改进的多目标粒子群算法

提出了一个改进的粒子群算法并将其用于解决多目标优化问题．该算法利用粒子群算法的信息传递机制，引入多目标演化算法常用的归档技术，采用SPEA2算法的环境选择和配对选择策略，使得整个群体在保持适当的选择压力的情况下收敛于Pareto最优解集．标准测试函数的数值实验结果表明，所提出的算法能够使找到的解集快速收敛到Pareto非劣最优目标域，并且解集沿着Pareto非劣最优目标域有很好的扩展性．     

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.     

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。     

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.     

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。     

基于改进型粒子群算法的板式换热器优化设计

在板式换热器优化设计过程中,涉及到的变量较多,对有些变量的取值范围有界限约束,比如流速。本文从流速对换热效果和压力的影响出发,建立热力学模型,在基本粒子群算法上做了改进,利用此改进的粒子群算法对板式换热器流速受限的情况进行优化设计,解决了板式换热器中流速受到约束时的成本优化问题。     

一类求解方程根的改进粒子群优化算法

在群集智能研究的新进展粒子群优化算法（PSO）的基础上，从初始种群的产生、目标函数的处理的角度改进PSO，并在分析讨论代数方程根的分布规律基础上，从优化的角度求解复系数方程和超越方程．数值计算表明，改进算法具有不依赖于迭代初值、良好的适应性和较高的精度的特点，是求解代数方程根的一种成功的算法。     

粒子群优化算法的收敛性分析

根据粒子群优化(Particle swarm optimization,PSO)算法的数学模型定义粒子状态序列和群体状态序列,并分析其马尔可夫性质,引入了粒子转移概率,证明了粒子及种群的最优状态集的封闭性;进一步基于随机过程理论证明了群体状态以概率转到最优状态集,从而证明了标准粒子群算法以一定概率收敛于全局最优。 更多还原     

求解一类随机优化问题的粒子群算法

提出了一个解随机优化问题的粒子群算法.该算法易理解,程序上易实现,克服了随机优化问题难以高效实现全局优化的缺点.数值实验结果表明,所提出的算法能够快速地收敛到随机优化问题的最优解,并且具有良好的鲁棒性,是此类问题的一个高效求解算法.     

一种基于多样性策略的粒子群算法

在扰动粒子群算法的基础上,提出了一种基于多样性策略的粒子群算法(ARPPSO)。该算法通过随机扰动全局极值对速度进行更新,并在速度更新中引入吸引和排斥机制控制种群多样性,同时在位置更新公式中,利用真实物理反弹理论将解空间外的粒子反弹回解空间内,有效地保持了种群的多样性。提出的算法经过基准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,除了保持粒子快速收敛性能外,很大程度上避免了早熟收敛,提高了收敛精度。特别是在复杂多峰函数优化上具有很强的竞争力。     

混沌改进粒子群算法及其在储能电站优化调度中的应用

储能电站能够提高风电并网效益,减少弃风具有良好的发展前景。在储能电站调度策略中,粒子群算法具有较好的适应性与便捷性,但存在容易陷入局部最优的缺点。针对这一缺点,本文提出将混沌改进的粒子群算法应用到储能电站的控制之中。由于混沌具有随机性、遍历性、规律性和敏感性的特点,将混沌融入到粒子群运动过程中,可以达到粒子群稳定与混沌不断交替进行变动,从而达到全局寻优的特点。最后通过具体算例将算法改进前后进行对比,验证改进的可行性与算法的实际应用性。     

一种改进的求解多目标优化问题的蚁群算法

针对传统蚁群算法在求解多目标优化问题过程中的一些缺陷提出了一种改进的多目标优化蚁群算法。该方法在一定程度上避免了传统算法中解群体单一、收敛速度慢等缺点,并以实例加以证明。     

求解多峰函数的改进粒子群算法的研究

针对标准粒子群算法进行多峰函数优化时存在的易陷入局部极值和搜寻效率低的问题，提出了子种群划分和自适应惯性权重改进方法来求解多峰函数．根据群体微粒的相似度将粒子群分成子群体，各子群体围绕一个有最佳适应值的群体中心进行建立，并通过几个经典函数进行求解．实验表明：改进的粒子群算法能快速有效地找到多峰函数的全局最佳值．     

基于粒子群优化的神经网络预测模型

传统的BP神经网络训练算法,导致训练时间长且易于陷入局部极小点.本文将粒子群优化算法用于神经网络预测模型的学习训练.实验结果表明,基于粒子群优化的神经网络学习算法更易于实现,且能更快地收敛于全局最优解.     

基于粒子群优化求解纳什均衡的演化算法

基于粒子群优化方法从群智能的角度建立了博弈的演化模型，为求解有限n人非合作博弈的纳什均衡设计了一种粒子群优化算法．通过随机初始点的可行化以及对迭代步长的控制，保证粒子群在算法的迭代过程中始终保持在博弈的可行策略空间内，避免了在随机搜索中产生无效的粒子，因此提高了粒子群优化算法求解纳什均衡的计算性能．给出了算法的数值例子并分析了该算法的计算性能，通过粒子群算法与遗传算法的比较显示了粒子群算法求解博弈纳什均衡解的高效性．     

一种新的多目标演化算法--稳态淘汰演化算法

提出一种新的多目标演化算法，稳态淘汰演化算法（Steady Elimination Evolutionary Algorithm），该算法利用稳态淘汰策略，能够在不需要额外计算量和存储空间的情况下，自发地保存精英个体(elitist），试验结果表明该算法优于当前的多目标演化算法。     

自适应粒子群优化算法及其在注塑成型质量指标软测量中的应用

对粒子群优化算法(PSO)进行分析,提出了一种根据速度信息自适应调整参数的粒子群优化算法(APSO-VI),该算法经过大量测试函数上的模拟实验验证,并与PSO进行了比较。实验结果表明,该算法能克服基本PSO算法在求解高维、多峰等大规模复杂非线性优化问题时易陷入局部最优和不收敛的     

改进的粒子群优化算法在随机需求车辆路径问题中的应用

设计了一种求解随机需求车辆路径问题的改进的粒子群优化（PSO）算法．在算法后期将变异算子引入PSO算法，克服了基本PSO算法易陷入局部最优的缺点．数值模拟结果表明改进的PSO算法提高了全局搜索能力，求解效果优于基本PSO算法和遗传算法．     

具有物理模型数据处理的多目标优化及其算法

针对具有物理模型参数的辨识,提出了新的多目标优化模型及遗传算法.它突破了数据处理最小误差的传统思想,提出了“病态”数据分析方法,进一步挖掘了数据中的信息.文中充分利用“病态”数据分布的特征,通过遗传算法求解,确定了电磁场分布物理模型在实际问题中的适用范围,有效地提高了多目标优化模型的精度和实用价值.     

并行Pareto多目标演化算法

提出并实现了一个并行Pareto多目标演化算法(PPMEA)，PPMEA算法是一个通过演化算法来解决基于Pareto的多目标优化问题的并行计算模型。在这个算法中，采用了并行演化算法中常用的全局并行模型和粗粒度并行岛模型。构成每个岛的子群体以不同的杂交概率和变异概率各自独立的演化，但是每隔一定的代数它们要交换外部集中的个体。标准测试函数的数值实验结果表明，所提出的算法能够使找到的解集快速收敛到Pareto非劣最优目标域，并且解集沿着Pareto非劣最优目标域有很好的扩展性。