基于粒子群优化的适应Memetic算法分析

通过对已提出的适应Memetic算法的研究与分析,采用改进粒子群优化作为Memetic算法的全局优化策略按照不同类型的适应Memetic算法构成六类基于粒子群优化的适应Memetic算法,并用于求解典型的测试函数。根据对实验结果分析这几类算法的优缺点。实验结果表明适应PMemetic算法提高了全局搜索能力、收敛速度和解的精度。     

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。     

基于粒子群优化的图像去噪算法

本文提出了一种基于PSO优化的非局部平均去噪算法,该算法以Non-Local means算法处理图片,以滤波参数h作为PSO的粒子,以PSNR的函数模型作为PSO中的目标函数,以群智能算法优化去噪效果.通过仿真,该算法比传统算法有更好的视觉效果和更快的速度,达到了算法的最佳性能.     

一种新的混合粒子群优化算法

 针对粒子群优化算法容易陷入局部极值,进化后期收敛速度慢、精度低等缺点,本文将粒子群优化算法与遗传算法相结合,在基本粒子群优化算法中引入了正态变异算子,提出了一种新的混合进化算法,新算法增加了种群的多样性,增强了算法的全局寻优能力,提高了算法的搜索效率。使用新算法对经典函数进行优化测试,结果表明,本算法保持了粒子群优化算法简捷快速、容易实现的特点;同时,正态变异算子的引入提升了算法后期的收敛速度与全局搜索能力。新的算法能够以更小的种群数和进化代数获得较好的优化能力,在克服陷入局部最优和收敛速度方面均优于基本粒子群优化算法、遗传算法以及加入混沌扰动的粒子群优化算法（CPSO）。     

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.     

粒子群优化算法中惯性权重改进策略综述

在粒子群优化算法的3个参数中,惯性权重是最重要的参数,它对粒子群优化算法性能的提高起到至关重要作用.因此许多学者对粒子群优化算法中的惯性权重设计进行了广泛研究,目前取得许多成果.本文介绍了基本粒子群优化和标准粒子群优化算法,综述了惯性权重在粒子群优化算法中的各种改进策略.为粒子群优化算法的进一步改进研究提供参考.     

基于坐标旋转角的均值粒子群优化算法

文中提出了基于坐标旋转角的均值粒子群算法,其原理是:在每次迭代中,粒子的下一个飞行位置的方向与当前最好位置的方向之间偏角较大时,则粒子的位置和速度更新中加入一个角度来改变位置和速度的方向,同时角度也更新。通过典型函数优化实验表明,本文算法具有较高的计算精度和较快的收敛速度。     

浅谈粒子群优化算法

粒子群优化（PSO）算法是一类随机全局优化技术,其思想来源于人工生命和演化计算理论。PSO算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO的优势在于简单容易实现而又功能强大。PSO已成为国际演化计算界研究的热点。该文介绍了基本的PSO算法及其应用,并讨论将来可能的研究内容。     

多目标粒子群优化算法研究

在过去的十多年,粒子群算法对多目标优化问题的应用研究取得了较大的进展．本文首先描述多目标粒子群优化算法（MOPSO）的基本流程,然后从算法设计与应用等方面回顾MOPSO的研究进展,最后对该算法未来的研究进行了分析和展望.     

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.     

一种基于聚类分析的小生境微粒群优化算法

为了寻找多峰函数的多个极值点,在标准微粒群优化算法的基础上,提出一种基于聚类分析的小生境微粒群优化算法.采用基于密度的聚类分析方法辨识和构造小生境微粒子群,通过这种多子群方法,可以保持种群多样性,直接搜索到所有的局部/全局最优点.实验测试结果表明,该算法对一元函数优化和多元函数优化都有很好的效果.图6,参10.     

一种基于粒子群算法和育种算法的混合算法

目的 求解无约束优化问题.方法 结合粒子群算法收敛速度快而育种算法不易陷入局部最优的特点,设计了一种新的算法.结果 数值试验结果 表明算法对于多峰值函数有很好的优化效果.结论 当群体最优信息停滞时,新算法能够使粒子群算法中的粒子跳出局部最优解,最终求得全局最优解.     

多峰函数寻优的微粒群算法

某些实际问题的优化目标是求所有的局部最优解，即求解多峰寻优问题，为了求解多峰优化问题，提出了改造的微粒群优化算法．尽量减少微粒群算法中的全局因素，从而增大其局部因素，同时采用变步长方法增加微粒的多样性．并给出了该算法的原理和步骤．仿真实验表明该算法概念清楚，计算简单，具有很好的局部寻优特性，可应用求解于多峰寻优问题．另外还给出了几个运算实例和与其它优化算法的比较．图表，表1，参9．     

基于试验设计理论的结构优化算法

介绍现代试验设计方法中的均匀设计和配方设计.借助试验设计原理,提出余表的构造方法及配方设计表的设计方案,得到一种新的优化算法.余表可用于确定优化过程中可能的迭代方向,借助配方设计表来探讨最佳初始迭代点的选择问题.以函数求极值问题验证该优化算法的可行性,并将其应用于体积约束条件下平面刚架的刚度优化问题,计算结果表明该算法可用于结构优化设计.     

一种基于PSO算法的群体决策新方法

为了提高群体决策者意见的一致性和协调性,提出了偏好矩阵集成的新方法.基于决策者用区间积型互反判断矩阵来表示他们对方案的偏好,建立了区间积型互反判断矩阵的最大最小值集成模型,利用粒子群优化算法(PSO)去求解模型,并通过数值例子的结果说明了集成模型的合理性和可行性.     

基于正交试验设计的区间数立体决策方法

为了减少决策信息损失,针对区间数决策问题,提出了一种立体决策方法。将m维区间数决策向量看作具有2m个顶点的超矩形。利用Ls(2m)正交表在超矩形上均匀、分散地选取s个顶点代表该超矩形,再根据不同超矩形对应顶点之间的相对熵度量超矩形之间的差异,最后利用各决策方案同理想解的贴近度进行决策方案排序。实例验证表明该文方法有效、可行。由于选取了多个多维实数点代表区间数决策向量,在丰富了决策信息的同时也增加了计算量。     

基于频域滤波模型的PSO算法

当前对于粒子群优化算法(简称基本PSO)的改进主要从控制参数与数学模型入手,但这可能导致会陷入局部最小值。针对这个问题,本文提出一种基于频域滤波模型的PSO算法(简称FPSO)。FPSO是对粒子种群多样性进行定量分析,当粒子集中度低于设定阈值时,以当前最优粒子为中心,在一定半径范围内进行傅里叶变换,通过预设的低通滤波器,削弱当前找到的最优值;然后对当前粒子群施加以最优粒子为势能中心的辐射力,所有粒子在滤波范围外部的空间以较大的速度继续搜索。结果分析表明：基于频域滤波模型的PSO算法提升了种群多样性,有效的提高了全局搜索能力,在求解多峰函数问题的解的精度上优于带电PSO算法与变异PSO算法。     

基于粒子群算法的短期电力负荷预测

根据电力负荷的主要影响因素,考虑了休息日和气候因素的影响,建立了基于粒子群算法(PSO)的级联网络短期负荷预测模型.通过粒子群算法对级联网络的训练进行优化,提高模型的运算速度.结果表明,该方法预测精度较高,效果较好.     

基于正交实验法射孔参数优化设计数值模拟

射孔完井对油井产能的主要影响因素为孔眼密度、孔眼直径、孔眼深度和孔眼相位,基于油井产能最优对射孔参数进行优化设计是提高射孔井产能的关键技术之一。基于射孔井产能的半解析模型,应用有限元分析法对射孔井的产能进行数值模拟研究,并应用正交实验法对数值模拟结果进行分析。结果表明：随着孔深的增加,产率比增加,且在孔深较小时斜率较大,当穿孔深度超过钻井污染带深度时,曲线出现拐点,斜率变小、变平。随着孔径的增大,产率比增大,在实际射孔过程中,考虑到套管强度的问题,孔径应在保证套管强度的情况下尽可能取最大值。当孔密增大时,产率比随之增大,且随孔密的增大,其产率比上升趋势减弱。相位角增大时,产率比减小,相位角从60°变到90°时,产能有较大的提高,相位角在90°～180°变化时产能变化不大。通过比较极差值R来判断各个因素的主次关系。研究结果可为射孔参数的优选提供指导。     

基于粒子群算法的泊位分配集成优化研究

泊位分配直接影响着港口船舶的进港靠泊时间和作业效率.为获得合理的集装箱码头泊位分配计划,建立了以最小化船舶在港时间和码头运营成本的集成优化模型,并应用粒子群算法进行求解.通过与Gurobi软件求解结果进行对比,发现在求解大规模的船舶调度问题时,粒子群算法在求解时间上比Gurobi更有效.