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．     

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.     

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。     

求解0-1背包问题的粒子群优化算法

设计了一种用于求解0-1背包问题的粒子群优化算法,阐述了算法求解0-1背包问题的具体操作过程.通过对其它文献中仿真实例的计算和结果对比,表明了该算法对求解0-1背包问题的可行性和有效性.     

简化粒子群优化算法改进研究

简化粒子群优化算法（sPSO）去掉了PSO中的速度项,使算法性能有了显著提高。文章以该算法为基础,讨论了sPSO的改进方向,然后提出了惯性权值优化的简化粒子群优化算法（wsPSO）以及带极值扰动和惯性权值优化的简化粒子群优化算法（wtsPSO）,并通过实验验证了改进的有效性节。     

改进的小生境粒子群优化算法

传统的小生境粒子群优化算法（NPSO）需要两个参数的输入,一个是判断子群合并的阈值,另一个是子群产生的阈值。参数设置的不当,将直接影响计算结果。引入一个函数判断两个点是否在同一座山峰上,以克服NPSO算法需要输入参数的弊端。在程序运行时,无须严格限定小生境的半径,也不需太多的先验知识。实验结果证明,该算法合理有效,能够能快速有效地找到多峰函数的全局最优点。     

改进粒子群优化算法的IIR数字滤波器设计

通过引入变异算子对粒子群优化(PSO)算法进行改进,能很好克服粒子群的早熟收敛问题.将该改进的算法用到无限冲激响应(IIR)数字滤波器的设计,具有寻优速度快,设计精度高,自适应能力强等优点.     

基于粒子群算法求解整数规划的改进方法

标准粒子群算法主要用于优化连续性,而对粒子群算法求解非线性整数规划,算法的粒子位置必须解决取整问题。基此,文章提出一种粒子位置最终取整的方法,以改进粒子群算法解决整数规划的具体过程。基准函数的仿真结果表明,改进后的取整方法的搜索成功率优于直接取整和随机取整,综合搜索效率更佳。     

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。     

一种基于模拟退火粒子群的信赖域算法

针对信赖域算法求解非线性优化无法找到局部最优解的问题,提出一种基于模拟退火粒子群的信赖域算法.该算法先利用模拟退火改进粒子群的后期寻优能力,克服＂早熟收敛＂,再与信赖域算法结合,有效求解无约束化信赖域子问题。数值实验表明,新算法具有良好的全局寻优能力和收敛能力,计算精度高。     

模拟退火算法及其改进形式

对模拟退火算法及其改进形式进行了综述,讨论了各种改进形式的特点,并指出并行算法是一种比较理想的改进方法．     

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LM和SA的混合优化算法

针对LM算法及模拟退火算法各自存在的不足,提出一种交替使用二者的混合优化算法（SALM算法）.该算法先通过模拟退火算法粗调得到一组全局最优近似解,再以该近似解为初值,交替使用模拟退火算法和LM算法,直至发现满意的最优解.实验结果表明,新算法不但具有模拟退火算法的全局收敛特性而且保留了LM算法的局部收敛速度,克服了单纯模拟退火算法所产生的随机性和概率性问题,也弱化LM算法对初始条件的依赖程度,保证了求解的速度和精度。     

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。     

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.     

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。     

基于并行模拟退火算法的TSP问题求解

针对标准模拟退火算法串行优化单个解，优化过程较长、效率较低的弱点，提出一种基于多种群群体优化的并行机制。该机制通过将单个解的串行优化转化为许多个解同时进行的并行优化来提高算法的整体优化效率。利用该算法求解TSP问题能够显著提高优化效率，仿真结果表明该算法是有效的。     

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。