非线性随机扰动的粒子群优化算法

在惯性权重非线性递减策略的基础上,引入小阻尼振荡函数,提出一种新的非线性递减随机扰动的粒子群算法,通过2个基准测试函数对算法性能和收敛性进行了分析.实验仿真表明：相对于标准粒子群算法,新策略加快了收敛速度,在一定程度上避免了粒子群优化算法的早熟收敛问题.     

不同惯性权重设置的粒子群算法的仿真实验

惯性权重是粒子群算法的一个重要参数.为了验证惯性权重对粒子群算法性能的影响,选取3个有代表性的惯性权重设置,与线性权值递减策略进行各个方面的比较,采用3个标准测试函数测试这些策略对算法的影响.实验结果表明采用w1PSO的惯性权值设置方式,所取得的效果要优于其他惯性权值策略.     

惯性权重自适应计算的粒子群优化算法

针对标准粒子群优化算法易出现早熟收敛及寻优精度低等缺陷,提出一种自适应惯性权重计算方法 MACIW,该方法的基本思想是:构建保持大小关系恒成立的惯性权重计算式的集合,确立该集合与粒子聚集度因子之间的映射关系,依据该映射关系通过监测粒子聚集度因子来自适应地计算惯性权重。进一步地,设计了基于MACIW的自适应PSO算法APSOM。使用6个基本测试函数对APSOM算法及其他2个算法进行仿真实验比较,结果验证了算法APSOM能增强寻优能力,且具有较强的稳定性。     

粒子群算法中惯性权重研究及实验分析

惯性权重是粒子群算法的一项重要参数,其值变化形式直接影响粒子群算法的性能。在介绍粒子群基本算法的基础上,分析已有固定惯性权重、时变惯性权重和动态自适应惯性权重粒子群算法的基本原理。通过4个典型测试函数的仿真实验,证明不同算法的收敛速度和全局寻优能力。     

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．     

粒子群算法在求解非线性方程组中的应用

求解非线性方程组是科学技术和工程应用中的常见问题.文章把求非线性方程组的解归结为一个函数优化问题,并将带惯性权重粒子群算法用于非线性方程组的求解中,克服了牛顿法初始点不宜选择的问题.试验结果表明算法的有效性和可行性.     

一种基于粗糙集和粒子群优化算法的权重确定方法

为了克服基本粗糙集理论确定权重的不足,提出一种新的基于粗糙集和粒子群优化算法的权重确定方法.该方法先利用粗糙集和粒子群优化算法对决策表进行属性约简,对约简后的决策表再用粗糙集方法计算属性权重.运用该算法对教师职业倦怠与压力数据进行分析,得到影响教师职业倦怠的各种压力因子的权重.研究结果表明,基于粗糙集和粒子群优化算法可以对决策表的权重进行有效的分析.     

一种自适应变异二进制粒子群算法

针对二进制粒子群算法(BPSO)具有过早收敛的缺陷,在粒子位置更新后提出变异概率自适应从大到小的变异操作。 同时对算法惯性权重参数采用递增的设置方案,从而得到一种自适应变异BPSO 算法(AMBPSO),将其应用于特征选择问题。 实验结果表明,提出的新算法前期具有较强的全局搜索能力,后期具有较强的局部搜索能力,能使平均选择特征数量最多从27.6 个减少到20.2 个,平均分类准确率最多从91.346%提升到94.135%。     

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。     

带自适应变异的粒子群优化算法改进研究

针对函数优化的非线性特点,在标准粒子群优化算法的基础上,提出了一种带自适应变异的粒子群优化算法.该算法对惯性权值进行参数设计,建立非线性递减策略曲线模型,通过设置校准系数,改变惯性权值的曲线变化率,使其随迭代过程进行自适应变化.通过在迭代初期选取较大的惯性权值,增强算法的局部寻优能力,加快算法收敛速度,而在迭代后期选取较小的惯性权值,提升算法的全局搜索性能.同时,在算法中引入变异机制,增加种群的多样性,从而更好地提升算法由局部到全局的开放式搜索能力.通过选择基准测试函数对几种算法进行性能测试,证明改进算法收敛速度快、精度高,总体性能优于对比算法.     

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。     

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.     

粒子群与差异演化的混合进化算法研究

将标准粒子群（PSO）算法和差异演化（DE）算法混合进行进化,把差异演化算法的优势带入到粒子群算法中,利用差异演化算法其本身具备的对粒子个体的交叉和变异操作使标准粒子群算法种群保持寻优所需的多样性．并将这种算法与标准粒子群算法、G-PSO算法等进行了对比研究,通过混合进化的方法使粒子群种群保持多样性,实验结果表明新算法避免陷入“早熟”或“停滞”的能力大大提高．     

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...