一种改进的粒子群算法

粒子群优化算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优.为了克服这个缺点,通过调整粒子的速度更新公式,使粒子获得更多信息来调整自身的状态,以增强算法跳出局部最优的能力.通过对6个基准函数的仿真实验,表明了改进算法的有效性.     

共享历史最优信息搜索的粒子群算法

传统粒子群算法运行机理是通过粒子群全局最优和自身经验最优来搜索最优位置,不断迭代进化,以此趋近最优解,但该算法共享信息的局限性使其容易陷入局部最优.针对传统粒子群算法的不足,提出了共享历史最优搜索信息的粒子群算法.该粒子群体在搜索过程中,共享算法本次运行的种群个体历史最优信息、当前全局最优信息,及前几次运行过程中的种群个体历史最佳信息.通过5个经典函数的仿真实验测试,验证了该算法具有较强的全局搜索能力和收敛性.     

一种改进的粒子群优化算法

针对粒子群优化算法在迭代后期容易陷入局部最优、收敛速度变慢,精度降低、计算效率变差等缺点,提出了一种改进的粒子群优化算法.此算法通过引入惯性权重来调节粒子的速度变化,动态变化的学习因子来平衡粒子的社会学习能力和自我学习能力.通过测试函数检验,结果显示该算法能够有效摆脱局部最优,整个收敛速度明显变快,精度大幅提高.     

粒子群优化算法的研究

粒子群优化算法算法原理简单，所需参数较少，易于实现，目前已经应用到很多领域。文章阐述了基本PSO的原理，给出了各种改进技术．并展望了PSO的发展方向。     

一种改进的完全信息粒子群算法研究

为了提升粒子群算法求解复杂的多峰问题的能力,提出一种改进的完全信息粒子群算法(IFIPSO).对粒子自身最优位置的运行,进行变异操作以增加种群的多样性; 同时,引入并改进完全信息粒子群算法,使得粒子充分地向自身邻居的历史最优位置进行学习,提升种群向最优解飞行的概率.在基准函数的测试中,结果显示IFIPSO算法相比其它算...     

一种新的简化粒子群优化算法

针对粒子群算法在寻优中存在早熟和收敛精度不高等问题,论文对粒子位置的更新策略以及更新公式进行改进,提出了一种新的简化粒子群优化算法(New Simple Particle Swarm Optimization,NSPSO),并将其在15个多极值基准函数进行全局最优化测试,实验结果表明,NSPSO算法收敛的精度大大提高了,而且算法收敛速度也很快,对于高、低维复杂函数的优化均适用.     

粒子群优化算法及其应用

粒子群算法是一种群体优化算法,详细介绍了粒子群算法的基本原理、参数选择及其应用领域.     

粒子群优化算法综述

粒子群优化（PSO）算法是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO通过粒子追随自己找到的最好解和整个群的最好解来完成优化。该算法简单易实现,可调参数少,已得到广泛研究和应用。详细介绍了PSO的基本原理、各种改进技术及其应用等,并对其未来的研究提出了一些建议。     

基于合理信息共享机制的粒子群算法

本文基于合理的信息共享机制,提出了一种改进的粒子群算法。该算法一方面,将粒子群算法中粒子行为基于个体最优位置和种群最优位置变化为基于个体最优位置、种群最优位置和其余粒子的个体最优位置。另一方面,粒子根据适应值的大小来决定其余粒子个体最优信息的利用程度。因此,每个粒子利用了更多其它粒子的有用信息,加强了粒子之间的合作与竞争。3个基准测试函数的仿真试验表明了改进算法的有效性。     

粒子群优化算法及其应用

粒子群算法是近几年来迅速发展起来的,得到广泛应用的一种新型模拟进化优化算法.研究表明该算法具有简单易于实现,可调参数少等优良性质.对粒子群算法理论及其进展情况做了阐述,介绍了该算法在理论和实际问题中的应用,并对其前景进行了展望.     

粒子群优化算法的改进

粒子群优化算法在众多的优化问题上表现出良好的性能,已广泛应用于很多领域,但存在早熟收敛的问题,粒子极易陷入局部最优解.从提高收敛速度等方面对算法改进进行研究,并通过仿真实验证明改进算法的可行性,一定程度上提高了算法的性能.     

基于粒子群优化算法的模式分类规则获取

提出了基于粒子群优化的规则提取算法．该算法将规则编码为粒子,通过粒子群优化算法的速度-位移搜索模型以及粒子保存的记忆信息指导生成模式分类规则集．算法用于Iris数据集模式分类规则的提取．与其他规则提取方法比较,该算法在提高分类规则正确率的同时减少了计算费用．     

粒子群优化算法及其在电力系统中的应用

粒子群优化(PSO)算法是一种新兴的基于群体智能的进化算法.介绍了PSO算法的基本原理及各种改进方法,总结了近年来PSO在电力系统中的应用研究成果,主要涉及负荷经济分配、机组组合问题、输电网规划、最优潮流计算、无功优化等领域,指出了PSO算法的广阔应用前景。     

粒子群算法及其参变量的分析

在解析粒子群算法的基本原理、算法的流程的基础上,对算法的参变量进行分析和讨论。通过实验说明粒子群算法的参变量对算法性能的影响,重点分析粒子群算法的惯性权重因子的选取原则,最后给出粒子群算法的各个参变量的最优值及其范围。     

一种改进的自适应粒子群算法

针对标准粒子群优化算法早熟收敛、易陷入局部最优、收敛精度低等缺点,提出了一种改进的自适应粒子群算法.该算法在每次进化后自适应地更新每个粒子的惯性权重和学习因子,并对粒子进行排序,实现了自适应调整局部搜索和全局搜索的功能.与标准粒子群算法在6个标准测试函数上的实验进行比较并进行了t检验分析.结果表明,该算法具有很好的性能.     

基于自适应搜索的免疫粒子群算法

经典粒子群算法由于多样性差而陷入局部最优,从而造成早熟停滞现象.为克服上述缺点,本文结合人工免疫算法,提出一种基于自适应搜索的免疫粒子群算法.首先,该算法改善了浓度机制;然后由粒子最大浓度值来控制子种群数目以充分利用粒子种群资源;最后对劣质子种群进行疫苗接种,利用粒子最大浓度值调节接种疫苗的搜索范围,不仅避免了种群退化现象,而且提高了算法的收敛精度和全局搜索能力.仿真结果表明该算法求解复杂函数优化问题的有效性和优越性.     

一种新的混合粒子群优化算法

将禁忌搜索思想引入粒子群优化算法中,改进惯性权重,添加罚函数重新构造适应度函数;在此基础上,提出了一种基于禁忌搜索的新的混合粒子群优化算法(NHPSO),通过4个标准测试函数实验,结果表明:NHPSO算法比基本粒子群优化算法(PSO)具有更好的全局寻优能力、更快的收敛速度以及获得更高精度解的能力。     

粒子群优化算法研究进展

粒子群优化(PSO)算法是一种源于人工生命和演化计算理论的新兴优化技术.其基本思想为:每个粒子被随机的初始化以表示一个可能的解,并在解空间通过更新迭代搜索最优解.PSO的优势在于算法简单,对目标函数要求少,易于实现而又功能强大.目前,已受到演化计算领域的学者们的广泛关注,并提出了许多改进的算法.本文阐述基本粒子群的原理,给出了各种改进的算法,并展望了PSO的发展方向.     

一种基于量子粒子群算法的模糊c-均值聚类

把QPSO算法与模糊c-均值（FCM）算法相结合提出一种混合模糊聚类算法（QPSO—FCM）,将FCM算法中基于梯度下降的迭代过程用新算法进行替代,能够在一定程度上克服FCM算法易陷入局部极小的缺陷,降低FCM算法的初值敏感度．通过典型的Wine的数据实验结果证明,改进后的新算法具有良好的收敛性,聚类效果也有一定的改善．     

粒子群算法及其改进技术研究

粒子群算法是一种基于种群的随机优化技术,1995年由Eberhart博士和Kennedy博士提出,该算法源于对鸟群觅食和鱼群学习行为的研究,在很多领域得到了广泛应用,本文介绍了粒子群算法的基本原理,并针对粒子群算法在不同应用领域的需求,详细讨论了粒子群算法的各种改进技术,最后,对粒子群算法未来发展进行了展望。