一种仿生优化方法—微粒群算法

介绍了一种新的仿生优化算法—微粒群算法。与传统的优化算法相比,微粒群算法在全局优化性能等多方面具有相当的优越性。     

微粒群算法的研究现状及发展趋势

微粒群优化算法(PSO)是一种进化计算技术(evolutionary computation)．算法通过微粒间的相互作用发现复杂搜索空间中的最优区域。其优点是：计算速度快且简单易实现；缺点是容易陷入局部极值点，进化后期收敛速度慢且精度较差．本文对微粒群算法的研究现状进行了部分介绍，并对其研究的发展趋势进行了预测．     

微粒群优化算法的研究现状与发展

针对群体智能算法(SIA)中引起广泛兴趣的微粒群优化算法(PSO)的基本原理、框架,介绍了PSO的一些研究现状及其进展,最后提出了PSO有待进一步研究的若干方向和工作.     

异步随机微粒群算法

在研究微粒群算法生物特征的基础上，提出了一种异步随机微粒群算法——ASPSO．该方法是在微粒的进化过程中，采用异步模式使全局最好位置信息以异步方式在种群中传播。从理论上证明了ASPSO与同步模式微粒群算法SPSO相比较具有更快的局部收敛速度，并对四个经典测试函数进行了仿真测试，测试结果表明：与SPSO相比，ASPSO算法具有更快的收敛速度。     

动态环境下几个改进微粒群算法的性能比较

微粒群算法是一种模拟动物群体行为的随机优化算法,而且已经提出了许多改进策略,然而,受各种不确定因素的干扰,现实世界中很少有系统是静态的,因此动态优化问题的研究更具有实际的工程意义。为此,在动态环境下,用最近提出的两个改进微粒群算法同标准微粒群算法以及其他两个高性能的改进微粒群算法进行性能比较和分析。通过比较,本文得出在不同的动态环境下,不同的算法表现出了相异的特点。     

一种基于协同进化的随机微粒群算法

在多种群协同进化和随机微粒群算法基础上,提出了一种改进的多种群随机微粒群算法,将各个子种群度独立的按照随机微粒群去进化,周期性的更新共享信息,共同寻求最优解。其中采用了两种不同的更新策略,并对这两种不同的方法进行详细的分析和比较。实验表明:合理调整更新周期能提高算法的收敛性。     

微粒群优化算法研究

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种启发式全局优化技术.通过介绍微粒群优化算法的原理、算法流程、算法参数及其对算法性能的影响,给出了各种改进的微粒群算法形式以及研究现状,归纳了微粒群算法的国内外应用进展及研究方向.     

背包问题的微粒群算法

针对典型的背包问题,给出一种基于微粒群算法的求解方法。经过数值实验测试和验证,微粒群算法有较好的性能。     

基于聚类分析的改进微粒群算法

聚类分析是依据样本间关联的量度标准将其自动分成几个群组,使同一群组内的样本相似,而属于不同群组的样本相异的一种方法．在微粒群算法中由数量不等的粒子根据规则组合成不同的群体,所有的群体最终将会向着一个全局最优的位置运动．本文将通过改进微粒群算法的局部更新规则来改善算法的性能,根据由聚类半径确定初始聚类中心的方法将粒子群进行分类,然后运用该方法对所有粒子进行分类,初始化得到不同的粒子群体,最后对整个粒子群体进行优化得到全局最优解．     

小生境微粒群优化算法

将小生境技术引入到微粒群优化算法之中,设计出一种小生境微粒群优化算法。该算法除了始终赋予微粒生命力,还将位置重叠的差适应值微粒在搜索空间重新启动。通过对4个常用测试函数进行优化计算,仿真结果表明小生境微粒群优化算法比基本微粒群优化算法具有更好的优化性能。     

差分演化的微粒群算法

针对基本粒子群算法易陷入局部极小点、搜索精度不高等缺点,在算法改进方面引用差分演化算法的变异操作提出了差分演化的PSO算法,并用matlab仿真证明该算法的可行性。     

基于Powell搜索法的简化微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部强搜索能力强等优点,在简化微粒群算法的基础上,结合Powell搜索法,提出一种新型简化微粒群算法—Powell-SPSO算法.改进算法将Powell搜索法融合在简化微粒群算法中,让Powell搜索法与简化微粒群算法进行交替搜索.同时微粒的迭代利用了Powell搜索法的强搜索能力,使得算法改善了简化微粒群算法因每个微粒采用相同迭代公式进行进化而造成的微粒间的弱差异性,避免了易出现早熟、搜索速度慢等缺点.仿真结果表明,与标准微粒群算法(PSO)、简化微粒群算法(SPSO)、文献[10]算法相比较,不论是对高维函数还是低维函数,改进的算法都能够有效地避免早熟问题,并能显著地提高收敛速度和收敛精度.     

一种改进的自适应微粒群优化算法

为了提高微粒群算法(PSO)优化高维目标的性能,提出了个体惯性权重自适应调整微粒群算法(PSO-IIW).PSO-IIW中微粒拥有个体的惯性权重以满足不同微粒对全局和局部搜索能力的不同需求,此权重在对微粒每次进化后的适应值进行评价的基础上被自适应地调整,以加快其收敛速度并逃离局部最优.用该方法与其他两种不同微粒群优化算法对3个经典函数在80,120和160维数进行仿真的结果进行比较,证明在解决高维度目标时可以有效提高微粒群算法的性能.     

两群替代微粒群优化算法及其应用

提出一种两群替代微粒群优化算法（TSSPSO）,并对算法参数进行分析和对算法方程进行修正。该方法将微粒分成飞行方向不同的两分群,其中一分群微粒朝着最优微粒飞行,另一分群微粒朝着相反方向飞行;飞行时,每一微粒不仅受到微粒本身飞行经验和本分群最优微粒的影响,还受到全群最优微粒的影响。搜索时,每一次迭代均以一定的替代率用一分群中若干优势微粒取代另一分群中相同数目的劣势微粒。对4种常用函数的优化问题进行测试并进行比较,结果表明：两群替代微粒群优化算法比基本微粒群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。将两群替代微粒群优化算法用于常压塔汽油干点软测量,建立基于两群替代微粒群优化算法的汽油干点神经网络软测量模型,通过与实际工业数据的比较,表明基于两群替代微粒群神经网络的软测量模型精度高、性能好。     

分段式微粒群优化算法

提出一种分段式微粒群优化算法。该算法将所要搜索的区域分成若干段,首先在每一区段内搜索出区段的最优位置,然后将各区段的最优位置组成一微粒群,继续搜索全局最优位置。通过对5个常用标准测试函数进行优化计算,仿真结果表明:分段式微粒群优化算法能有效地搜索到全局最优解,具有比基本微粒群优化算法更快的搜索速度和更好的优化性能。     

精英协同微粒群算法

基于传统的微粒群算法引进协同算子产生的一种新优化算法,将整个算法的粒子分为精英粒子和普通粒子,根据精英粒子的历史最优解来带动普通群体,使普通粒子能更快速度接近最优解,从而推动整个种群不断快速更新。文本中选取4个优化测试函数作为算法优化性能的测试,并选取正弦函数验证算法对控制器的优化效果,实验结果表明精英协同算法的精度更高,优化性能更佳。     

微粒群优化神经网络算法的研究

介绍了微粒群算法的基本原理、特点,分析了常用的BP网络结构,提出了微粒群优化神经网络算法,实验结构表明,该算法优化了神经网络结构,从而提高了神经网络的模式分类性能。     

基于数据挖掘关联规则的微粒群算法

本文在对微粒群算法进行改进的基础上,提出了基于数据挖掘关联规则的微粒群算法,理论分析和仿真结果表明该算法是有效的.     

微粒群算法在生产调度领域的应用研究

介绍了微粒群优化算法的原理、算法流程、算法参数及算法特点。围绕微粒群算法的改进形式、算法应用等方面对微粒群算法的研究现状进行了全面综述,并指出了微粒群算法的发展趋势及未来研究方向。     

微粒群算法在分类规则提取中的应用

分类是数据挖掘研究的主要内容之一,将微粒群算法应用于分类中,主要用于分类规则的提取,给出了适用于微粒群算法的分类规则编码,并构造了适应值函数,采用UCI标准数据集进行实验,结果表明算法的有效性。