粒子群算法的可视化在MATLAB下的实现

粒子群算法是一种新型的仿生优化算法,由于收敛速度快、参数设置少、实现简单,在很多领域得到应用。以标准粒子群算法为例,首先描述了粒子群算法的工作原理,然后给出了该算法在MATLAB中实现的详细步骤,并实现了二、三维粒子的可视化。可视化实现不但能够使粒子群算法更容易理解,同时也能更深入的理解粒子群算法的运行原理,为进一步的深入研究、改进及推广应用提供了理论与实践基础。     

一种基于种群多样性的新型自适应遗传算法

为克服传统自适应遗传算法易出现未成熟收敛的问题,提出一种新型基于种群多样性的自适应遗传算法。解决未成熟收敛问题的关键是避免算法在寻找到最优解前种群多样性的丧失。为适应进化过程中种群多样性的变化,提出了包含方差因子和种群熵因子的交叉概率和变异概率公式。根据种群收敛情况相应地调整交叉概率及变异概率,在不破坏种群优良基因模式的同时保持种群的多样性。通过标准函数测试与已有算法进行对比,结果表明,所提算法相较于已有算法,在保证收敛精确度的同时提高了收敛速度,有效克服了“早熟”等问题。     

粒子种群优化（PSO）算法的性能研究

近年来，一种新的基于种群优化的算法——粒子种群优化（PSO）算法，正受到人们的普遍关注。首先介绍了PSO原理及具体实现步骤，接着对各种常见PSO算法，例如原始算法、惯性权值算法、限制因子算法等进行了解释。在此基础上，对PSO算法典型模型的参数选择，如惯性权值、加权系数、最大速度等，进行了详细研究，并给出了实验结果，得出了相关结论．为今后参数的选择提供了参考。接着讨论了PSO在神经网络、模糊逻辑系统和进化计算等计算智能领域及其它工程领域的应用，最后给出了进一步的研究方向。     

种群熵启动反向学习的动态多种群粒子群算法

针对传统粒子群优化算法在求解复杂优化问题时容易陷入局部最优和停滞的问题,提出采用种群熵启动反向学习的动态多种群粒子群算法。借鉴狮群算法划分狮群的思想,采用动态多种群划分策略,将粒子划分成3个不同行为子群,对其实施不同的位置更新公式,保持粒子在搜索过程中的多样性;在迭代阶段,为避免算法早熟,构建了各维重心反向变异策略丰富变异备选个体,并结合种群熵指标进行种群状态评价适时启动变异策略,帮助粒子跳出局部最优。最后,通过8个基准测试函数与同种类6种经典和新型改进算法,在不同维度下进行测试对比。数值实验结果表明,改进策略显著提升了粒子群算法搜索能力,在搜索精度和搜索速度方面均优于其他对比算法。     

基于多种群的自适应迁移PSO算法

针对标准PSO中单一社会学习模式造成的算法容易陷入局部最优和后期收敛速度慢等问题,提出了一种基于多种群的自适应迁移PSO算法（Multi-population based self-adaptive migration PSO,MSMPSO）.通过融合两种常用的邻居拓扑结构,赋予个体更多的信息来源;在多个子种群并行进化的基础上,利用不同加速因子的组合赋予各子种群不同的搜索特性,进而通过周期性对子种群的历史性能进行评估,以此为基础指导个体的迁移操作,实现子种群间的协作与计算资源的合理分配,并最终提升算法的综合性能.对CEC2013测试函数的优化结果表明,MSMPSO在求解精度、收敛速度等方面均表现出较好的性能.     

动态自适应微粒群优化算法

群体智能是目前智能领域非常活跃的新兴研究领域,微粒群算法作为其典型的实现形式,受到普遍的关注.本文分析了基本微粒群算法的特点,改善了动态自适应微粒群优化算法,实验结果证明该方法的优越性.     

一种易跳出局部最优的粒子群优化算法

针对粒子群优化算法(PSO)中出现的极易陷入局部最优的问题,本文提出了一种易跳出局部最优的粒子群优化算法.该算法是在算法陷入局部最优时,通过加大惯性权重来改变群体多样性,从而使得该算法能够跳出局部最优.最后,通过大量仿真试验表明,对于求解高维、多峰等复杂的非线性优化问题,该算法能表现出很好的搜索性能.     

基于收敛速度和多样性的多目标粒子群种群规模优化设计

针对多目标粒子群优化算法种群规模难以确定的问题,文中提出了一种基于收敛速度和多样性的多目标粒子群优化（Convergence speed and Diversity-based Multi-Objective Particle Swarm Optimization,CD-MOPSO）算法.首先,利用优化过程的收敛速度和多样性指标构造种群规模适应度函数,完成了种群规模与优化性能关系的描述;其次,基于适应度函数设计了一种种群规模自适应调整方法,实现了种群规模的动态调整;最后,将提出的CD-MOPSO在基准优化问题ZDT上测试并应用于城市管网优化,实验结果显示CD-MOPSO能够根据求解问题自动调整种群规模,与NSGA-Ⅱ、MOPSO、SPEA2和EMDS-MOPSO相比具有更快的收敛速度和更好的优化结果.     

基于改进粒子群的RSSI定位参数优化算法

采用多种群最优值维度交叉法和动态惯性权重法相结合,实现粒子群算法的改进,提高算法收敛速度,降低早熟概率。将改进后的算法用于RSSI定位参数优化,实时修正无线信号传播模型,克服接收信号强度与实际传播距离受无线信号多径效应的影响没有固定一致变化关系的问题。仿真结果表明,此方法相比基于粒子群的RSSI定位方法、基于多种群粒子群的RSSI定位方法和传统的最小二乘曲线拟合的RSSI定位方法,能够有效提高室内三维定位精度。     

一种基于多样性信息和收敛度的多目标粒子群优化算法

为了提高多目标粒子群算法优化解的多样性和收敛性,提出了一种基于多样性信息和收敛度的多目标粒子群优化算法（Multiobjective Particle Swarm Optimization based on the Diversity Information and Convergence Degree,dicdMOPSO）.首先,利用非支配解多样性信息评估知识库中最优解的分布状态,设计出一种全局最优解选择机制,平衡了种群的进化过程,提高了非支配解的多样性和收敛性;其次,基于种群多样性信息设计出一种飞行参数调整机制,增强了粒子的全局探索能力和局部开发能力,获得了多样性和收敛性较好的种群.最后,将dicdMOPSO应用于标准测试函数测试,实验结果表明,dicdMOPSO与其他多目标算法相比不仅获得了多样性较高的可行解,而且能够较快的收敛到Pareto前沿.     

A New Class of Hybrid Particle Swarm Optimization Algorithm

A new class of hybrid particle swarm optimization （PSO） algorithm is developed for solving the premature convergence caused by some particles in standard PSO fall into stagnation. In this algorithm, the linearly decreasing inertia weight technique （LDIW） and the mutative scale chaos optimization algorithm （MSCOA） are combined with standard PSO, which are used to balance the global and local exploration abilities and enhance the local searching abilities, respectively. In order to evaluate the performance of the new method, three benchmark functions are used. The simulation results confirm the proposed algorithm can greatly enhance the searching ability and effectively improve the premature convergence.     

基于改进种群多样度的差分进化算法

针对差分进化算法进化后期易出现早熟收敛而陷入局部最优的缺陷,提出了一种基于改进种群多样度的差分进化算法。对进化算法种群多样度进行了研究,经过数学推导,证明了种群多样度与算法全局寻优性能的关系,提出了一种随机变异策略,更好地保持了寻优过程中种群的多样性,增强算法的全局搜索能力。典型测试函数实验表明,改进后的差分进化算法相对于标准差分进化算法具有更好的种群多样性和抑制早熟收敛的能力。     

一种改进的自适应进化粒子群优化算法

针对粒子群优化算法容易陷入局部极值点以及进化后期收敛慢和优化精度较差等缺点,提出一种改进的自适应进化算法.该算法引入信息扩散函数,根据不同粒子的位置及对应适应值与当前群体最佳位置和最佳适应值的关系,控制粒子变尺度向群体当前最佳位置移动;基于多样性反馈机制动态调节惯性权值和控制粒子群的微变异.通过复杂基准函数的仿真优化结果表明,改进算法具有抑制早熟、收敛速度快、求解精度高的特点.     

自适应变异的粒子群优化算法

本文提出了一种新的基于群体适应度方差自适应变异的粒子群优化算法(AMPSO).该算法在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力.对几种典型函数的测试结果表明:新算法的全局收搜索能力有了显著提高,并且能够有效避免早熟收敛问题.     

一种基于动态边界的粒子群优化算法

2007年提出的标准粒子群优化算法(PSO-2007)在进化的后期容易出现停滞现象而导致早熟收敛,为此本文提出了一种基于动态边界的粒子群优化算法(DBPSO).该算法根据停滞期粒子运动的特点,将边界动态调整策略引入到PSO-2007中,通过跟踪粒子飞行位置的分布动态调整搜索空间的边界,引导粒子在更有效的区域内进行搜索,从而减轻早熟收敛,提高收敛精度.典型测试函数的求解实验结果表明DBPSO是可行而有效的.     

具有量子行为的粒子群优化算法惯性权重研究及应用

在研究惯性权重对基本PSO算法影响的基础上,根据惯性权重对粒子群算法影响的特点,采用4种惯性权重策略对一种新的具有量子行为的粒子群算法的速度进行调节,比较每种算法的性能,从中找到一种新的性能更好的改进算法,将其用于求解0-1背包问题。实验结果表明较好地选择惯性权重参数对算法的性能有很大提高,该改进算法在求解0-1背包问题中具有高效性,提高了最优解的精度,同时具有较快的收敛速度。