基于动态扰动项的禁忌粒子群优化算法

针对粒子群优化算法后期收敛速度慢,且容易陷入局部最优解的缺点,在算法中加入动态扰动项,改变了速度的更新公式,使粒子可以跳出局部极值.后期引入禁忌搜索算法,充分利用禁忌搜索的记忆能力和爬上能力,能够快速搜索到全局最优解.通过对测试函数的仿真实验表明,采用动态扰动项的禁忌粒子群优化算法更能提高收敛速度,获得全局最优解.     

基于禁忌搜索的混合粒子群优化算法

针对粒子群优化算法（PSO）易于陷入局部最优解并存在早熟收敛的问题,利用禁忌搜索算法较强的“爬山”能力,搜索时能够跳出局部最优解,转向解空间的其他区域的特点,提出了一种新的基于禁忌搜索（TS）的混合粒子群优化算法（TS—PSO）,并选用两个函数进行测试．结果表明,TS—PSO比其他改进粒子群算法更能提高收敛速度,获得全局最优解．     

一种新型的被动启发式粒子群优化算法

标准粒子群优化(SPSO)算法具有参数少、鲁棒性好、易于实现等优点,但同时也具有收敛慢、易于陷入局部极值点等缺点.在SPSO算法基础上,通过在其粒子速度更新公式的自我认知部分和社会经验部分引入惯性学习因子(ωc1,ωc2),提出一种新型的被动启发式粒子群优化算法(PHPSO).分别采用SPSO和PHPSO两种优化算法对测试函数进行求解,将这两种算法的优化过程进行比较分析,结果表明,与SPSO算法相比,该文提出的PHPSO算法收敛速度大幅提高,且更易得到全局最优解,收敛精度更高.     

基于禁忌粒子群优化的FCM聚类方法

针对模糊C-均值算法(FCM)对初始值敏感的问题,提出禁忌搜索粒子群算法来优化FCM算法初始聚类中心.该混合算法是以粒子群算法为主体,禁忌算法针对粒子群算法的输出做更新,以避免单一使用粒子群算法而陷入局部最优的困境.算法保留了粒子群算法的并行处理能力,同时利用了禁忌搜索算法跳出局部最优解的特性,加快了整体算法的收敛速度并提高了聚类的准确率.     

一种信息点多样性的粒子群优化算法

针对PSO在寻优后期尤其在高维搜索空间中无法得到满意结果,提出了一种信息点多样性的改进粒子群优化算法。粒子个体最优位置及全局粒子最优位置是两个有用的精确的信息点,而PSO的信息交互方式正依赖于这两个信息点,从多样性方面考虑,将该有用的信息点增加为粒子个体最优位置附近随机的一点。实验仿真结果表明,新算法的全局搜索能力、收敛速度、精度和稳定性均有了显著提高。     

基于改进粒子群算法的电力系统无功优化

简单介绍了基本的粒子群算法,阐述了在电力系统无功优化中的数学模型和变量的约束条件。对于粒子群算法容易陷入局部最优解和后期收敛速度比较慢的问题提出了两个改进的方法,并且在IEEE-6节点系统上进行仿真实验,证明了本算法的可行性和优越性.     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法．介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用，并对其将来的发展进行了展望．     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法.介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用,并对其将来的发展进行了展望.     

基于量子粒子群算法的测试数据自动生成算法

本文针对现在流行的进化算法生成测试数据存在参数设置难、算法复杂度高、易陷入局部最优解等缺点,提出了一种应用于软件测试中的基于量子粒子群算法（QPSO）的测试数据自动生成算法。该算法是在粒子群（PSO）算法基础上引入量子理论的思想。解决了PSO算法搜索空间有限,容易陷入局部最优解的问题。通过具体实验证明,该方法是有效可行的,其效率也明显高于GA算法和PSO算法。     

改进的粒子群优化算法

粒子群优化算法是一种基于群体的自适应搜索优化算法,存在后期收敛慢、搜索精度低、容易陷入局部极小等缺点,为此提出了一种改进的粒子群优化算法,从初始解和搜索精度两个方面进行了改进,提高了算法的计算精度,改善了算法收敛性,很大程度上避免了算法陷入局部极小.对经典函数测试计算,验证了算法的有效性.     

融合PSO算法思想的进化算法

粒子群算法(particle swarm optimization,PSO)是仿真于生物群体的社会行为的一种智能优化算法,其原始形式难以体现数学的直观性和本质性。然而,在简化算法原始模型的基础上,PSO算法的理论分析得到其数学模型,并且说明了其是一个迭代进化系统。利用PSO算法的数学模型代替标准PSO算法速度及位置的迭代公式,并选择适当的参数,从而构造了一种新的进化算法。新的进化算法形式更能直接体现PSO算法的数学思想。经仿真试验表明,新的进化算法效果不差于标准PSO算法,并且参数少且容易分析。     

多角色多策略多目标粒子群优化算法

针对粒子群算法在解决复杂多目标问题时存在过早收敛和多样性不足的问题,提出多角色多策略多目标粒子群优化算法(MOPSO_RS). 该算法根据粒子的角色划分指标,给不同性能的粒子赋予不同角色;提出多策略的学习参数调整方法和多策略的全局最优粒子选取方法,帮助种群执行各种搜索策略. 不同的学习参数使各角色粒子获得不同的搜索策略,以调整粒子的探索和开发能力. 不同的全局最优粒子使各角色粒子搜索不同区域,提高种群的搜索效率. 为了避免算法陷入局部最优,引入带有高斯函数的变异算子,使粒子根据其角色朝向不同的全局最优粒子变异,提高算法的求解精度. 实验结果表明,对比其他改进多目标算法,MOPSO_RS具有良好的收敛性和多样性,并验证了所提策略的有效性.     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合，既摆脱了算法搜索后期易陷入局部极值点的缺点，同时又保持了前期搜索的快速性，最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比，比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法．     

基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合,既摆脱了算法搜索后期易陷入局部极值点的缺点,同时又保持了前期搜索的快速性.最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比,比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法.     

一种适用于电网扩展规划问题的边界搜索粒子群优化算法

针对电网扩展规划问题,根据粒子群算法收敛性受初始粒子分布影响较大的特点,结合边界搜索思想,提出了一种粒子群初始化方法。该方法利用边界搜索策略对粒子群进行初始化,使粒子初始化在安全边界附近,优化了粒子群的初始化范围。最后通过算例证明了这种方法应用于电网规划的有效性。     

基于粒子群优化的结构系统识别

研究了使用粒子群优化(PSO)算法进行结构系统识别的方法,该方法的基本思想是将结构系统识别问题描述成一个多峰值非线性非凸的优化问题,通过PSO算法发现系统参数的最优估计。利用该方法在输入输出数据不完备且噪声污染条件下,同时在没有系统质量、刚度等先验信息的情况下对结构系统进行了识别,并与基于遗传算法(GA)的结构系统识别方法进行了比较。数值算例及比较结果表明:PSO方法易于实现且计算时占用资源低,并可以成功地对结构系统进行识别,识别效能十分优越。     

粒子群优化算法在函数优化上的研究与发展

粒子群优化算法(PSO)与其他演化算法相似,也是基于群体的。每个粒子被随机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。该算法的特点是简单容易实现而又功能强大。该算法最初被提出来主要应用于函数优化。经过几年的发展,已经出现了大量的改进算法。本文总结了这些改进算法的基本主要形式,并给出了未来可能的研究方向。     

水系统优化的粒子群算法分析

针对水系统集成优化问题,采用4种粒子群算法进行求解,并对算法进行了改进。通过算例分析了粒子群算法用于水系统优化时的计算特性。研究表明:在水系统集成优化时,基于混沌局部搜索的粒子群算法较适于该问题的计算。     

求解调度问题的粒子群算法编码方法研究

利用粒子群算法求解调度问题的关键是建立有效的粒子编码结构。介绍了作业车间、流水车间和并行机调度等3类典型调度问题的特点,阐述了求解调度问题的粒子群算法结构,指出设计粒子群算法编码方法需要考虑的3个关键问题。提出3种求解不同调度问题的粒子群算法编码方法,并从生成调度解的可行性和有效性、粒子群计算模型的适用性和解码过程的复杂性等几个方面对粒子编码方法进行分析。以作业车间调度问题为例,验证了所提粒子编码方法的有效性。