基于划分和重分布的粒子群算法及优化策略

提出了一种新的基于划分和重分布的粒子群优化算法.新算法将粒子划分为普通和优化两类.普通粒子随机产生,速度快,侧重全局搜索;优化粒子紧随群体最优并且速度较慢,侧重局部收敛,以提高收敛精度.当群体最优未发生变更的时间过长时,在保持群体最优的同时将粒子重新分布,以摆脱过早的局部收敛.对典型函数的测试结果表明,新算法没有增加复杂度,在摆脱解的早熟和提高解的收敛精度等方面优于基本粒子群算法.     

基于最佳粒子共享和分层搜索的并行粒子群优化算法

为提高粒子群优化算法在优化问题中的效率,本文提出了并行粒子群优化算法(BLP-SO).基本思想是并行机制 最佳粒子共享 分层搜索.主要工作包括(1)信息共享机制中引入了区域学习,使粒子更新能参考其他粒子的信息;(2)提出了粒子群两层划分模型,底层利于扩大搜索范围,上层利于全局精细搜索;(3)证明了关于粒子群和并行粒子群收敛性定理;(4)在4个基准函数上的优化实验表明,新方法比经典的IPPSO并行粒子群算法在解的精度上提高了51.93%到96.10%.     

粒子群优化算法研究进展

粒子群优化(PSO)算法是一种源于人工生命和演化计算理论的新兴优化技术.其基本思想为:每个粒子被随机的初始化以表示一个可能的解,并在解空间通过更新迭代搜索最优解.PSO的优势在于算法简单,对目标函数要求少,易于实现而又功能强大.目前,已受到演化计算领域的学者们的广泛关注,并提出了许多改进的算法.本文阐述基本粒子群的原理,给出了各种改进的算法,并展望了PSO的发展方向.     

基于改进粒子群优化算法的Ontology划分方法

为解决规模巨大的Ontology难以使用的问题,提出了一种基于改进粒子群优化算法的Ontology自动划分方法.根据Ontology划分的要求,将概念落入某个子Ontology的概率作为粒子的速度,而将概念落入的子Ontology编号组成的数字串作为粒子,设计了粒子群优化算法的适应度函数,并给出了Ontology划分算法的具体步骤.最后进行了相关对比实验,结果表明,该方法具有比其它方法更好的划分效果.     

基于模糊粒子群算法的非线性函数优化

针对非线性函数优化问题,提出一种新型的模糊粒子群算法.该算法基于模糊控制器中输入输出的模糊化处理和粒子群寻优的特点.算法在Matlab 2008环境下编程实现,针对几个典型复杂的非线性函数进行优化测试.实现结果表明:模糊粒子群算法是一种简单有效的算法,具有良好的有效性和鲁棒性.     

基于动态和谐搜索的混合粒子群优化算法

针对粒子群优化算法随维数增大群体多样性相对减小而早熟收敛的问题,在对和谐搜索算法进行适应性改进的基础上,将其引入粒子群算法中,提出一种动态和谐搜索混合粒子群优化算法(DHSPSO).该方法使得粒子在搜索初期更具遍历性,降低算法对初始值的敏感性,并通过和谐搜索算法搜索的随机性和优胜劣汰机制改善粒子群的多样性,使得算法具有更快的收敛速度与更好的全局搜索能力.以多个标准测试函数优化进行仿真测试,结果表明,DHSPSO算法在进行高维优化问题时,在寻优速度、精度和成功率等方面均显示出良好的优化效果.     

基于自适应搜索的免疫粒子群算法

经典粒子群算法由于多样性差而陷入局部最优,从而造成早熟停滞现象.为克服上述缺点,本文结合人工免疫算法,提出一种基于自适应搜索的免疫粒子群算法.首先,该算法改善了浓度机制;然后由粒子最大浓度值来控制子种群数目以充分利用粒子种群资源;最后对劣质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,不仅避免了种群退化现象,而且提高了算法的收敛精度和全局搜索能力.仿真结果表明该算法求解复杂函数优化问题的有效性和优越性.     

融合混沌和捕食搜索的混合粒子群算法

针对标准粒子群算法在处理复杂函数时存在的收敛速度慢、易陷入局部最优的缺点,提出了新的混合粒子群算法.该算法利用混沌运动的遍历性、对初始条件的敏感性等特性进行群体的混沌初始化,且捕食搜索策略可以通过调节限制级别的控制粒子群的搜索空间,从而平衡全局搜索和局部搜索.测试结果表明,新算法具有更快的收敛速度和更强的全局寻优能力.     

一种改进粒子群优化的图像恢复算法

分析图像恢复算法现有的一些问题,提出一种改进PSO的图像恢复算法.结合图像恢复算法的特性,给出了适应度函数、搜索空间和算法参数的选取,提出了用邻居最优粒子的影响来加快收敛速度的PSO改进策略和随机开扰动窗口来缩小搜索范围的改进策略.     

基于粒子群和布谷鸟搜索的BP神经网络优化方法研究

针对BP神经网络初始化敏感性高、易陷入局部最小值的问题,研究基于粒子群优化和布谷鸟搜索融合的BP神经网络优化方法,提出一种分层的融合优化模型MB-PSO-CS-BP。该方法在下层使用Mini-Batch算法将粒子群分割为小种群,利用粒子群优化算法进行局部搜索;在此基础上采用布谷鸟搜索算法进行全局搜索,从而减小BP神经网络初始化的敏感性,减缓其陷入局部最优的症状。在实际应用领域的数据集上对所提出算法进行实验验证。相较于一般的PSO-BP模型与CS-BP模型,所提出的MB-PSO-CS-BP融合模型在全局最优值、均方误差等多个评估指标上有所改进,进一步提升了利用BP神经网络进行预测的准确性与稳定性。     

一种搜索空间自适应变化的自适应粒子群算法

提出一种搜索空间自适应的自适应粒子群优化算法.该算法对不同等级的粒子适应值采取不同的惯性权重,并随着算法的迭代不断缩小粒子群的搜索空间.同时,选择当前代的较优部分粒子直接进入下一代,其他粒子通过在缩小的搜索空间内随机生成,加快了种群收敛速度,同时又能使种群不断跳出局部最优解.几种典型函数的仿真实验表明,该算法在收敛速度...     

基于表现型共享的多目标粒子群算法研究

在多目标粒子群算法中,粒子的飞行由自身的最优位置和指导粒子决定,如何定义适应度选出合适的指导粒子,指导搜索过程向全局Pareto最优区域飞行,并保持种群在最优前端的多样性是算法的关键问题.针对上述问题,构造了同时考虑粒子的Pareto占优情况和目标空间邻近密集度的表现型共享适应度函数,在此基础上提出一个基于表现型共享的多目标粒子群优化算法(MOPSO).为了验证算法的有效性,采用占优等级指标来分析近似解集的占优情况,并采用EPS、HYP和R2指标来衡量解集的分布情况.实验结果表明,算法具有较强的全局搜索能力,能在较小的计算代价下获得较好的Pareto前端近似.     

一种改进的粒子群优化算法

针对粒子群优化算法在迭代后期容易陷入局部最优、收敛速度变慢,精度降低、计算效率变差等缺点,提出了一种改进的粒子群优化算法.此算法通过引入惯性权重来调节粒子的速度变化,动态变化的学习因子来平衡粒子的社会学习能力和自我学习能力.通过测试函数检验,结果显示该算法能够有效摆脱局部最优,整个收敛速度明显变快,精度大幅提高.     

改进的粒子群算法及在数值函数优化中应用

为提高粒子群算法的优化能力,提出了一种改进的粒子群优化算法。在该算法中,采用Beta分布初始化种群,采用逆不完全伽马函数更新惯性权重,在速度更新式中,引入了基于差分进化的新算子,对于粒子的越界处理,采用了基于边界对称映射的新方法。以50个不同类型的数值函数作为优化实例,基于威尔柯克斯符号秩检验的测试结果表明,该算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和量子行为粒子群算法。     

基于改进粒子群算法光伏最大功率跟踪

不断变化的外部环境对光伏列阵的输出有着特殊的影响,为减小能量损失,须对光伏阵列进行最大功率点跟踪（maximum power point tracking,MPPT）。粒子群优化算法（particle swarm optimization,PSO）在多峰值寻优中具有良好的性能,然而粒子在寻优的过程中经常出现过早收敛的现象,导致其寻优精度有所欠缺。为了解决以上的缺陷,本文提出一种改进的自适应粒子群(improved particle swarm optimization,IPSO)与布谷鸟搜索（cuckoo search,CS）混合算法应用于最大功率点跟踪。并在MATLAB/Simulink平台中搭建仿真模型对混合算法进行验证,并与其他方法进行比较,仿真结果证明,本算法有良好的响应速度和较高的优化精度。