一种求解背包问题的改进离散粒子群优化算法

文章提出了一种改进的离散型粒子群优化算法,该算法重新定义粒子群优化算法的速度和位置公式,使其适用于离散问题.将该算法应用到典型的组合优化问题(0-1背包问题)的求解中,仿真实验表明了该算法的有效性.     

协同控制多目标粒子群算法研究

针对现有的多目标粒子群算法易陷入局部最优、难以平衡收敛性和多样性等方面的问题,提出一种协同控制多目标粒子群算法(CCMOPSO)。首先,算法脱离Pareto支配关系采用成就标量函数更新pbest。其次,提出了一种平均角度和最低距离相结合的协同策略,以删除外部存档中性能不好的非劣解。从而对存档进行维护,平衡收敛性和多样性,有利于非支配解逼近Pareto前沿。最后,将CCMOPSO算法与几个多目标优化算法在15个测试问题上进行仿真实验。实验结果分析表明CCMOPSO算法的有效性可以很好地平衡收敛性和多样性,避免陷入局部最优。从而说明CCMOPSO算法在处理多目标优化问题表现出较强的竞争力。     

改进的粒子群优化算法实现多目标智能组卷

通过对粒子群优化算法和智能组卷策略的研究,建立了组卷的数学模型,阐述了基本粒子群优化算法的主要思想．提出了改进的粒子群优化算法适应度函数的设计方法和粒子迁移算法,实现了将一次多目标组合优化问题转换为多次单目标组合优化问题。     

多目标粒子群优化算法在PID优化设计中的应用

为了克服PID控制器参数整定时适应度函数权重难以选择的问题,提出一种多目标粒子群优化算法。该算法不需要设置权重参数,采用精英归档策略,按照Pareto最优原则,对控制系统阶跃响应的超调量和上升时间两项指标进行优化,从而实现PID控制器参数的自动整定。仿真结果表明,该算法可以获得大量优质Pareto最优解,解的质量优于其它方法。     

一种改进的权均值粒子群优化算法

针对粒子群优化算法的早熟收敛和进化后期收敛速度慢等问题,提出了权均值粒子群优化算法。通过在"认知"部分和"社会"部分加入随机权值更新粒子的飞行速度,使粒子能够很快地收敛到全局最优点。典型函数的仿真结果表明,该算法不仅具有较好的全局收敛性能和较快的收敛速度,而且有效地避免了早熟收敛问题。     

基于蚁群粒子群混合算法的多目标优化在供水管网优化设计中的应用

在城市供水系统中,管网的铺设费用占很大比重。如何最大限度降低建设成本而又保证供水的可靠性,是供水管网设计的重点和难点。基于供水管网的固有特性,结合蚁群、粒子群算法的优点,将蚁群粒子群混合算法应用到供水管网设计的多目标优化中。将蚁群中的信息素、启发因子、信息素挥发度参数映射到粒子群算法中粒子的位置坐标,通过粒子迭代寻找最优位置,并将蚁群算法通过特定信息素更新方式并限制迭代次数来进行优化,再将粒子最优位置反馈到优化后的蚁群算法中,寻找最优解。通过此算法,优化了供水管网中管径的选择,在保证供水管网可靠性的前提下,尽量缩减建设费用,为决策者提供更加经济实用的决策参考。     

一种改进的粒子群优化算法

为了克服传统粒子群算法（Pso）的早熟和局部最优问题,通过分析基于惯性权重的粒子群优化在粒子寻优过程中的可行性,提出了一种变惯性权重的改进PSo算法,并对经典的测试函数进行TN试。实验结果证明,与传统PSO算法以及基于惯性权重的PSO相比,改进算法的寻优效果较好,全局搜索能力有显著提高,并能有效地避免早熟收敛问题。     

嵌入Circle映射的混合策略多目标粒子群算法

多目标粒子群算法具有收敛速度快、原理简单和易于实现等优点,被广泛应用于解决多目标优化问题。然而,它存在容易过早收敛、陷入局部最优等缺点。针对上述问题,提出了一种嵌入Circle映射的混合策略多目标粒子群算法(CMEMOPSO)。当粒子当前位置与其个体历史最优位置互不支配时,在一定概率下,利用Circle映射调整粒子位置,使其找到更优的解。同时,若外部存档达到预定阈值,则使用结合个体密度和拐点距离的混合评价指标评估非劣解的综合性能,去除较差的非劣解以实现对外部存档的更新,提高算法的综合性能。最后,利用所提出的算法在12个典型测试函数上进行实验。实验结果表明CMEMOPSO具有良好的收敛性和更快的收敛速度,它在大多数测试函数上优于其他比较算法。     

粒子群算法在重载齿轮多目标设计中的应用

粒子群优化算法是一种基于群智能的优化方法,规则简单,收敛速度快.将此算法应用于重载齿轮的多目标优化设计,建立基于粒子群优化算法的重载齿轮多目标优化设计的数学模型,实践表明可以快速、有效地求得齿轮优化解.     

一种改进粒子群通讯算法在目标搜索中的应用

针对粒子群算法应用于机器人目标搜索过程中存在的早熟现象,提出一种基于改进粒子群算法和模拟退火算法相结合的目标搜索新方法,以提高算法的全局搜索能力。为解决通讯距离有限、机器人无法与基站进行信息交互和不能实时追踪动态目标等问题,引入通讯功能。算法中机器人与基站有两种通讯方式,一种是基站跟随最优机器人移动的通讯方式,另一种是在前者基础上将机器人按一定比例分为通讯机器人和搜索机器人的通讯方式,由通讯机器人负责搜索机器人与基站之间的通讯。两种通讯方式下机器人都采用动态多目标搜索策略搜索动态多目标。在考虑通讯距离的情况下,经过仿真测试,与传统的通讯粒子群算法相比,提出的改进通讯粒子群算法能更加有效地追踪动态目标。     

一种改进的粒子群算法研究

为了克服粒子群算法易发生早熟收敛、后期迭代速度较慢、易陷入局部最优的缺点,提出了一种改进的粒子群算法。该算法采用非线性动态自适应的更新权重,进一步提高收敛速度;通过引入差分进化算法中的交叉算子,以提高算法的全局探索能力,利用差分进化算法的变异策略产生候选解,克服种群多样性的下降,以跳出局部最优。利用该算法对2个测试函数进行寻优,仿真结果表明,文章提出的算法是一种收敛速度快、收敛精度高的全局寻优算法。     

基于离散粒子群优化算法的造林规划设计

指出造林规划设计问题实质是一个离散约束优化问题。应用离散粒子群优化算法求解目标函数,以保证解的合理性法和惩罚函数法相结合处理约束条件。分析实例表明,离散粒子群优化算法可用来优化造林规划设计方案,与模拟退火算法比较,效果更好。此研究结果可为科学造林和最优化经营管理提供新思路,丰富粒子群应用领域。     

基于模拟退火步长的粒子群算法

为了提高粒子群算法的收敛速度和全局收敛性,本文在标准粒子群算法的基础上作了改进,提出了一种带模拟退火步长的粒子群算法．通过典型函数的测试结果表明新算法比原来算法收敛到最优解的次数多,提出的新算法在全局搜索能力和收敛速度方面有所提高．     

分层管理粒子群算法

粒子群算法（PSO）在每次迭代过程中,所有粒子都向着最优粒子的方向＂飞行＂,这样的趋同性使得搜索很容易陷入局部最优值.本文仿照现代管理机制提出分层管理粒子群算法（FPSO）,将粒子分为若干组进化,每一组中的最优粒子参照自身极值和整个粒子群的全局极值更新自己的位置,而该组中的其他粒子则参照自身极值和本组中最优粒子的个体极值更新自己的位置,以此增加粒子种群的多样性,解决PSO容易陷入局部最优的缺陷.试验证明：FPSO在收敛速度以及收敛精度方面都比基本粒子群算法有了很大程度的提高,特别对于多极值问题搜索效果非常好.     

一种带随机选择机制的新型改进粒子群优化算法

标准粒子群优化算法对空间所有区域等概率搜索,降低了算法效率。借鉴遗传算法的思想,本文提出一种带随机选择机制的改进粒子群优化算法。该算法将适应值选择和粒子状态更新方程结合起来,通过赌轮算法选择机制使得粒子在适应值较小的区域尽可能的降低搜索概率,在最优解可能区域尽可能加大搜索强度,从而提高算法搜索效率。通过标准进化计算测试函数测试,实验结果表明对于复杂优化问题该算法优于标准粒子群优化算法和遗传算法。     

基于改进粒子群算法的PID参数优化研究

PID控制是典型的工业控制,其核心内容是PID参数优化。为解决参数优化时不能确保得到最佳性能且耗时问题,通过改进粒子群算法学习因子,研究基于相等随机因子粒子群算法的PID参数优化,将其与标准的粒子群算法及迭代次数线性变化的学习因子进行比较。仿真结果表明,该算法性能指标tr、ts、δ%分别为1.782、3.285、14.07%,两种对比算法的tr、ts、δ%分别为1.804、4.825、24.33%和1.802、4.135、16.56%,改进算法提高了PID参数的稳定性、收敛速度和搜索精度,性能指标更优。     

求解DCMST问题的模糊离散粒子群优化算法

提出了一种求解度约束最小生成树问题(DCMST)的模糊离散粒子群优化算法(PSO),粒子编码采用Prüfer数编码机制,并引入模糊矩阵产生Prüfer数,迭代过程中加入归一化运算对位置矩阵进行修正,利用最大数法进行解模糊化。通过仿真实验验证了算法的有效性。     

具有动态学习能力的分层进化粒子群优化算法

针对粒子群算法(PSO)在优化高维多极值问题时容易陷入局部极值的问题,结合分层进化与动态学习策略,提出一种具有动态学习能力的分层进化粒子群优化算法(DHEPSO).该算法首先根据粒子适应度值将粒子划分为不同层级,对不同层级粒子采取不同的进化策略,避免迭代后期种群多样性快速消失;然后根据粒子所属层级的不同动态调整粒子学习...     

粒子群优化算法及其参数设置的研究

文章介绍了粒子群优化算法的基本原理,分析了其特点,并利用经典统计分析中的方差分析方法,分析了粒群算法中的惯性权值、加速因子的设置对算法基本性能的影响,给出算法中的经验参数设置,最后对其未来的研究提出了一些建议.