一种基于加权有向拓扑的改进粒子群算法

研究粒子群优化算法（PSO）的拓扑结构和信息流动，以提高算法性能是PSO的一个有意义的研究方向。RuiMendes等人提出的全联通型算法（FIPSO），其拓扑结构本质上是加权无向图，两个邻接点之间的相互影响是对等的，与社会人际网络的真实情况不符。提出了一种改进型算法，重新构造了加权函数，体现了粒子之间影响的不平衡性。仿真结果显示：该改进算法对收敛速度和稳定性均有非常好的改善。     

基于拓扑结构与粒子变异改进的粒子群优化算法

为使粒子群优化算法(PSO)优化过程的多样性与收敛性得到合理解决,以提高算法优化性能,基于种群拓扑结构与粒子变异提出两种粒子群改进算法RSMPSO和RVMPSO.改进算法将具有信息定向流动的闭环拓扑结构与星型拓扑结构或四边形拓扑结构相结合,促使粒子在前期寻优过程中具有较高的多样性,保证搜索的广度,而在后期满足粒子群的整体收敛性,保证寻优的精度.同时,将布谷鸟搜索算法(CS)中的偏好随机游走变异策略引入改进算法中,增强粒子跳出局部最优的能力.对标准测试函数的仿真实验表明,所改进的PSO算法与其他6个对比算法相比不仅操作简单,优化精度高,而且在算法收敛性及稳健性方面都有着更出色的表现.     

一种基于动态拓扑结构的PSO改进算法

该文提出了一种新颖的PSO改进算法-PSO-DT。该算法通过动态调整粒子群的拓扑结构,在算法前期弱化全局最优粒子的影响力,以最大化地扩展寻优范围;在算法后期则强化全局最优粒子的影响力,以加快算法收敛速度。此外,文章还在PSO-DT中引入变异算子,获得MPSO-DT,大大减少了算法时间。通过对6个基准函数的测试及与另一改进算法MPSO-TVAC的对比实验,证实了该改进方案是有效而实用的。     

一种基于中间结构层的分层粒子群算法

针对标准粒子群算法易陷入局部极值和优化精度较低的缺点,结合复杂系统理论提出一种多层次粒子群算法,通过在算法结构中引入中间结构层,分别定义了进行大范围的较优值搜索的粒子和在较优值周围进行精细搜索的粒子,增加了粒子群的多样性,有效协调了粒子的寻优能力。采用了两种标准测试函数对算法性能进行了实验,结果表明,该算法可有效避免陷入局部最优,并在保证运行速度的同时提高了求解精度。     

一种具有动态拓扑结构的粒子群算法研究

受小世界网络模型的启发,提出了一种具有动态拓扑结构的新颖粒子群算法。该算法通过对每个粒子邻域的记忆和更新,模拟小世界网络模型中的信息传播方式。在大量基准问题上的实验结果显示,提出的算法能有效保持优秀粒子与非优粒子所占比例的均衡性,维持了种群的多样性,避免了经典粒子群算法在高维、多峰问题上的早熟收敛现象。     

一种改进的粒子群优化算法

介绍PSO算法原理和特点,通过在粒子选取、惯性权重和局部搜索上改进,提出一种改进的粒子群优化算法,并与0．618法相结合,结合学习经验进行迭代更新,用于局部函数优化问题。同时提出根据最佳熵最值将PSO算法应用于图像分割,对于图像分割领域有一定的参考价值。     

一种改进的粒子群优化算法

作为群体智能的代表性方法之一,粒子群优化算法(PSO)通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。提出了一种改进的粒子群优化算法(MPSO),该算法以广泛学习粒子群优化算法(CLPSO)的思想为基础,主要引入了选择墙的概念。同时在参数的设置中结合高斯分布的概念,以提高算法的收敛性。实验结果表明,改进后的粒子群算法防止陷入局部最优的能力有了明显的增强。同时,算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高。     

一种改进的多群协作粒子群优化算法

提出了一种改进的多群协作粒子群优化算法,该算法整个种群采用主从模式,分为一个主群和多个从群,多个从群粒子统一地进行初始化操作,从而避免了多个粒子群重复搜索现象。同时,算法采取了一种扰动策略,即当前全局最优解在扰动因子的迭代周期内保持不变时,就重置粒子的速度,迫使粒子群摆脱局部极小。该算法不仅增加了种群的多样性,扩大了搜索范围,而且还改善整个种群易陷入局部极小值的缺陷。通过9个基准函数进行测试,实验结果表明,IMCPSO与MCPSO算法相比具有明显的优越性。     

一种基于多簇结构的高斯动态粒子群优化算法

分析高斯动态粒子群优化算法(GDPSO)中新的种群产生方式的特点,针对传统粒子群优化算法中全局最优模型收敛速度快但易陷入局部最优、局部最优模型收敛速度较慢的缺点,提出一种新的粒子群信息共享方式--多簇结构.该算法在簇内部实现粒子间信息的高度共享,而在簇之间则通过松散的连接实现信息的传递,以协调GDPSO算法的勘探和开采能力.通过典型的Benchmark函数优化问题测试并分析经典拓扑以及多簇结构在GDPSO算法中的性能,仿真实验结果表明,采用特定多簇结构的GDPSO算法收敛速度和稳定性显著提高,同时全局搜索能力明显增强.     

一种基于可变多簇结构的动态概率粒子群优化算法

针对传统粒子群优化算法中全连接型拓扑和环形拓扑的特点,引入了一种粒子群信息共享方式——多簇结构,进而基于多簇结构提出了动态可变拓扑策略以协调动态概率粒子群优化算法的勘探和开采能力,并从理论上分析了最优信息在各种拓扑中的传播,同时从图论角度分析了几种经典拓扑以及动态可变多簇结构的统计特性.通过典型的Benchmark函数优化问题测试并比较了几种经典拓扑以及可变拓扑在高斯动态粒子群优化算法中的性能.实验结果表明,基于多簇结构的可变拓扑策略在求解复杂优化问题时优势明显,可以有效地避免算法陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力.     

双群体随机微粒群算法

以保证全局收敛的随机微粒群算法为基础,文章提出了一种双群体随机微粒群算法——DB-SPSO。该方法采用两个群体同时进化,一个群体在进化过程中所出现的停止微粒由另一群体的微粒来代替,并和此群体中其余的微粒一起继续进化。通过对此算法的参数适用范围及收敛率进行讨论,给出了此算法的适用范围。其仿真结果表明:对于单峰函数和多峰函数,此算法都能够取得较好的优化效果。     

基于微分模型的改进微粒群算法

针对基本微粒群算法的微分模型，从解的存在惟一性角度出发，发现最大速度常数虽然能保证解的存在性，但却降低了算法的全局搜索性能．为了提高算法的计算效率，提出了一种不合最大速度常数的微分模型，该模型首先将速度向量与位置向量等同对待，两者同时对空间进行搜索，并讨论了该模型解的稳定性条件，给出了相应的改进微粒群算法，能有效地提高算法效率．仿真结果证明了算法的有效性．     

基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。     

一种动态改变学习因子的简化粒子群算法

基本粒子群优化算法(basic particle swarm optimization,简称bPSO)具有容易陷入局部极值,进化后期熟练速度慢,精度低等缺陷,而简化粒子群算法(simple particle swarm optimization,简称sPSO)在保证了熟练速度和精度的同时舍弃了速度项,使算法更加简练。本文提出了一种动态改变学习因子的简化粒子群算法。经过实验证明,该算法在寻优精度和收敛速度上具有明显的优势。     

改进的粒子群算法

针对基本粒子群算法容易陷入局部最优点,进化后期速度慢等缺点,设计了一种新的粒子群算法,将基本粒子群算法粒子行为基于个体极值点转化为个体自身极值与其他某一个个体极值的加权平均值,而全局极值点转化为群体中优秀个体极值的加权平均值。数值仿真实验表明,新算法比PSO具有更好的收敛性,能更快地找到问题的最优解。     

基于改进粒子群优化算法的PID控制器参数优化

针对PID控制器参数整定问题,提出一种基于改进粒子群优化算法的优化方法。该方法在实数编码及设定参数搜索空间的基础上,采用基于指数曲线的非线性惯性权值递减策略,以较大幅度地提高算法的收敛速度和精度;嵌入基于差分进化算法变异算子的局部搜索策略,以有效提高粒子个体的适应性和群体的多样性,改善解的质量,同时增强算法全局空间探索和局部区域改良能力的平衡。仿真结果表明,该方法与传统和智能算法相比较,所得到的控制器参数能够使控制系统获得更好的动态响应特性和满意的控制效果。     

改进微粒群优化算法求解旅行商问题

对微粒群优化算法的速度位置算式进行了改进,提出一种改进的微粒群优化算法。该算法符合组合优化问题的特点,在求解旅行商问题上有较高的搜索效率。将改进的PSO算法分别应用于14点的TSP问题以及中国旅行商问题中,该算法在较短时间内获得了目前已知的最好解。