基于Sigmoid惯性权重自适应调整的粒子群优化算法

提出了种群进化速度和种群聚合度两个概念,并讨论了在全局收敛过程中惯性权重与两者之间的关系;考虑Sigmoid函数在线性与非线性之间呈现的平滑过渡性,从种群进化速度和种群聚合度两方面出发,提出了基于Sigmoid函数的惯性权重自适应调整方法。通过三个典型的多峰函数,将提出的算法(AS-PSO)与标准粒子群优化算法(SPSO)和基于Sigmoid函数的粒子群优化算法(S-PSO)进行了仿真分析比较,结果表明,AS-PSO算法相比其他两种算法,全局寻优能力更强,在一定程度上解决了收敛性能与全局寻优能力之间的矛盾。

多惯性权重的自适应粒子群优化算法

惯性权重是粒子群优化算法重要参数之一,它能够平衡算法的全局搜索能力和局部搜索能力.为了利用已知惯性权重解决某些问题的优点,提出一种多惯性权重的自适应粒子群优化算法.首先定义了K步进化度的概念,然后基于进化度,从惯性权重集中随机选择惯性权重,使得适合解决某一问题的惯性权重在迭代过程中能够多次被使用,从而提高算法性能,把该算法应用到典型测试函数中,并与其他算法进行比较分析,结果表明,所提出的算法是可行的、有效的.

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。

一种结合自适应惯性权重的混合粒子群算法

粒子群算法(particle swarm optimization,PSO)是一种容易实现且高效的优化算法,但该算法对各种参数反应较为敏感.本文针对经典粒子群算法容易陷入局部最优的不足之处进行研究,提出对经典粒子群算法使用自适应惯性权重并引入模拟退火法的思想来解决经典粒子群优化算法容易陷入局部最优解的问题.仿真实验结果表明,本文提出的混合算法与经典粒子群算法相比,不仅能够避免寻优过程中陷入局部最优问题,而且还具有收敛速度快、成功次数高、稳定性及寻优结果好等特点.

改进自适应惯性权重粒子群算法及其在核动力管道布置中的应用

[目的]旨在研究非线性自适应惯性权重粒子群优化算法,实现船用核动力一回路系统管道路径的布置优化设计。[方法]根据船用核动力一回路系统的管道布局设计特点,建立一回路系统的管道布局空间模型、约束条件和评价函数;基于管道节点数量,提出一种粒子群优化(PSO)算法的新型定长编码方法,然后结合该编码方法建立方向引导机制;在此基础上,针对粒子群优化算法易陷入局部最优解、收敛速度慢的缺点,结合辅助线性变化的学习因子,提出一种基于非线性自适应惯性权重的改进粒子群优化算法;将改进粒子群优化算法与协同进化算法相结合,提出一种用于求解分支管道布局问题的协同进化粒子群优化算法,以用于核动力一回路系统的管道布局优化。[结果]仿真结果显示,所提的改进算法与标准算法相比收敛速度提高了40%~50%,不仅能够得到更好的管道布局效果,还解决了标准粒子群优化算法容易陷入局部最优解的问题。[结论]研究成果可为船用核动力一回路系统管道布置的优化设计提供有益的参考。

自适应惯性权重的粒子群优化算法

针对粒子群优化算法容易陷入局部极值、进化后期的收敛速度慢和精度低等问题,提出自适应惯性权重的粒子群优化算法。算法采用自适应更新惯性权重,添加影响算子,并通过惯性权重自适应调整学习因子,然后加入随机局部搜索策略;最后使用测试函数,通过和3种优化算法进行30次重复实验。结果表明,提出的算法具有更好的全局收敛能力,且收敛精度、和稳定性都有明显的提升。

基于距离代价的自适应惯性权重粒子群优化算法

由于不同等级种群的学习能力不一样,其步长大小也会不一样,该文提出了一种新的基于距离代价的自适应惯性权重粒子群优化算法。该算法在运行过程中根据粒子位置的距离代价,将种群分为三个等级,对不同等级的种群采用不同的惯性权重策略更新粒子的速度和位置,并在每次迭代的过程中对全局最优加入一个扰动因子来增加粒子的多样性。通过仿真实验,将该文提出的PSO算法与其他几种粒子群优化算法进行对比,实验结果表明:在相同条件下该算法能以较少的迭代次数得到最优解,同时兼具好的收敛速度和高的收敛精度。

基于质心和自适应指数惯性权重改进的粒子群算法

针对粒子群优化(PSO)算法易出现早熟收敛及寻优精度低等问题,为提高粒子群优化算法寻优能力,提出了一种基于质心和自适应指数惯性权重改进的粒子群优化算法(CEPSO)。首先,使用各粒子的适应度计算权重系数;然后,分别使用各粒子当前位置和迄今为止最优位置构造了加权的种群质心和最优个体质心,使用平均粒距来度量群体状态,并依据群体状态设计了分段指数惯性权重;最后,结合使用分段指数惯性权重和双质心调整了粒子速度更新公式。仿真结果表明,CEPSO能增强寻优能力,并具有较强的稳定性。

基于交叉和自适应权重的混合粒子群优化算法

针对粒子群算法易陷入"局部最优解"和搜索精度逐渐降低的缺点,提出了基于交叉和自适应权重的混合粒子群优化算法。加入的交叉操作使得种群在粒子数目不变的情况下多样性得以维持,而自适应权重有效地平衡了整个算法的全局与局部搜索能力。通过函数测试实验表明,新的算法能够避免早熟收敛问题,有效地提高了其寻优能力。

基于混沌理论和自适应惯性权重的PSO算法优化

针对粒子群算法固定惯性权重和早熟收敛的缺陷,提出一种动态自适应惯性权重调整策略,有效增强了算法的全局和局部寻优能力;并针对早熟问题,采用混沌映射方法增加种群多样性,同时利用负梯度方向调整群体极值,极大降低了算法陷入局部极值的概率.通过在多个常用测试函数上与其他算法比较,证明了所提改进粒子群算法的正确性和有效性.

改进惯性权重的粒子群算法及其在边坡稳定性分析中的应用

改进PSO算法的惯性权重。不仅考虑了惯性权重随代数的纵向线性变化,还根据当前和迄今粒子的适应度重排序横向线性变化来改进惯性权重。横向线性变化上限不变,下限逐渐减小,使得线性变化数值范围随代数逐渐增大。惯性权重随着代数逐渐取负,并且适应度差的粒子取负的几率更大。这样得到基于粒子适应度排序改进惯性权重的粒子群算法(ASMIWPSO算法)。通过2个仿真算例对比ASMIWPSO算法和PSO算法的寻优结果,所获得的全局最优值前者多于后者。采用边坡工程实例进行ASMIWPSO算法、PSO算法和理正岩土计算软件结果比较,说明ASMIWPSO算法具有更好的优化结果。

基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题。该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力。通过算例分析表明,采用自适应混沌粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。

一种自适应模拟退火粒子群优化算法

为了提高粒子群算法的寻优速度和精度,避免陷入局部优解,提出一种自适应模拟退火粒子群优化算法。采用双曲正切函数来控制惯性权重系数,进行非线性自适应变化;利用线性变化策略控制社会学习因子和自我学习因子,达到改变不同阶段寻优重点的目的;引入模拟退火操作,根据种群的初始状态设置一个温度,根据米特罗波利斯准则和温度指导种群以一定的概率接受差解,保证了算法跳出局部最优解的能力。为验证这种算法的效果,选择7种典型测试函数与已有文献中提出的5种粒子优化算法进行对比实验,根据寻优结果的平均值、标准差以及迭代次数等数据,证明文中所提算法在迭代精度、收敛速度以及稳定性上都有很大的提升,有效地弥补了经典粒子群算法的缺陷。

一种改进的自适应邻域粒子群优化算法

在对粒子群优化(PSO)算法进行深入分析的基础上,建立了自适应邻域更新机制,再对惯性权重更新机制进行自适应化,分别从拓扑邻域结构和惯性权重两个角度对局部版PSO算法进行了改进,提出了一种实用、高效的自适应邻域粒子群优化算法,经7个标准测试函数验证,该算法具有较高效率和精度。

改进的自适应粒子群优化算法

提出了一种融合梯度搜索法、繁殖法并结合前N个粒子历史最优位置的改进自适应粒子群优化算法。算法选用混沌惯性权重,每个粒子速度和位置的更新不仅考虑自身历史最优和全局最优位置,还受其他粒子历史最优位置的影响,且其影响程度的权重随迭代次数自适应变化;同时粒子位置随迭代次数以线性递增的概率进行负梯度方向更新;当粒子更新停滞时,对可能处于局部最优位置的部分粒子进行杂交。仿真实验结果表明,该算法比其他相关算法具有更好的收敛速度和收敛精度。

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。

混合变异算子的自适应粒子群优化算法

针对惯性权重线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种非线性递减的惯性权重策略,使算法很快地进入局部搜索,并在算法中引入混合变异算子,克服算法易早熟收敛的缺陷。对几种典型函数的测试结果表明,本文算法的收敛速度和收敛精度都明显优于LDW算法。

带变异算子的自适应粒子群优化算法

针对粒子群优化算法在进化过程的后期收敛速度较慢,易陷入局部最优的缺点,对基本粒子群优化算法作了如下改进:在速度更新公式中引入非线性递减的惯性权重;改进位置更新公式;对全局极值进行自适应的变异操作。提出一种新的混合变异算子的自适应粒子群优化算法。通过与其他算法的数值实验对比,表明了该算法具有较快的收敛速度和较好的收敛精度。

基于模糊文化算法的自适应粒子群优化

为解决粒子群优化中惯性权重的调整机制在具体优化问题中的自适应问题,本文建立了一种全新的基于模糊文化算法的自适应粒子群优化算法;利用模糊规则表示个体粒子在演化过程中获取的经验,经验共享形成群体文化,并利用遗传算法来实现文化的进化;通过信念空间中以模糊规则表示的知识建立模糊系统来逼近与实际问题相适应的惯性权重控制器。在测试函数集上的仿真实验对比结果证明,该算法相对于现有算法有优势。

简化的自适应粒子群优化算法

对基本粒子群优化算法作了一些改进:通过去掉速度因子简化算法结构,引入指数下降形式的惯性权重,对全局极值进行自适应的变异操作,进而提出一种简化的带变异算子的自适应粒子群优化算法。通过与其他改进的粒子群算法的数值实验对比分析,表明提出的新算法能够有效地避免早熟收敛问题,并能较大幅度地提高收敛速度和收敛精度。