PSO算法对优化模型进行求解,实现对摄像机的自标定。通过实际图像的采集并进行数值计算,结果表明模型正确,与其他算法相比,计算精度得到显著提高。     

基于粒子群优化与BP算法的协同神经网络学习方法

针对标准BP算法易陷入局部极值及收敛速度慢等问题,提出一种基于粒子群优化与BP算法的协同神经网络学习方法。该方法在网络的学习过程中,同时利用PSO优化算法与BP算法进行最优网络权值的协同搜索,从而充分利用粒子群算法的全局搜索性及BP算法的反向传播特点。将该算法应用于4个复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络算法进行比较。实验结果表明所提的协同算法的性能优于传统的BP网络优化算法。     

基于粒子群优化的仓虫分类识别技术研究

在对仓虫分类识别过程中,为了改善因采用BP神经网络产生的由于训练时间长和易于陷入局部极小点,而导致效率和分类的准确性较低的情况,对粒子群优化算法进行了研究,并把这种算法运用到神经网络学习训练中。实验表明,将基于粒子群优化的神经网络算法应用到仓虫分类中,从训练时间、识别率上得到了较大的改善,而且算法易于实现,且能更快地收敛于全局最优解。     

基于粒子群优化和禁忌搜索的混合调度算法

提出了用于解决作业车间调度问题的离散版粒子群优化算法。该算法采用基于先后表编码方案和新的位移更新模型,使具有连续本质的粒子群优化算法直接适用于车间调度问题。同时,利用粒子群优化算法的全局搜索能力和禁忌搜索算法的自适应优点,将粒子群优化算法和禁忌搜索结合起来,设计了广义粒子群优化算法和粒子群—禁忌搜索交替算法两种混合调度算法。实验结果表明,两种混合调度算法能够有效地、高质量地解决作业车间调度问题。     

基于粒子群优化建模的贝叶斯网络结构学习方法

贝叶斯网络(BN)在不确定性的条件下表示信息和推理论证具有良好的性能,但由于其结构搜索空间的复杂性,通常将从一个数据集合中学习贝叶斯网络的结构认为是一种NP-hard的问题。基于此,提出一种新的基于粒子群优化算法建模的贝叶斯网络结构学习方法。为了学习一个贝叶斯网络的结构,该方法先使用粒子群优化算法在排序空间中进行搜索,然后运行K2算法计算每个排序的吻合度。每个排序都会有一个网络结构与之一致,该方法会返回这个网络的计分。仿真结果表明,在不同规模的数据集中,该算法相对于其他贝叶斯网络结构学习算法对不同类型的网络都具有更好的网络稳定性。     

变异粒子群优化最小二乘支持向量机的网络流量预测

针对最小二乘支持向量机参数优化问题,提出一种变异粒子群算法优化最小二乘支持向量的网络流量预测模型(MPSOLSSVM)。首先对网络流量序列进行相空间重构,构建最小二乘支持向量的学习样本;然后采用变异粒子群算法选择最小二乘支持向量机参数,从而建立最优的网络流量预测模型,最后与其他模型进行对比实验。对比结果表明,相对于对比模型,MPSO-LSSVM提高了网络流量的预测精度,预测结果可以为网络管理员提供有价值参考信息。     

一种自适应惯性权重的粒子群优化算法

为较好平衡粒子群算法中全局搜索能力与局部搜索能力,分析了PSO(Particle Swarm Optimization)算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度的关系,并把粒子惯性权重定义为这三者的函数.通过在每次迭代后更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率.