粒子群算法的收敛性和多样性分析与优化

针对粒子群优化算法的收敛性和多样性问题,提出一种基于混沌优化的震荡粒子群优化算法。该算法利用混沌特性和震荡环节扩大粒子搜索的遍历性,将混沌状态引入到优化变量使粒子获得持续搜索的能力。实验测试证明该算法不仅能保持种群的多样性,而且能有效避免算法陷入早熟收敛现象。     

粒子群优化算法研究

为更好地改进粒子群优化算法（Ps0）并为深入研究该算法提供相关资料,在分析PSO的基本原理和对算法在惯性权重、收敛性等方面进行深入调查的基础上,介绍了算法的多种改进形式和研究现状,阐述了PSO的数学研究现状与发展趋势,指出对PSO系统的理论研究及其性能的进一步改进和应用是PSO的发展趋势．     

无约束的粒子群优化算法

粒子群优化算法最早是针对无约束连续优化问题而提出的。通过总结传统粒子群优化算法改进的研究工作,介绍了一种针对无约束函数优化问题的基于混沌搜索的粒子群算法和一种结合模拟退火策略的粒子群算法。这两种算法实用性较强、优化效果明显。     

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。     

模拟退火改进粒子群优化算法求解优化问题

针对粒子群优化算法后期易陷于局部最小的缺点,引入模拟退火思想,建立模拟退火—粒子群优化算法。通过求解函数优化问题对比实验,表明改进后的粒子群优化算法增强全局寻优能力,搜索成功率大为提高。     

粒子群优化算法及其应用

介绍了粒子群优化算法及该算法的优越性,并与遗传优化算法进行了比较;针对经典粒子群算法存在的不足,介绍了一个改进的动态改变惯性权的自适应粒子群算法;最后,以神经网络为例给出了粒子群优化算法的应用.     

基于MATLAB的粒子群优化算法程序设计

阐述了粒子群算法的基本原理,探讨了在MATLAB环境中实现粒子群算法的编程方法,构建粒子群算法工具箱函数,通过仿真示例验证了该方法的有效性,表明它能够对函数进行全局优化.     

基于VB语言的粒子群优化算法描述

粒子群优化算法是基于群智能的随机优化算法,目前已广泛应用于神经网络、非线性函数优化、模式分类、模糊系统控制等,特别适合工程应用。本文首先介绍传统的PSO算法原理及算法流程,最后用VB语言实现算法的伪码。     

基于粒子群算法的可靠性优化

系统可靠性优化已被证明是一个NP完全问题,不存在精确的求解方法。人们构造了大量的启发式算法,如遗传算法(GA),蚁群算法(ACO),模拟退火算法(SA)等。针对各种算法所存在的早熟收敛,易陷入局部极值点的缺点,提出了将粒子群算法(particle swarm optimization,PSO)用于求解可靠性问题。给出了基于粒子群算法的可靠性优化求解策略,根据数学模型,详细讨论了求解步骤,最后给出了实验仿真结果。结果表明该算法具有较强的局部搜索能力,同时也有更高的搜索效率,与其它方法相比,该算法能够找到更优解,验证了该算法的可行性和有效性。     

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.     

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。     

基于粒子群算法的毕业设计质量因素分析

采用粒子群算法分析了选题和指导教师因素对于数学、软件工程及计算机三专业学生毕业设计质量的影响,结果显示对于不同专业,质量因素的影响是不一样的,因此需要针对性地给出改进措施;然后基于分析结果给出了对导师遴选及课题筛选工作的改进建议。     

一种离散型多目标粒子群优化算法

为获得更好的非劣前端,提出一种离散型多目标粒子群优化算法。该算法根据离散型多目标优化问题的特点,将种群分成多个子种群,在各个子种群中利用表现型共享的适应度函数选择每个子种群的最优粒子。通过多个最优粒子的引导,使整个种群分布更均匀,避免陷入局部最优,保证了解的多样性。实验表明了该算法的有效性。     

基于粒子群算法的PID控制器研究

常规PID算法,在被控对象具有不确定、非线性、变参数等因素的复杂环境中,难以满足控制要求,因此采用粒子群算法PSO（particle swarm optimization）对PID算法的Kp,Ki,Kd 3个参数进行在线整定.利用MATLAB软件对常规PID控制及粒子群PID控制进行仿真实验,仿真结果显示,相较于常规PID算法,PSO-PID控制算法具有更好的快速性和稳定性.     

带障碍的量子粒子群聚类算法

典型的基于空间约束的划分聚类算法采用基于梯度下降的搜索方法,存在着易陷入局部极值和对初始值敏感的问题,因此提出带障碍的量子粒子群聚类算法。新算法重新定义了数据点绕过障碍物的距离函数,提出了粒子逃逸原则以避免聚类中心点陷入障碍物中,并且在很大程度上克服了划分聚类的缺点。实验结果证明了该算法的有效性和准确性。     

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。     

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.     

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．