共查询到17条相似文献,搜索用时 46 毫秒
1.
求解约束优化问题的改进粒子群算法 总被引:2,自引:0,他引:2
针对高维复杂约束优化问题,提出了一种基于平滑技术和一维搜索的粒子群算法(NPSO)。该算法使粒子的飞行无记忆性,结合平滑函数和一维搜索重新生成停止进化粒子的位置,增强了在最优点附近的局部搜索能力;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒,使微粒能快速的找到位于约束边界或附近的最优解;最后,为了扩大粒子的搜索范围,引进柯西变异算子。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。 相似文献
2.
求解约束优化问题的动量粒子群算法 总被引:1,自引:0,他引:1
为解决约束优化问题,提出使用双可行域吸引子策略改进动量粒子群算法。该算法只需初始种群中有一个粒子位于可行域内,随着搜索过程的进行,整个种群自动进入可行域内搜索。一方面,在搜索过程早期,由于可行域内粒子少,所有粒子移向相同的吸引子,整个种群迅速进入可行域内。另一方面,随着进入可行域粒子的增多,由于每个粒子使用距本身最近的可行域吸引子,较好地维持了种种群的多样性,避免早熟现象的发生,使算法具有较好的寻优性能。与国际上当前解决约束优化问题的粒子群算法在4个标准约束优化函数上测试比较,实验结果表明本算法取得的最优值要优于其它粒子群算法。Abstract: The strategy that two good positions in feasible region worked as attractors was incorporated into momentum particle swarm optimization algorithm in order to resolve constrained optimization problems. The resulting algorithm only requires that one of the initial particles is in the feasible region, and then all particles in the swam automatically move into the feasible region. On the one hand, in the early iterations few particles appear in the feasible region and hence all particles move toward the same attractors, so the particles soon enter into the feasible region. On the other hand, as the number of particles in the feasible region increases, each particle adopts the most near attractor so that each particle has different attractor. Therefore, the algorithm maintains the diversity of the population, alleviates the premature, and hence achieves good performance. The algorithm is compared with other particle swarm optimization algorithms on four benchmark functions. The experimental results show that the solution of the algorithm is better than that of others. 相似文献
3.
4.
基于种群密度的粒子群优化算法 总被引:1,自引:0,他引:1
为提高粒子群优化算法的收敛性能,提出了基于种群密度的多子群粒子群优化算法。该算法把生态学中的协同进化思想引入到粒子群优化算法中,充分考虑了环境和子群间相互竞争的关系,通过多种群的Lotka-Volterra竞争方程,动态调整各粒子群的密度,从而提高了粒子的多样性,加快了算法的进化速度。实验仿真结果表明,与单种群的粒子群优化算法相比,该算法提高了收敛速度和收敛精度。 相似文献
5.
6.
基于粒子群算法混合优化的广义预测控制器研究 总被引:3,自引:5,他引:3
提出一种基于粒子群算法混合优化的广义预测控制器(generalized predictive control based on particleswarm optimization,简称PSOGPC),将粒子群优化算法(particle swarm optimization,简称PSO)引入到广义预测控制的滚动寻优过程中,有效解决了广义预测控制在被控对象存在约束时难以获得最优预测控制输入及求解复杂的问题。并对普通粒子群优化算法进行了改进,提高了优化过程的求解精度和收敛速度。多种约束情况和对电厂锅炉的主汽温控制系统的仿真结果表明了该方法的有效性和优良的控制性能。 相似文献
7.
8.
9.
10.
11.
将微粒群算法(Particle Swarm Optimization,PSO)与随机优化方法-Alopex算法相结合,提出一种随机微粒群混合算法(APSO)求解约束优化问题。该算法使PSO算法中微粒的飞行速度无记忆性,结合Alopex算法重新生成停止进化微粒的位置;采用双群体搜索机制,一个群体保存具有可行解的微粒,用APSO算法使微粒逐步搜索到最优解,另一个群体保存具有不可行解的微粒,并且可行解群体以一定的概率接受性能较优的不可行解微粒,这种简单的群体多样性机制使微粒能够快速、准确地找到位于约束边界上或附近的最优解。结果表明该算法寻优性能优良且具有较好的稳定性。 相似文献
12.
为有效求解约束优化问题,提出一种改进粒子群算法(ICPSO)。该算法在处理约束时不引入惩罚因子,而是根据目标函数值和粒子违背约束奈件程度。并根据种群中介体的可行性,采用三种不同的交叉操作对粒子自身最优位置进行操作,同时对全局最优粒子采取变异操作以产生新的学习样本,引导种群的飞行,提升种群跳曲局部最优解的能力。最后,引入一种混合粒子速度更新策略,提升种群向最优解飞行的概率。标准测试函数的仿真结果表明ICPSO是可行的,有效的。 相似文献
13.
14.
15.
16.
阶梯型粒子群算法及在函数优化中的应用 总被引:3,自引:0,他引:3
提出一种自适应动态群粒子群方法,根据粒子群的多样性,采用梯形规律动态调整粒子群的规模,既保证每个粒子都得到充分的进化,又保持了群体的多样性,使局部收敛的可能性大大减少。此方法根据群体的多样性的大小,在减少群体规模时,采用较差淘汰法,淘汰一些较差的粒子,在增加粒子时,采用交叉法产生新个体,既保持粒子的继承性,又维持了粒子群的多样性。对典型函数进行测试实验,结果与其它粒子群方法进行比较,验证了方法的有效性。 相似文献
17.
空间轨迹的搜索问题具有多个全局最优解,一种有效的解决方法是采用粒子群算法进行搜索.然而与一般的优化问题不同,轨迹问题要求算法中粒子适应值与粒子位置同时收敛.为此,针对已有的粒子群算法在轨迹搜索上的不足,提出了一种减速粒子群优化算法(Slowdown ParticleSwarm Optimization,简称SPSO),从位置角度改善粒子群的收敛性能.该算法利用独立子群技术保证粒子收敛于不同的位置,并根据粒子适应值情况减半更新粒子飞行速度,以达到位置收敛的目标.仿真实验的结果表明了减速粒子群算法在位置收敛效果上的优越性. 相似文献