自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。     

基于自适应变异的混沌粒子群优化算法

粒子群优化算法参数少,寻优速度快,但其寻优效率低且在寻优后期易早熟收敛。为改善其寻优性能,在标准粒子群优化算法中,通过引入混沌映射和自适应变异策略,提出具有自适应变异的混沌粒子群优化（ACPSO）算法,以增强种群的全局寻优性能和局部寻优效率。六个基准测试函数的仿真结果表明,ACPSO算法比已有的五个算法具有更好的寻优能力。     

自适应约束优化混合粒子群算法

提出一种混合粒子群优化算法用于求解约束优化问题。新算法的主要特点是：在搜索机制方面,利用混沌初始化种群以提高初始群体的质量。为了扩大粒子的搜索范围,引入柯西变异算子。利用单形交叉算子对种群进行局部搜索。在约束处理技术方面,根据当前种群中可行解比例自适应地选择不同的个体比较准则。数值实验结果表明了该算法的有效性。     

基于自适应Tent混沌搜索的粒子群优化算法

为解决粒子群优化算法易于陷入局部最优问题,提出基于自适应Tent混沌搜索的粒子群优化算法。应用Tent 映射初始化均匀分布的粒群,并以当前整个粒子群迄今为止搜索到的最优位置为基础产生Tent混沌序列,混沌序列的搜索范围采用自适应调整方法。该方法可以有效避免计算的盲目性,还能够快速搜寻到最优解。实验表明该算法在多个标准测试函数下都超越了同类改进算法。     

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。     

基于混沌思想模糊自适应参数策略的粒子群优化算法*

粒子群优化算法是一种进化计算技术。提出一种基于混沌思想的模糊自适应参数策略的粒子群优化算法,它利用模糊策略较强的适应能力及混沌运动遍历性、随机性等特点,对标准粒子群优化算法进行了改进,并证明了算法的收敛性。对几种典型测试函数的测试结果表明,模糊自适应参数策略的引入,有效提高了算法收敛的速度,且混沌思想改善了对多维空间的全局搜索能力,能有效避免早熟现象。     

基于自适应策略的改进粒子群算法

粒子群算法的参数速度权重在寻优过程中具有重要的作用。如何寻找合适的速度权重是提高算法性能的关键,为解决上述问题,提出了一种基于自适应策略的改进粒子群算法。改进粒子群算法在每次种群进行迭代时,根据每个粒子的适应度值自适应地改变每个粒子的速度权重,动态调整每个种群粒子的活性,提高了算法的全局寻优能力和收敛能力。仿真结果表明,在单目标函数中,改进算法能够更快速地找到最优位置,提高了算法的寻优能力;在多目标函数中,改进算法能够更快速地收敛到问题的Pareto最优边界,提高了算法的收敛能力。     

云自适应粒子群优化算法在数值积分中的应用

为了提高传统自适应粒子群优化算法的鲁棒性,由X条件云发生器自适应调整粒子的惯性权重,提出云自适应粒子群优化算法。由于云滴具有随机性和稳定倾向性的特点,使得惯性权重既具有传统的趋向性,满足快速寻优能力,又具有随机性,有利于提高种群的多样性,提高了收敛速度。通过对求解任意函数数值积分的实验表明,该算法计算精度高、求解速度快,是求解数值积分的一种有效的方法。     

改进的自适应粒子群优化算法

提出了一种融合梯度搜索法、繁殖法并结合前[N]个粒子历史最优位置的改进自适应粒子群优化算法。算法选用混沌惯性权重,每个粒子速度和位置的更新不仅考虑自身历史最优和全局最优位置,还受其他粒子历史最优位置的影响,且其影响程度的权重随迭代次数自适应变化;同时粒子位置随迭代次数以线性递增的概率进行负梯度方向更新;当粒子更新停滞时,对可能处于局部最优位置的部分粒子进行杂交。仿真实验结果表明,该算法比其他相关算法具有更好的收敛速度和收敛精度。     

混沌量子粒子群优化算法

针对量子粒子群优化算法在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了混沌量子粒子群优化算法.采用了基于群体适应值方差的早熟判断机制,同时提出了一种基于混沌搜索的新方法,提高了搜索效率.数值实验结果表明,混沌量子粒子群算法效率高、优化性能好,且具有很强的避免陷入局部最优的能力,其性能远远优于一般的粒子群算法和量子粒子群算法.     

CPSO-NP优化算法及其在TE过程中应用

为有效平衡粒子群算法的探索和开发能力,解决粒子群局部最优、收敛速度慢等问题,提出了基于捕食搜索和自然选择的混沌粒子群算法.该算法借鉴自然选择中适者生存的进化机制以提高算法的收敛速度;且捕食搜索策略调节限制级别平衡全局搜索和局部搜索,优化搜索性能;通过函数测试和化工TE的故障诊断,结果表明:所提算法计算精度高、收敛速度快,能准确地对SVM的参数进行寻优,提高了故障诊断的准确性.     

混沌自适应粒子群算法在故障检测中的应用

针对舰员对装备维修能力不足的情况,论文提出了一种能够应用于便携式故障诊断仪中的故障树诊断算法.首先通过对混沌自适应粒子群算法的参数选择进行优化,使粒子能够在全局范围内进行搜索,克服了其易陷入局部最优的缺点,其次将其应用于故障树诊断算法中,并通过仿真试验证明了该方法的有效性.     

改进免疫粒子群算法在矿车调度优化中的应用

提出了一种基于自适应搜索的改进免疫粒子群算法.算法在传统免疫粒子群算法的基础上,对子种群进行分组,以并联形式对算法进行融合,动态调整各组子种群规模,根据粒子最大浓度值自适应调整搜索范围.首先,算法融合了浓度调节机制,结合粒子最大浓度值来调节子种群数目以充分利用粒子群资源;与此同时,针对次优子种群进行疫苗接种,利用粒子最大浓度值调节接种疫苗的搜索范围,在避免了种群退化现象的同时,提高了算法的收敛精度和全局搜索能力.文中建立了露天矿山矿车调度模型并进行了仿真实验,仿真结果表明,所提算法充分利用了矿车资源,具有一定优越性和较好的工程应用价值.     

一种优化模糊神经网络的多目标微粒群算法

模糊神经网络优化是一个多目标优化问题.通过对模糊神经网络和微粒群算法的深入分析,提出了一种多目标微粒群算法.在算法中将网络的精确性和复杂性分别作为目标进行优化,再用一种启发性分量加权均值法来选取个体极值和全局极值.算法能够引导粒子较快地向非劣最优解区域移动并最终获得多个非劣最优解,为模糊神经网络的精确性和复杂性的折中寻优问题提供了一种解决方法.茶味觉信号识别的仿真实验验证了该算法的有效性.     

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。     

改进自适应粒子群算法在WSN覆盖优化中的应用

针对无线传感器网络（WSN）节点覆盖不均匀导致覆盖率低下的问题,提出了一种基于改进自适应粒子群优化算法的覆盖优化方法。首先,建立WSN覆盖优化的数学模型;然后将进化因子和聚合因子引入粒子群优化（PSO）算法中的惯性权重系数,使改进算法具有很强的自适应能力;接着在算法迭代过程中引入碰撞回弹策略保证粒子群的多样性,克服改进粒子群优化算法在优化后期容易陷入局部最优的弱点。实验表明,本文算法对WSN优化后的网络覆盖率均比其它文献算法提高了2%~6%,且传感器节点分布更加均匀。因此它能有效提高无线传感器网络的性能,是一种应用性较强的WSN覆盖优化算法。     

基于混沌序列的自适应粒子群优化算法

提出一种改进粒子群局部搜索能力的自适应优化算法。通过大量仿真试验,考察粒子平均速度和收敛性之间的关系,给出一种新的自适应调整权重策略。以粒子平均速度作为反馈信息,动态调整权重因子,控制粒子速度并使其沿理想速度曲线下降。在搜索过程中引入混沌序列以改进算法的局部搜索能力。对经典函数的测试结果表明,改进的混合算法通过微粒自适应更新机制确保了全局搜索性能和局部搜索性能的动态平衡,在稳定性和精度上均优于普通PSO算法。     

基于改进粒子群算法的整流电路智能故障诊断

针对基本粒子群算法(PSO)收敛精度低、易陷入局部极小值的缺点。对该算法进行改进,采用自适应调整惯性权重的策略,并且引入扰动因子,平衡集中强化搜索和分散多样化的搜索过程;用改进的PSO算法优化BP神经网络的权值和阈值,并应用于整流电路的故障诊断;仿真研究结果表明,该方法与其它方法相比,收敛速度快,诊断精度高,在整流电路故障诊断中具有良好的故障识别率,便于电路故障自动诊断系统的建立。     

一种改进粒子群优化算法

为了提高粒子群优化算法的性能,提出了一种惯性权值调整的改进粒子群优化算法,该算法的惯性权值满足不同。粒子对全局和局部搜索能力的不同需求,每次迭代后根据适应度值对惯性权值做相应的调整。对4个典型的测试函数进行仿真表明,该算法比标准粒子群优化算法有更好的收敛性和更快的收敛速度,改善了优化性能。     

混合自适应粒子群算法在电力经济调度中的应用

以电力系统中发电成本最低为目标,结合实际发电运行中系统平衡约束和机组操作约束条件,建立电力经济调度(ED)模型。由于标准粒子群算法存在易陷入局部最优的问题,用这种方法求解ED模型得到的最终结果会不太理想。为此,本文提出一种非线性自适应权重调整策略来增强算法全局搜索和局部搜索能力,首先引入小生境优化种群策略使算法跳出局部最优,然后将这种改进后的混合自适应粒子群算法（HAPSO）应用于求解ED模型。最后,算例分析结果表明本文所改进算法的有效性,提高了求解精度。