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。     

微粒群算法研究进展

微粒群算法是一种新型的进化计算技术．本文首先介绍了微粒群算法的基本原理、流程和相关参数，并分析了关键因子对算法搜索性能的影响，然后结合目前国内外算法的研究现状对几种改进算法和微粒群算法的应用进行综述，最后提出微粒群算法存在的问题和将来有待研究的内容。     

一种基于多子群的动态优化算法

针对动态粒子群优化算法的群体多样性问题,提出一种新的度量方法.为了提高群体多样性,在每次迭代前,子群内部各粒子以一定的概率飞离局部最优粒子,以保持子群内部粒子多样性.在此基础上,提出一种动态粒子群优化算法,即在每次迭代前,要淘汰超规模子群中的低适应值粒子,进一步增强整个群体的多样性水平,提高算法的鲁棒性.用标准测试函数MPB测试该算法跟踪动态全局最优值的能力,实验结果表明:该算法能有效跟踪5维以上的动态全局最优值,子群内部多样性水平提高60%以上.     

具有自适应多子群的海洋捕食者算法新策略

基于多子群海洋捕食者算法提出在探索与开发阶段动态地采用新系数,并针对追随者子群更新算法进行优化.通过自适应调整领导者子群、追随者子群和衔尾者子群的种群规模,在全局探索和局部开发需求之间取得平衡.采用多种算法进行对比试验,结果表明该策略在优化问题上取得了改进和成效,适用性更广,为后续的研究和应用提供了重要的参考与借鉴.     

动态分群的微粒群优化算法

在分析基本微粒群优化算法的基础上,引进分群思想,提出了一种动态分群的微粒群优化算法(DPSO)。根据适应值的大小将微粒群分成两个或多个分群,然后,每个分群采用不同的策略分别搜索,得到输出最优值。将动态分群的微粒群优化算法用于一些常用测试函数的优化问题,实例计算表明:DPSO具有较强的全局寻优能力。将DPSO用于延迟焦化装置粗汽油干点软测量,所建模型的泛化性较好,模型具有较高的精度。     

一种多样性引导的两阶段多目标微粒群算法

针对现有多目标微粒群算法存在容易陷于局部极值、收敛速度慢、函数评价次数多等不足,提出了一种多样性引导的2阶段多目标微粒群算法,依据种群多样性动态使用不同的变异方式,采用了2种不同的领导微粒选择方式,基于Pareto占优排序和拥挤距离来控制外部档案中解的数目。针对多个多目标测试函数进行了实验,并与其他文献的方法进行了比较,验证了算法的有效性。     

动态投入产出最优化控制模型的微粒群算法

对于动态投入产出最优控制模型的以往求解方法,只能求出其局部最优解,而不能求出全局最优解.提出了一个新的动态投入产出最优控制模型,给出一个新的算法-微粒群算法,该算法计算结构简单,具有较强的全局寻优能力、收敛速度快和较高的计算精度.数值实验表明:提出算法的计算结果优于用传统的最优化方法计算的结果,同时也验证了微粒群算法对求解动态投入产出最优控制模型的有效性.     

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。     

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。     

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.     

一种结合多样性策略的自适应粒子群优化算法

提出一种结合多样性策略的自适应粒子群优化算法,该算法在粒子群的全局优化过程中,使用根据种群搜索状态自适应调整邻域空间的局部搜索算法加强算法的局部搜索能力,并允许非优粒子具有引导种群搜索方向的可能性.在著名基准函数上的对比实验结果表明,这种混合粒子群优化算法能获得更高的搜索成功率和质量更好的解,特别在高维多峰函数优化上表现出较强的竞争力.     

求解TSP问题的动态邻域粒子群优化算法

旅行商(TSP)问题是一个典型的NP问题.为了克服基本粒子群优化(PSO)算法在求解离散问题所具有的计算时间长和容易陷入停滞状态等问题,本文基于“簇”思想,对粒子间距离进行重新定义并给出了相应的动态邻域PSO算法.实验结果表明了新型算法在求解TSP问题中的有效性,同时提高了算法的性能,并具有更快的收敛速度.     

改进的粒子群算法

为了改善基本粒子群算法的搜索性能,针对粒子群算法随机性较强,收敛较慢的问题,提出了基于退火思想的改进的粒子群优化算法,新的算法更有利于粒子发现问题的全局最优解。通过对经典函数的测试计算,验证了方法的正确性和有效性。     

粒子群优化算法收敛性分析

对粒子群优化算法的收敛性进行了分析,给出了收敛条件,数值试验计算验证了收敛性分析结果。讨论了粒子群优化算法参数选取的基本原则。     

带非均匀动态变异的改进粒子群优化方法

针对基本粒子群(PSO)算法在前期收敛速度较快和搜索精度差的缺陷,提出了一种带非均匀动态变异的改进粒子群优化方法.该方法通过引入非均匀动态变异算子不但克服了粒子群算法在后期易陷入局部最优的缺陷,而且极大地增强了群体的多样性,进而提高了算法的搜索效率.最后,通过两个复杂多峰函数的计算仿真,其结果表明该方法是非常有效的.     

平面绞链四杆机构的改进微粒群算法优化设计

文章介绍了微粒群优化算法的原理，提出了增加种群多样性和算法随机性的改进微粒群算法及实现过程，并把该算法应用于复杂机械优化问题。实例表明，该方法全局收敛性好，是解决工程设计中复杂线性优化问题的可行方法。     

三群协同粒子群优化算法

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,提出了一种三群协同粒子群优化算法(TSC-PSO)。搜索时,如果全局极值连续若干代没有改善,粒子未找到全局最优点,就任选某个优群,将其群内粒子和差群粒子交换。仿真结果显示,对一些经典多峰值函数、非凸病态函数,TSC-PSO增强了全局搜索能力,具有比基本PSO更好的优化性能。