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...     

动态自适应粒子群优化算法

针对粒子群算法存在局部最优,易陷入局部最小值的问题,提出了一种基于早熟收敛程度的惯性权重的评价方法,来动态调整惯性权重的自适应粒子群优化算法DAPSO（Dynamic Adaptive Particle Swarm Optimization）,通过仿真并于其它算法相比较,验证了算法的有效性。     

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。     

一种快速自适应粒子群算法

为了解决标准粒子群优化算法(SPSO)不能适应复杂非线性优化过程的问题,提出了一种动态改变惯性权重的快速自适应粒子群优化算法(QAPSO),直接利用群粒子的位置分布情况控制粒子飞行的惯性权重,借助于个体最优位置和全局最优位置的平均作用避免粒子陷入局部最优。通过多个基准函数仿真结果表明,在不引入额外设计及增加实现复杂度的前提下,相对于SPOS等经典算法,QAPSO在收敛速度、最优解精度等方面获得了大幅提升,尤其对于多峰函数效果更明显。     

基于粒子群算法的排课系统设计

排课问题是一个有约束的、多目标的组合优化问题.在针对遗传算法在求解该问题时搜索效率较低的情况下,提出了一个基于粒子群的排课算法.在算法设计过程中,考虑排课过程中所出现的各种时间、空间资源的冲突情况,设计了一种基于粒子群优化算法来实现时间和空间两种资源的优化.利用C#程序设计语言实现了基于粒子群算法的排课系统,实验和测试结果也验证了其有效性和系统的可用性.     

粒子群圆检测算法

针对基于霍夫变换类圆检测算法计算量大、耗时长等问题,提出了一种基于粒子群算法的圆检测算法。该算法通过对图像进行灰度化、滤波去噪与边缘检测等预处理获取边缘图像后,再从中随机选取两点之中点作为初始粒子位置,通过设置最大迭代次数与阈值克服粒子陷入局部最优问题及判断是否检测到圆。对比粒子群圆检测算法与Open CV 3.0中霍夫变换圆检测算法实验数据,结果表明,粒子群圆检测算法在同样检测背景下,检测效果相同,所需时间最短。     

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。     

面向全局优化的混沌粒子群遗传算法

结合遗传算法(GA)和粒子群算法(PSO)的优点以及混沌运动的特性,提出了混沌粒子群遗传算法(CPSO-GA),并使用五个高维非线性测试函数考察此算法的性能。在固定进化代数、所调用目标函数次数接近以及固定收敛精度三种情况下对算法进行数值试验,结果表明,与其他文献中提出的算法相比,CPSO-GA能100%地找到最优解,收敛效果及寻优能力好,并能有效摆脱局部极小点,且调用目标函数次数最少,大大降低了计算量。     

粒子群算法在曲线拟合中的应用

分析了粒子群算法在曲线拟合中的应用,同时对个别不理想的实验数据进行了淘汰,能进行有效的数据处理。通过具体实例表明该方法实现简单,易于理解,并且还具有很高的可靠性;分析了该算法与最小二乘法的优缺点,证实该算法是曲线拟合的一种有效方法。     

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．     

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。     

一种跨邻域学习的改进粒子群优化算法

为了改善传统粒子群优化算法过早陷入局部最优解的缺点,进一步增强算法收敛性,通过使用一定范围内邻域最好位置lBest代替自身历史最好位置pBest进行速度与位置更新,以增强粒子跨邻域学习能力。使用整个群体中最好位置gBest进行速度与位置更新,可增强算法收敛性,且具有较好的全局搜索能力。在8个不同的单峰和多峰函数上系统地对3种算法进行测试与比较,实验结果表明,提出的跨邻域学习改进粒子群优化算法可避免粒子群陷入局部最优解,求解精度与算法收敛性都提升了15%以上。     

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。     

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．     

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。     

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.