基于混沌变异算子的小生境量子粒子群算法

针对粒子群算法早熟收敛和搜索精度低的问题,提出了基于混沌变异的小生境量子粒子群算法(NCQPSO).该算法结合小生境技术并加入了淘汰机制.使算法具有良好的全局寻优能力.变尺度混沌变异具有精细的局部遍历搜索性能.使算法具有较高的搜索精度,实验结果表明,NCQPSO算法可有效避免标准PSO(Particle Swarm Optimization)算法的早熟收敛,具有寻优能力强、搜索精度高、稳定性好等优点.也优于原始的量子粒子群算法QPSO(Quantum-behaved Particle Swarm Optimization).     

基于混沌变异的小生境粒子群算法

针对粒子群算法早熟收敛和搜索精度低的问题，提出了基于混沌变异的小生境粒子群算法（NCPSO）．该算法结合小生境技术并加入了淘汰机制，使算法具有良好的全局寻优能力．变尺度混沌变异具有精细的局部遍历搜索性能·使算法具有较高的搜索精度．实验结果表明，NCPSO算法可有效避免标准PSO算法的早熟收敛，具有寻优能力强、搜索精度高、稳定性好等优点．适合于工程应用中的复杂函数优化问题．     

一种最优粒子逐维变异的粒子群优化算法

针对粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优、收敛速度过慢、精度低等问题,提出一种新的变异策略,对全局最优粒子进行逐维的重心反向学习变异.逐维变异降低了维间干扰,通过更新全局最优位置引领粒子向更好的位置飞行,同时加强了种群的多样性.仿真实验与基于柯西变异的混合粒子群算法(HPSO)及重心反向粒子群优化算法(COPSO)在9个标准测试函数上进行了对比.实验表明逐维重心反向变异算法(DCOPSO)具有较高的收敛速度及精度.     

改进粒子群优化算法在PID参数整定中的研究

针对粒子群优化算法（PSO）容易出现早熟收敛的问题,提出一种改进的粒子群优化算法（IMPSO）。该算法通过引入粒子群聚合度和变异的思想,能很好避免早熟,提高粒子全局搜索能力。将此改进的粒子群优化算法用于PID控制器的参数整定,具有操作简单,寻优快速等优点。     

一种群活性反馈粒子群优化算法

为解决粒子群优化(PSO)算法的早熟收敛问题,提出一种群活性反馈PSO进化算法SAF-PSO。利用群活性加速度作为多样性测度,当群活性加速下降时,对粒子的位置和速度分别执行进化和变异操作,增强粒子跳出局部最优的能力,提高寻找全局最优的几率。对基准函数的仿真结果表明,与其他PSO算法相比,该算法具有更强的全局搜索能力和更高的寻优精度。     

筛选和记忆相结合的粒子群算法*

针对粒子群算法优化高维复杂问题出现局部最优的缺陷,提出初始粒子筛选和最差粒子记忆相结合的粒子群算法。利用熵度量粒子分量分布的均匀性,只有各分量满足均匀性要求时,该粒子才被筛选为初始粒子,以控制粒子在解空间的分布。在速度更新过程中引入最差粒子,避免粒子重复搜索曾经找到的最差位置,以提高算法的搜索效率。根据粒子寻优的成功率动态调整权重,以有效平衡深度和广度搜索能力。用本文算法优化6个经典测试函数,与3种改进的PSO算法相比,本文提出的算法不仅可以平衡局部和全局的搜索能力,还可以提高算法的搜索效率和精度。     

基于混合的GA-PSO神经网络算法

粒子群优化(PSO)算法是一类随机全局优化的技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出了一种基于GA和PSO混合的算法(GA-PSO)用于神经网络训练。算法在产生下一代时,结合了交叉、变异算子和粒子群算法中的速度—位移公式,充分利用了遗传算法的全局寻优和粒子群算法收敛速度快的优点。经GA-PSO训练的神经网络应用于三元奇偶问题和IRIS模式分类问题,与BP、GA和PSO算法相比,该算法在提高训练误差精度的同时加快收敛速度,并能有效避免早熟收敛。仿真结果表明,GA-PSO算法是有效的神经网络训练算法。     

基于子区域的粒子群优化算法研究

针对粒子群优化(PSO)算法在寻优时容易陷入局部最优的不足,提出一种基于子区域的PSO算法。将搜索空间划分成若干个子区域,在各个子区域中均使用标准PSO算法进行寻优,通过比较各个子区域的全局最优解,从而得出整个搜索空间的全局最优。与标准PSO算法及自适应变异PSO算法的比较结果表明,该算法能降低在寻优过程中陷入局部最优的概率,具有较强的寻优能力。     

基于混沌云模型的粒子群优化算法

针对传统粒子群优化（PSO）算法寻优精度不高和易陷入局部收敛区域的缺点,引入混沌算法和云模型算法对PSO算法的进化机制进行优化,提出混沌云模型粒子群优化（CCMPSO）算法。在算法处于收敛状态时将粒子分为优秀粒子和普通粒子,应用云模型算法和优秀粒子对收敛区域局部求精,发掘全局最优位置;应用混沌算法和普通粒子对收敛区域以外空间进行全局寻优,探索全局最优位置。应用特征根法对CCMPSO算法的收敛性进行分析,并通过仿真实验证明,CCMPSO算法的寻优性能优于其他常用PSO算法。     

基于精英克隆选择的粒子群优化算法研究与应用

粒子群算法(PSO)是一种基于迭代的智能算法,具有较好的全局搜索能力,但局部搜索能力较弱.针对粒子群算法容易陷入局部最优不足这一问题,本文提出了一种精英克隆选择的方法.该算法在基本粒子群算法的基础上保留了种群中的若干个精英粒子,然后将这些精英粒子进行克隆复制,并将复制之后的粒子进行变异操作,再将变异之后的粒子与变异前的粒子进行亲和度的比较,保留下来亲和度提高的粒子并替换之前适应值较差的粒子,通过这种方式增强了种群的多样性,从而避免了粒子陷入局部最优的问题.此外,本文引入了新的改进惯性权重的机制,根据粒子位置和速度的情况自适应地改变惯性权重,这样避免了粒子盲目运动,更有针对性的寻找最优解.对4个高维复杂函数寻优测试,分别从平均精度和标准差这两方面进行分析,结果表明改进之后的算法在寻优精度和稳定性方面都超过了基本PSO,从仿真图像中可以看出改进之后的算法在迭代末期跳出了局部最优更接近全局最优值.最后将这种改进的算法应用到优化乙烯、丙烯的收率模型中,应用结果表明当裂解原料属性发生改变时,本文提出的算法可以很快完成对操作变量的寻优,显著提高了“双烯”收率.     

基于改进粒子群优化的模糊熵煤尘图像分割

针对基本粒子群算法易陷入局部最优和过早收敛的缺陷,提出权重因子自适应的粒子群算法,并对部分粒子进行Morlet变异操作,由此得到改进粒子群优化算法.将该算法和模糊熵相结合并用于图像分割,利用改进粒子群优化算法来搜索使模糊熵最大的参数值,得到模糊参数的最优组合,进而确定图像的分割阈值.通过与其他两种粒子群算法的分割结果进行比较,该算法取得了令人满意的分割结果,且算法运算时间较小,满足煤尘浓度实时精确测量的要求.     

基于高斯变异的量子粒子群算法

粒子群算法相对于其他优化算法来说有着较强的寻优能力以及收敛速度快等特点,但是在多峰值函数优化中,基本粒子群算法存在着早熟收敛现象。针对粒子群算法易于陷入局部最小的弱点,提出了一种基于高斯变异的量子粒子群算法。该算法使粒子同时具有良好的全局搜索能力以及快速收敛能力。典型函数优化的仿真结果表明,该算法具有寻优能力强、搜索精度高、稳定性好等优点,适合于工程应用中的函数优化问题。     

基于邻域混沌PSO算法的目标分配优化方法

针对基本粒子群算法在求解火力打击体系目标分配问题时易陷入局部极值、计算精度差的局限性,提出了一种基于混沌粒子群算法（ChaosParticleSwarmOptimization,CPSO）的目标分配优化方法。在综合考虑整体毁伤效能、打击匹配度和风险概率的基础上,分析了目标分配问题的数学模型,设计了相应的粒子编码方法、更新策略和有效性修订方法,提出一种在种群最优粒子邻域内进行混沌搜索的改进策略。仿真结果表明,所提CPSO算法的性能明显优于基本粒子群算法和变异粒子群算法。     

Non-parametric particle swarm optimization for global optimization

In recent years, particle swarm optimization (PSO) has extensively applied in various optimization problems because of its simple structure. Although the PSO may find local optima or exhibit slow convergence speed when solving complex multimodal problems. Also, the algorithm requires setting several parameters, and tuning the parameters is a challenging for some optimization problems. To address these issues, an improved PSO scheme is proposed in this study. The algorithm, called non-parametric particle swarm optimization (NP-PSO) enhances the global exploration and the local exploitation in PSO without tuning any algorithmic parameter. NP-PSO combines local and global topologies with two quadratic interpolation operations to increase the search ability. Nineteen (19) unimodal and multimodal nonlinear benchmark functions are selected to compare the performance of NP-PSO with several well-known PSO algorithms. The experimental results showed that the proposed method considerably enhances the efficiency of PSO algorithm in terms of solution accuracy, convergence speed, global optimality, and algorithm reliability.     

求解均值-CVaR投资组合模型的改进粒子群算法

针对粒子群算法易跳过全局极值,且只能求解连续性问题的缺点,提出离散复形法局部搜索的思想,来有效提高粒子群算法在离散型问题中的搜索性能。针对粒子群算法易陷入局部极小的缺点,引入自适应粒子迁徙操作保证粒子的多样性,有效避免陷入局部收敛。对采用CVaR度量风险、构建有交易费用和限制证券比例的均值-CVaR投资组合模型进行仿真实验,实验结果验证了算法的有效性。将改进的粒子群算法应用到求解均值-CVaR模型的投资组合问题,与其他算法相比,该方法精度更高、性能更稳定。     

结合质心思想和柯西变异策略的粒子群优化算法

针对基本粒子群优化（PSO）算法收敛精度低、容易陷入局部最优的问题,提出了一个结合质心思想和柯西变异策略的粒子群优化算法。首先,在粒子的初始化阶段采用混沌初始化策略,以提高初始粒子的均匀分布能力;其次,为了提高粒子群的收敛速度和寻优能力,引入了质心的概念,通过计算获得种群中所有粒子所构成的全局质心和所有个体极值构成的个体质心,使得粒子群内部可以实现充分的信息共享;为避免粒子陷入局部最优解,在粒子群算法中引入了柯西变异运算对当前最优粒子进行扰动,并依据柯西变异运算的规律,适应性地调整扰动步长,该算法以群体多样性为依据,动态调整惯性权重;最后,使用7个经典的测试函数对算法进行验证,通过函数运行结果的均值、方差和最小值能够表明,新算法在收敛精度上有较好的优越性。     

基于粒子群与支持向量机的隧道变形预测模型

针对粒子群算法易早熟且在算法后期易在全局最优解附近产生振荡现象,提出一种自适应调整惯性权重的优化粒子群算法。该算法引入双曲线正切函数的非线性变化思想,使惯性权重随着迭代次数的增加产生自适应调整,有利于增强粒子搜索能力及收敛速度,不易陷入局部极值点。将该算法应用于基于支持向量机的隧道变形预测模型中,对预测模型的超参数进行优化,并利用稳态与非稳态两组实测工况数据对组合算法进行工程测试,结果表明采用SaωPSO＋SVM算法可有效提高预测模型的计算精度,增强其鲁棒性,有助于隧道变形的工程建模。     

基于新变异算子的改进粒子群优化算法

粒子群优化算法(PSO)是一种基于群体智能的优化算法。本文在介绍PSO算法基本原理和流程的基础上,分析了该算法在处理一些复杂问题时容易出现的早熟收敛、收敛效率低和精度不高等问题,提出了一种基于新变异算子的改进粒子群优化算法(NMPSO)。NMPSO算法将产生的变异粒子与当前粒子进行优劣比较,选择较优的粒子,增强了种群的多样性,有效地避免算法收敛早熟。用5个常用基准测试函数对两种算法进行对比实验,结果表明:新提出的NMPSO算法增强了全局搜索能力,提高了收敛速度和收敛精度。     

哈夫曼编码的协同粒子群优化算法

针对粒子群优化（PSO）算法在优化问题过程中易陷入局部最优的问题,提出一种基于哈夫曼编码的协同粒子群优化（HC PSO）算法。采用哈夫曼编码将种群划分成2个子种群并对2个子种群进行独立优化,同时,2子种群之间协同完成搜索种群的全局最优解。采用6个标准测试函数来测试算法性能。实验结果表明,该算法可以有效地避免种群陷入局部最优,具有较好的优化性能和稳定性,收敛精度得到了显著的提高。