一种动态调整惯性权重的粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖于参数的选取等缺点,提出了一种非线性指数惯性权重粒子群优化算法(Exponential Inertia Weight in Particle Swarm Optimization,EIW-PSO)。在每次迭代的过程中,采用粒子最大适应值和最小适应值的指数函数来动态调整算法中的惯性权重,更有利于算法在寻优过程中跳出局部最优;同时,引入随机因子以确保种群的多样性,使粒子更快地收敛到全局最优位置。为了验证该算法的寻优性能,通过8个基准测试函数将标准PSO、线性递减惯性权重LDIW-PSO、均值自适应惯性权重MAW-PSO在不同维度和种群规模下进行测试比较。实验结果表明,提出的EIW-PSO算法具有更快的收敛速度和更高的求解精度。

动态改变惯性权重的新模式粒子群算法

针对标准粒子群算法在求解复杂优化问题时易陷入局部最优、收敛精度不高和收敛成功率低的不足,提出了一种改进的粒子群算法.通过算法所处的迭代阶段和粒子的分布情况动态改变惯性权重的值,并根据每个粒子的更新情况调整其飞行的起点.最后4个测试函数仿真结果表明,在求解复杂优化问题时,改进后算法的收敛精度和收敛成功率均有明显提高.

一种动态扩散粒子群算法

针对粒子群算法搜索精度不高特别是对高维函数优化性能不佳问题,提出了一种动态扩散粒子群算法(DDPSO)。该算法通过非线性函数调节惯性权重,在粒子速度更新方式上增加一个动态随机数加强粒子的搜索能力,提高算法的性能,同时在一定条件下对粒子进行重新扩散,保证种群的多样性。实验结果表明,DDPSO算法的寻优能力明显高于基本PSO及其他一些改进的PSO算法,并且该算法性能稳定,更加适合高维复杂函数优化问题。

具有动态步长和发现概率的布谷鸟搜索算法

为了进一步改善算法搜索过程中存在的求解精度偏低、收敛速度缓慢等现象,提出具有动态步长和发现概率的布谷鸟搜索算法。该算法通过引入步长调整因子动态约束每一代种群的莱维移动步长,使算法的莱维飞行机制具有自适应性。在发现概率上,使用具有均匀分布和F分布特性的随机惯性权重,改变发现概率的固定取值,加强种群的多样性,保持算法全局搜索、局部探索之间的平衡状态。通过实验证明,所提算法具有良好的可行性,其寻优结果、收敛速度均有提高。

一种改进的粒子群优化算法及其仿真

为了提高粒子群算法的性能,针对粒子群算法的早熟收敛和收敛速度问题,提出了一种改进的粒子群优化算法。在分析了粒子群算法不足的基础上,提出了两个提高算法性能的改进途径。该算法对动态惯性权重策略进行了扩展,并引入随机扰动策略,从两个方面同时改进以提高算法的收敛速度和克服局部极值的能力。函数测试的结果表明,该算法能显著提高收敛速度,并能有效克服局部极值。

求解无约束优化问题的改进布谷鸟搜索算法

布谷鸟搜索算法是一种基于种群迭代搜索的全局优化算法。为求解无约束优化问题,提出一种改进的布谷鸟搜索算法。利用混沌序列构造初始种群以增加群体的多样性,引入动态随机局部搜索技术对当前最优解进行局部搜索,以加快算法的收敛速度。对4个标准测试函数进行仿真实验,并与其他6种算法进行比较,结果表明,该算法具有较强的全局搜索能力和较快的收敛速度。

改进粒子群优化算法在GM(1,1,λ)模型上的应用

提出了一种带有动态自适应惯性权重和随机变异策略的粒子群优化算法.在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性。当用早熟判断机制判断算法陷入早熟收敛时,采用随机变异策略使其跳出局部最优。将改进的算法应用于GM(1,1,λ)模型的求解,具体实例表明改进的粒子群优化算法能够显著提高GM(11,λ)模型的精度。

多策略融合粒子群算法及其收敛性分析

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在实际运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种改进的粒子群算法。该算法采用多次随机初始化的策略初始种群位置,再对惯性权重引入随机因子,使其基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,提高算法的收敛精度,并证明其能以概率1全局收敛。为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及提出的改进算法在不同维度下进行测试比较。结果表明,该算法的寻优精度更高。

混沌动态改变权值策略的粒子群优化算法

提出一种改进的粒子群优化(IPSO)算法.为增强粒子全局搜索和局部搜索能力,避免陷入局部最优,加入基于粒子间距动态改变惯性权重的策略;利用Lozi映射增加粒子的多样性,避免粒子群在优化的后期陷入局部最优解.在Ackley、Rosenbrock、Rastrigin 3个基准测试函数上测试,结果表明,IPSO算法对于高维、多极值点的复杂函数能够获得精度较高的全局极小值,其性能明显优于作为比较的其余4种粒子群优化算法;验证了IPSO算法的有效性.

一种对粒子群算法惯性权重的改进

针对粒子群算法搜索精度不高,特别是在处理高维复杂问题时极易陷入局部最优的不足,文章提出一种动态扩散并结合交叉因子的改进粒子群优化算法(DMPSO),对惯性权重进行调整,对其取值范围做了进一步的研究,在必要的时候对整个种群的粒子进行重新扩散,并应用于粒子群算法的改进。实验结果表明,新算法的全局搜索能力、收敛速度、精度及稳定性均有了显著提高,而且能更有效地进行全局搜索。

一种动态调节惯性权重的粒子群算法

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种动态调节惯性权重的粒子群算法.该算法对惯性权重引入随机因子并基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,平衡了算法的全局搜索与局部搜索能力,提高了算法的收敛精度.为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及动态调节惯性权重的粒子群算法在不同维度下进行测试比较.结果表明:提出的动态调节惯性权重的粒子群算法在寻优精度和成功率方面都有所提升,算法性能更具优越性.

融合牛顿-最速下降算子的自适应粒子群算法

针对粒子群算法容易陷入局部最优、收敛精度低、后期收敛速度缓慢的问题,将牛顿-最速下降算子、动态惯性权重、影响度决策引入到粒子群的更新中,提出了融合牛顿-最速下降算子的自适应粒子群算法(NSWPSO).将改进后的算法、标准粒子群算法、自适应惯性权重粒子群算法、线性递减惯性权重粒子群算法同时应用于不同维度的12个测试函数,对搜索结果进行对比分析,T-test差异分析、10维测试函数达到期望值时的寻优率和平均迭代次数分析,可得改进后的算法能够稳定快速准确地搜索到全局最优解.

一种动态调整惯性权值的粒子群算法

粒子群算法针对速度变量的调节不够精确,算法在迭代过程中容易陷入局部最优,函数目标值的精度比较低。为了得到更加精准的目标值,提出一种改进的粒子群算法,对粒子群算法的惯性权值参数进行动态调整。算法将惯性权值参数设置为由粒子位置、个体最优位置和全局最优位置影响的可变参数组,通过各个位置之间的距离来控制参数的改变。该改进粒子群算法针对每一个粒子的每一维度都设计其对应的惯性权值参数。该改进算法经过和其它算法进行比较测试,结果显示改进的算法得到的解值更加精准。

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法。随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力。实验结果表明,改进后的算法在收敛速度以及收敛精度上比传统粒子群算法更优,能改善早熟收敛问题。

基于改进布谷鸟算法的配送车辆路径优化方法

针对配送车辆行驶路径选择不合理、配送效率降低等问题,提出基于改进布谷鸟算法的配送车辆路径优化方法。遵循路径最短配送原则,构建目标函数,为简化模型结构,设置路径优化的相关约束条件,保证每个需求点只能被配送一次,车辆必须在最大距离负荷范围内行驶,建立路径优化模型;分析经典布谷鸟算法的鸟巢位置更新过程,添加调整因子,引入动态惯性权重;通过布谷鸟搜索算法求解优化模型,经过种群初始化、鸟巢位置更新等过程不断寻找全局最优解,当满足迭代停止条件时,输出最佳优化方案。实验证明,该方法搜索能力强,解集分布均匀,能确保配送路径最短,提高配送效率。

改进蝴蝶优化算法及其在冗余机械臂逆运动学求解中的应用

针对蝴蝶优化算法(BOA)存在的不足,提出一种改进蝴蝶优化算法(IBOA)并将其应用于冗余机械臂逆运动学求解中。IBOA算法融入了动态转换概率策略、最优邻域扰动策略和随机惯性权重策略等3种策略,实现了算法收敛速、收敛精度的提升,克服了BOA算法易陷入局部最优、后期收敛精度不高的问题。3个基准函数的测试结果表明IBOA在求解精度、求解速度和计算稳定性更胜一筹。冗余机械臂运动学求解应用实例结果表明,IBOA得到的机械臂位姿误差更小,计算耗时更少,求解稳定性更好。

基于多策略改进麻雀搜索算法的WSN覆盖优化

为了解决无线传感器网络节点分布不均匀、无线传感器网络覆盖率不高的问题,本文通过采用多策略改进麻雀搜索算法(DSSA)实现网络覆盖优化。利用Delaunay三角划分策略在目标区域构建三角网络,以此部署静态节点;其次引入了惯性权重余弦动态调整策略和步长速度自适应调整策略完成对网络节点的二次部署,提高算法全局搜索能力。仿真实验表明DSSA算法可以有效提高覆盖率,避免陷入局部最优,覆盖率比其他4种算法分别提高了4.31%、6.26%、3.16%、13.21%,结果验证了DSSA算法在无线传感器网络覆盖方面具有可行性与优越性。