有界区域上多峰函数全局优化问题的改进演化算法

针对演化算法求解有界区域上的多峰函数全局优化问题中，保持种群多样性和搜索效率的矛盾，提出了一种结合了多样性维持机制和加速算子的改进演化算法并对算法作了收敛性分析．实验结果表明，在低维情况下，算法容易收敛于全局最优解，优于基本遗传算法；在高维情况下，虽不满足收敛条件，但算法仍能收敛到本文意义下的ε-满意解，优于基本粒子群算法．     

基于动态分级和邻域反向学习的改进粒子群算法

针对粒子群算法容易陷入局部最优解的问题,提出了一种基于动态分级和邻域反向学习的改进粒子群算法.该算法通过构建动态分级机制,将种群中的粒子动态地划分成3个等级,对不同等级内的粒子采取不同的扰动行为,使得粒子在增强种群多样性的同时保持向全局最优方向进化;采用粒子智能更新方式,提高了粒子的搜索能力;引入动态邻域反向学习点建立全局搜索策略,促使种群快速寻优.最后,利用多种典型测试函数对该算法进行仿真实验,结果表明,与其他几种优化算法相比,本算法具有较好的收敛性和稳定性.     

基于多准则决策的塔状粒子群优化算法

针对经典粒子群优化算法存在早熟、收敛精度低和收敛速度慢的问题, 提出了一种新的改进算法. 该算法采用了塔状优化互联机制, 底层粒子群负责寻找局部最优解, 顶层粒子负责收集、反馈全局最优解, 为底层种群提供全局最优信息, 建立共享学习机制. 顶层粒子一旦发现停滞现象, 将通知底层粒子群采用细菌觅食优化、随机初始化等停滞优化策略, 以改善粒子群的收敛速度. 实验结果表明, 与同类算法相比, 改进算法具有更好的寻优能力, 改善了粒子群的收敛精度和收敛速度.     

基于动态因子和共享适应度的改进粒子群算法

为提高粒子群算法的收敛速度和优化性能,避免陷入局部最优,提出了一种基于动态学习因子和共享适应度函数的改进粒子群算法.在惯性权重w随着迭代次数非线性减少而动态调整学习因子的基础上,引入共享适应度函数.当算法未达到终止条件而收敛时,利用粒子和最优解间距离挑选一批粒子重新初始化形成新群体,并用共享适应度函数对新群体进行评价,新旧2个群体分别追随自己的局部最优解直至迭代结束.对4个典型多峰复杂函数的测试结果表明,该改进算法不仅加快了寻得最优解的速度,而且提高了粒子群算法全局收敛的性能.     

一种综合学习粒子群优化算法

针对复杂多峰函数优化,提出了一种综合学习粒子群优化算法(IELPSO)。该算法把基于超球坐标系的粒子更新和辨识、加速质量差的粒子两个策略引入基于例子学习粒子群优化算法(ELPSO)。本算法利用超球坐标操作改变粒子大小和方向,因而粒子在搜索过程中能覆盖局部极小,同时能发现最差粒子并且加速它们靠拢最优解。提出的算法与其他已有算法进行了比较,对几种典型函数的测试结果表明,IELPSO算法提高了收敛速度和精度,全局搜索能力有了显著提高。     

一种多样性驱动的自适应粒子群优化算法

粒子群优化算法是一种随机全局优化算法,但它容易陷入局部最优和早熟,为了克服其缺陷,本文提出了一种多样性驱动的自适应粒子群优化(DDA-PSO)算法。本算法包括吸引阶段和驱动阶段。吸引阶段利用惯性权重线性递减机制加快粒子收敛,驱动阶段利用多样性驱动速度策略提升种群多样性。两个阶段相互自适应转换,粒子能跳出局部最优和防止早熟,算法的勘探与开拓获得自适应平衡。DDA-PSO算法与其他已有算法进行了比较,实验结果表明,DDA-PSO算法提高了收敛速度和精度,全局搜索能力得到显著提高。     

在GPU上求解大规模优化问题的反向策略的PSO算法

本文通过对传统粒子群算法(PSO)的分析,在GPU(Graphic Process Unit)上设计了基于一般反向学习策略的粒子群算法,并用于求解大规模优化问题.主要思想是通过一般反向学习策略转化当前解空间,提高算法找到最优解的几率,同时使用GPU大量线程并行来加速收敛速度.对比数值实验表明,对于求解大规模高维的优化问题,本文算法比其他智能算法具有更好的精度和更快的收敛速度.     

基于精英反向学习的混沌布谷鸟搜索算法

布谷鸟搜索(Cuckoo Search,CS)算法高效简单,但在求解复杂问题时收敛效率较低.为提高CS算法的寻优精度和收敛速度,提出了一种基于精英反向学习的混沌扰动布谷鸟搜索算法(CH-EOBCCS).该算法引入精英个体,通过精英个体反向学习生成精英反向解,从当前解和精英反向解中挑选优异个体作为下一代种群,同时,在迭代中对鸟巢位置采用混沌扰动策略,扩大种群多样性,有效的提高了算法全局搜索能力和搜索精度.通过8个标准测试函数对比实验,结果表明加入混沌扰动的精英反向学习布谷鸟搜索算法具有较强的搜索能力和较高的寻优精度.     

一种非线性自适应粒子群优化算法

针对粒子群优化算法中出现早熟和不收敛问题,分析了基本PSO算法搜索速度对其优化性能的影响,提出了一种根据速度信息非线性自适应调整参数的粒子群优化算法.在算法迭代过程中,粒子随迭代次数和递减指数确定的非线性变化的理想速度自适应调整参数进行搜索,提高了粒子群算法的性能.提出的算法经过测试函数的模拟实验验证,并与其他已有算法进行了比较.实验结果表明,该算法在搜索精度和收敛速度等方面有明显优势,特别是高维、多峰等复杂非线性优化问题时,算法的优势更明显.     

基于膜计算粒子群优化的FastSLAM算法改进

针对FastSLAM算法存在的粒子退化和粒子多样性缺失问题,提出了一种基于膜计算粒子群优化的FastSLAM算法.该算法将膜计算和粒子群优化算法相结合,利用膜计算的并行性、分布式的特点和粒子群优化算法的简单高效的优点,加速调整FastSLAM算法中粒子群的建议分布向全局最优解处收敛,在保证算法局部搜索精度的同时,扩大搜索范围,提高全局搜索的多样性,促使预测粒子更快的朝着真实的机器人位姿状态逼近,减缓粒子退化.最后利用MATLAB平台进行仿真实验.实验结果表明该算法提高了FastSLAM算法的定位精度,同时减少了系统运行时间,效率得到有效提高.