粒子群算法中惯性权重参数

研究粒子群算法惯性权重与种群规模大小、空间维度以及惯性权重递减率的关系,对多个具有代表性的函数进行实验研究。结果表明,适当改变惯性权重可以快速收敛、提高搜索效率以及避免陷入局部最优。     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。     

粒子群算法不同惯性权重之间的比较

粒子群算法是一类基于种群的启发式全局搜索工具.针对粒子群算法易出现早熟收敛、收敛效率低等缺点,许多学者对粒子群算法进行了改进.论述了标准粒子群算法以及对惯性权重作了线性递减、后期随机、非线性动态等改进后的标准粒子群算法,讨论了其优缺点,最后通过5个典型测试函数的MATLAB实验,将所得的数值结果进行比对,以证明哪些改进的算法更有效.     

粒子群优化算法惯性权重的一种动态调整策略

为了有效地调整粒子群优化算法的全局开拓和局部搜索能力,提出一种基于Logistic模型动态调整惯性权重的粒子群优化算法.该算法在初期保持较大的惯性权重,使其具有较大的全局开拓能力,在进化后期保持较小的惯性权重,有利于局部搜索,加速算法的收敛.通过标准测试函数的仿真实验表明：该调整策略优于线性递减的调整策略,且对于优化多峰值函数具有一定的优越性.     

一种动态调节惯性权重的粒子群算法

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种动态调节惯性权重的粒子群算法.该算法对惯性权重引入随机因子并基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,平衡了算法的全局搜索与局部搜索能力,提高了算法的收敛精度.为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及动态调节惯性权重的粒子群算法在不同维度下进行测试比较.结果表明:提出的动态调节惯性权重的粒子群算法在寻优精度和成功率方面都有所提升,算法性能更具优越性.     

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法.随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力.实验结果表明,改进后的算法在收敛速度以...     

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。     

一种结合自适应惯性权重的混合粒子群算法

粒子群算法(particle swarm optimization,PSO)是一种容易实现且高效的优化算法,但该算法对各种参数反应较为敏感.本文针对经典粒子群算法容易陷入局部最优的不足之处进行研究,提出对经典粒子群算法使用自适应惯性权重并引入模拟退火法的思想来解决经典粒子群优化算法容易陷入局部最优解的问题.仿真实验结果表明,本文提出的混合算法与经典粒子群算法相比,不仅能够避免寻优过程中陷入局部最优问题,而且还具有收敛速度快、成功次数高、稳定性及寻优结果好等特点.     

基于惯性权重蛙跳算法的WSN布局优化

针对传统混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)易陷入局部极值的问题,在青蛙最差个体的更新策略中引入反正切惯性权重加以修正,从而使该算法具有更强的全局搜索能力及局部搜索能力。将提出的改进型蛙跳算法应用到WSN(Wireless Sensor Network,WSN)覆盖优化问题中,通过理论数据分析及仿真结果证明,改进的蛙跳算法较传统的SFLA、PS0、WIS-SFLA对网络覆盖率有较大的提升,是一种较优的覆盖优化方法。     

粒子群算法的惯性权重模型在水库防洪调度中的应用

介绍了集群智能优化算法PSO和其改进算法惯性权重模型,给出了PSO算法原理和具体的求解步骤,并将其应用于南盘江上游水库洪水调度计算,结果合理,满足防洪调度要求,证明了粒子群优化算法在水库洪水调度上可以有较好的应用,为水库防洪优化调度提供了一条新的途径。     

基于线性权重粒子群优化算法的多基站协作波束成型

为有效抑制小区间干扰,提高多基站协作通信系统的传输速率,提出了一种多基站协作波束成型方案。该方案基于线性权重粒子群优化算法,将最大化系统总速率问题转化为适应度函数的优化问题进行求解。为避免搜索过程中陷入局部最优,该算法的惯性权重采用线性递减的方式。根据所建立的优化问题,给出了适应度函数的构造方法。数值分析结果表明,相对于惯性权重为0.5的基本粒子群算法,所提算法使系统总速率提升了41.13 bit/s,同时具有很好的收敛性。     

基于改进自适应权重多目标粒子群算法的分布式电源优化配置

根据配电网和分布式电源相关特性,建立考虑多种约束条件下配电网网损最小、分布式电源成本最低、电网电压稳定性最好的多目标优化数学模型。该文提出一种改进自适应权重多目标粒子群算法对配电网进行分布式电源优化配置,相较于传统的多目标粒子群算法容易陷入局部最优,以及单目标算法只能给出单一配置方案,该方法在保证得到更接近全局最优解的同时提供一系列可供选择的方案(一组Pareto解集)。采用不同算法对IEEE 69节点算例进行求解计算,仿真结果充分证明了算法的优越性,为配电网中分布式电源配置提供了更为灵活的可行性方案。     

基于粒子群算法的温度模型优化

粒子群算法是一种新出现的进化算法，相对其它进化算法，它收敛速度快、规则简单、编程易于实现。现实的优化问题一般要求在指定的范围内求解，即要满足域约束。而目前在粒子群的约束优化问题上面研究较少。本文对粒子群算法的种群初始化进行了改进，在指定范围内进行初始化；并且提出了一种解决域约束问题的方法。该方法在优化温度模型的应用中取得了比较好的效果。     

基于多样性优化策略的粒子群算法

针对标准粒子群优化算法(SPSO)存在粒子群多样性丢失而易陷入局部最优的问题,提出了一种改进优化算法(PSOBF),该算法通过引入排斥操作而提高了搜索效率.通过对4个标准测试函数的性能数值实验对比,并比较了PSOBF、SPSO及ARPSO算法结果,证实PSOBF可以较好地实现全局与局部搜索的平衡,表明改进算法是有效的.     

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．     

基于粒子群优化算法的小波神经网络

针对粒子群算法具有不易陷入局部极小、收敛速度快等特点,提出了一种基于粒子群的小波神经网络学习算法,优化了小波神经网络中的各个参数,并将该方法应用于函数仿真试验。试验表明,该算法能减少迭代次数、提高收敛精度,是小波网络的有效训练算法。     

基于粒子群优化算法的能源需求预测

鉴于能源系统是一个复杂的非线性系统,故本文引入解决非线性及高维模式问题具有较高精度的粒子群优化算法(PSO),以各影响因素标准化值作为输入变量,建立了基于PSO的线性和指数两种形式的能源需求预测模型.对我国2000-2011年能源需求量进行模拟与仿真,得到两模型预测精度分别为0.824%和0.568%,证明指数预测模型具有较高的精确度.并利用PSO指数模型对我国2015年能源需求量进行预测,得出在未来几年能源需求量将以平均每年7.48%左右的速度增长.     

基于亲缘关系选择的粒子群优化算法

针对传统粒子群优化算法在解决最优化问题中存在早熟收敛和无法寻找到全局最优解问题,本文提出了一种基于亲缘关系选择的粒子群优化算法,提高了算法的全局搜索能力。此外,引入了多个种群的交流机制与各子种群之间的淘汰机制,有效避免了个体在寻优过程中陷入局部最优点。实验部分首先在单目标优化函数集上与传统的粒子群优化算法以及一些有竞争力的算法结果进行对比分析,发现算法在相同种群规模与评价次数的条件下,在准确性与搜索能力上有着明显的优势;然后,将新算法应用到桁架穹顶优化问题上,并与传统的粒子群优化算法进行了比较,求得了这一实际问题的一个可行解。     

粒子群优化算法研究进展

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．介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用，并对其将来的发展进行了展望．