移动机器人导航路径的自主学习粒子群规划方法

为了减小移动机器人行驶路径长度,提出了基于自主学习粒子群算法的导航路径规划方法。以减小路径长度为目标建立了路径规划模型;为了防止机器人发生碰撞,给出了障碍物膨化处理方法。在粒子群算法中引入了由多种粒子学习策略组成的学习策略池,并给出了粒子对学习策略进行选择的自主学习策略,从而提出了具有较强进化能力的自主学习粒子群算法。经算法性能测试,自主学习粒子群算法的优化能力强于传统粒子群算法和文献[11]改进粒子群算法;将自主学习粒子群算法应用于简单场景和复杂场景的路径规划,该算法规划的路径均值和标准差均小于传统粒子群算法,验证了自主学习粒子群算法在机器人路径规划中的优越性。

基于Boltzmann学习策略的粒子群算法

针对粒子群算法过早收敛导致容易陷入局部极值的问题,提出了一种基于Boltzmann学习策略的粒子群算法(BLSPSO)。借鉴模拟退火算法的思想,在标准粒子群算法中引入Boltzmann学习策略。在BLSPSO前期粒子能够学习不同的极值点,适当保持粒子个体多样性,提高算法全局寻优能力。在BLSPSO后期粒子更倾向于学习全局最优粒子,提高收敛速度,保证算法的稳定性。仿真结果表明,所提出的算法具有寻优能力强、搜索精度高等优点,可有效避免标准PSO算法的早熟收敛。该算法在求解多极值问题上与其他PSO算法相比有较好表现。

进化状态判定与学习策略协同更新的二进制粒子群优化算法

针对二进制粒子群算法存在收敛速度较慢及易早熟的问题,提出一种进化状态判定与学习策略协同更新的二进制粒子群优化算法(ELBPSO),将粒子群迭代过程分为收敛和跳出局部最优两个状态,在进化状态判定的收敛状态阶段采用全信息(Fully informed)学习策略来提高收敛速度,对进化状态判定的跳出局部最优状态阶段采用局部信息(Singly informed)学习策略以维持种群多样性,使算法不易陷入局部最优。实验结果表明:ELBPSO算法具有更好的收敛速度和精度,可以有效平衡收敛与跳出局部最优。

采用二次强化学习策略的多目标粒子群优化算法

针对多目标粒子群算法在进化后期易出现早熟收敛、种群多样性丢失的问题,本文提出采用二次强化学习策略的多目标粒子群优化算法SslMOPSO.首先利用无速度多目标粒子群框架,通过向所有个体历史最优学习实现粒子的第一次强化学习;其次将分解策略融入多目标粒子群算法中,使粒子向指定数量邻居的均值学习,实现粒子的第二次强化学习,增强算法跳出局部最优的能力,提高种群的多样性;最后分别在具有两目标和具有三目标的七个基准测试函数上进行仿真实验,结果表明,所提算法获得的非支配解集较对比算法具有较好的分布性,表现出较好的搜索性能.

基于侦察学习策略的粒子群算法优化

针对粒子群算法收敛能力不足和易陷入局部最优的问题,提出了一种基于侦察学习策略的新型粒子群算法。算法首先利用拓扑结构构建粒子种群,其次采用联合因子均衡算法的局部搜索能力和全局搜索能力,并通过侦察学习策略改进算法的速度和位置公式进而产生候选解;Wilcoxon秩和检验结果和CEC2017基准函数检测结果表明,新型粒子群算法的收敛能力,最优解精度以及算法稳定性更好,说明算法性能得以提升。

多策略并行学习的异构粒子群优化算法

针对标准粒子群优化(PSO)算法在复杂问题上收敛速度慢和早熟收敛的缺点,提出了一种多策略并行学习的异构PSO算法(MHPSO)。该算法首先从种群多样性和跳出局部极值的角度提出了两种新学习策略(局部扰动学习策略和高斯子空间学习策略),并将这两种策略与MBB-PSO策略融合组成高效稳定的策略池。其次提出了一种简单有效的策略更换机制,指导粒子迭代寻优中何时更换学习策略。基准测试函数的实验结果表明,改进的粒子群优化算法在求解精度和收敛速度上得到极大的提高。与一些改进PSO算法(如自适应的粒子群优化(APSO)算法等)相比,所提算法具有更优良的寻优性能。

NOMA系统中基于全面学习粒子群算法的功率分配优化

针对非正交多址接入系统中的能耗问题,提出了一种基于全面学习粒子群算法的功率分配优化方案。通过建立满足用户最低速率要求的优化模型,采用全面学习粒子群算法进行功率分配,得到最优功率分配因子。在保证用户频谱效率的前提下,使系统能量效率得到优化。仿真结果表明,在相同功率分配条件下,采用全面学习粒子群算法进行功率分配相较于现有算法进行功率分配获得了更优的能量效率。

交互学习的粒子群优化算法

分析基本的粒子群优化学习机制的缺陷,启发于人类社会不同群体之间可以交互学习的特点,提出了一种改进粒子群优化算法——ILPSO.在ILPSO算法中,粒子由2个种群构成.当2个种群中最佳的全局最优位置在连续一定的迭代次数内没有改善时,执行交互学习策略.依据每个种群的全局最优位置的适应值,运用模拟退火的机制和轮盘赌的方法确定学习种群和被学习种群.提出了一个基于适应度排序的经验公式,计算学习种群中的每个粒子向被学习种群学习的概率.为了摆脱选择压力,采用了一种速度变异的方法.多个测试函数的数值实验结果表明,IL-PSO具有较好的全局搜索能力,是一种求解复杂问题的有效方法.

基于多种群子空间学习的粒子群优化算法

针对标准粒子群(particle swarm optimization,PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于多种群子空间学习的粒子群优化算法(MSPSO)。算法将种群分成多个子群,除了传统的种群历史最优粒子和全局最优粒子,还引入分群最优粒子和混合粒子,该混合粒子随机选择各子群最优粒子的相关维度混合而成,增加种群多样性,防止算法陷入局部最优。在种群进化后期,算法对子群最优粒子进行子空间学习,帮助算法逃离局部最优,加快收敛速度。在固定评估次数的情况下,对8种经典的测试函数进行仿真实验,相比较经典知名算法如FIPS、HPSO-TVAC、DMS-PSO、CLPSO、APSO等,MSPSO算法不仅在低维和高维仿真实验中,在逃离局部最优、全局收敛速度和收敛精度上,具有绝对的优势。

综合维度学习的多群协作粒子群优化算法

针对维度学习策略(dimensional learning strategy,DLS)中存在的过度开发问题,提出了一种综合维度学习的多群协作粒子群优化算法(CDL-MCPSO)。为提高种群搜索效率,采用基于主从范式的集群结构,将种群划分为一个主群和四个从群,主群执行综合学习策略在搜索空间进行大范围探索,从群执行综合维度学习策略(comprehensive dimensional learning,CDL)在局部最优解附近进行高精度的开发,主从群通过执行具有不同职能的算法能够有效实现其在勘探和开发之间的平衡;同时为保持种群多样性,提出了一种新的解交换机制(SEM)用于在主从群独立运行各自算法若干代之后进行信息的交流与协作,以指导粒子后期进行更准确的搜索;最后,针对初始化过程随机性过高,运用拉丁超立方体采样方法对算法重建输入分布。为验证CDL-MCPSO的有效性,将其与五种粒子群算法变体在10个测试函数上进行实验对比,结果表明该算法总是可以找到优于或相当于对比算法的解,在求解复杂函数时具有可行性和高效性。

粒子群优化算法中的分步式策略

为了解决粒子群优化算法(PSO)在处理高维多极值问题时容易陷入局部最优而早熟的问题,提出了分步式学习策略和分步式评价策略。前者让粒子每次升级只向某一个榜样学习,使粒子能在更有潜力的区域搜索;并简化了其升级规则,使粒子的搜索行为更易被控制。后者对粒子的位置矢量逐维进行评价,使粒子向目标最优位置"稳步前进";并通过对维之间的关系的检测,解决了维不可分解的问题。实验证明,新算法具有很好的收敛速度和抗早熟能力。

基于多尺度分数阶多重记忆与学习的粒子群算法

针对粒子群优化算法在搜索高维多峰问题时容易出现种群多样性减少,导致算法早熟收敛,陷入局部最优等缺点,提出了一种基于多尺度分数阶多重记忆与学习的粒子群算法。该算法将分数阶微积分引入标准粒子群速度、位置更新公式,通过记忆粒子的历史速度、位置轨迹、个体最优轨迹、种群最优轨迹,借助分数阶微积分具备的长期记忆特性来充分利用寻优过程中的历史信息,增强算法的收敛速度和收敛精度。同时针对种群进化过程中出现的一些特殊情况,采用多尺度分数阶和轨迹纠错学习策略来保护种群多样性,减少算法陷入局部最优的可能。通过与其他粒子群改进算法的对比实验,结果表明,该算法具有较快的收敛速度和较高的收敛精度。

新型教与同伴学习粒子群算法求解作业车间调度问题

针对最小化最大完工时间的单目标作业车间调度问题,提出了新型教与同伴学习粒子群算法。通过教学阶段融合多邻域搜索,采用多样性变异策略以及同伴学习阶段采用混合学习策略三个方面的改进操作,扩大了种群的多样性,避免算法陷入局部最优,算法收敛速度和寻优性能有了显著提高。通过作业车间调度问题FT、LA系列测试实例的对比实验,验证了新型教与同伴学习粒子群算法是解决单目标作业车间调度问题的有效方法。

基于最优交叉的广泛学习粒子群优化

粒子群优化算法实现简单、便于操作,近年来已被广泛应用于资源分配等大规模复杂问题,但算法收敛速度慢、求解精度低等问题也制约着其进一步应用。针对以上问题,引入遗传算法的染色体交叉特性,结合广泛学习粒子群优化算法,提出一种基于最优交叉的广泛学习粒子群优化算法。通过全局最优粒子位置与个体历史最优位置执行最优交叉操作得到更优个体,加快算法收敛速度,提高对问题的求解精度。基准测试函数实验结果表明,该算法相较原算法具有更快的收敛速度和优化精度,同时Friedman检验和Wilcoxon符号秩检验结果表明,基于最优交叉的广泛学习粒子群优化算法具备较好的稳定性,优化精度和收敛速度有了较大提升。

引入测评机制的综合学习粒子群优化算法

综合学习粒子群算法(CLPSO)能够改善粒子群算法多样性差且易局部收敛的问题,相比传统PSO算法能够一定程度避免算法早熟,但却存在收敛速度慢的问题。对此,提出一种CLPSO的改进算法(CLPSO-II),为每个粒子随机构造两个学习粒子,引入测评机制,择优学习。实验结果表明,CLPSO-II能有效提高CLPSO的搜索效率,在处理多峰函数时,其性能优于传统粒子群算法(PSO)、全面学习粒子群算法(FIPS)和综合学习粒子群算法(CLPSO)。

基于改进粒子群算法的移动机器人多目标点路径规划

针对移动机器人遍历多个目标点的路径规划问题,提出了一种基于改进粒子群算法和蚁群算法相结合的路径规划新方法。该方法将目标点的选择转化为旅行商问题,并利用蚁群算法进行优化,定义了每两个目标点之间的路径规划目标函数,利用粒子群算法对其进行优化。针对粒子群算法存在的早熟现象,将反向学习策略引入粒子群算法,并对粒子群算法的惯性权重和学习因子进行改进。性能测试结果表明,改进的粒子群算法能有效避免粒子早熟现象,提高粒子群算法的寻优能力及稳定性。仿真实验结果验证了新方法能有效地实现机器人的多目标点无碰撞路径规划。真实环境下的实验结果证明了新方法在机器人多目标点路径规划的实际应用中也具有有效性。

基于改进粒子群算法的微网优化运行

微网作为分布式电源并网的一种有效途径,其优化运行成为研究的重要课题之一。在多方利益的权衡下,考虑了经济成本、环境成本、网损和节点电压偏差等多个运行指标对微网的优化运行进行建模;引入精英反向学习策略和最劣粒子排斥法对粒子群算法(particleswarmoptimization,PSO)进行改进,并将其用来解决多目标多约束的微网优化运行问题,在搜索过程中对当前最优粒子进行混沌扰动,以加强局部探索能力,提高粒子跳出局部最优解的能力。在相同的条件下,分别用改进前后的算法求解所建立的微网优化运行模型,优化结果验证了改进后算法的优越性。

基于动态双种群粒子群算法的柔性工作车间调度

针对标准粒子群优化算法存在易陷入局部最优点的缺点,提出了一种基于动态双种群的粒子群优化算法(DPSO).DPSO算法将种群划分成两个种群规模随进化过程不断变化的子种群,两个子种群分别采用不同的学习策略进行进化,并在进化过程中相互交换信息.该算法提高了全局寻优能力,有效地避免了早熟收敛的发生.将以DPSO算法为基础的排序算法和启发式分配算法(HA)相结合形成了解决柔性工作车间调度问题的新方法(DPSO-HA).通过对算例的研究和与其他方法的比较表明,该方法是有效可行的.

自适应粒子群算法在电力经济调度中的应用

以发电系统中发电费用最低为目标,结合实际发电运行中系统平衡约束和机组操作约束条件,建立了电力经济调度(ED)模型。考虑到标准粒子群(PSO)算法存在收敛速度慢以及早熟收敛的问题,通过引入进化状态估计和精英学习策略,提出一种自适应粒子群优化(APSO)算法,并将其成功应用于求解该ED模型。在Matlab平台对15台机组算例进行了仿真,仿真结果表明自适应粒子群算方法的求解精度更高。

加速度粒子群算法在多旅行商问题中的应用

标准粒子群算法(PSO)在求解多旅行商问题(MTSP)时易发生早熟收敛,为此提出一种新的加速度粒子群算法。借鉴力学思想将粒子的运动描述为受力以后在解空间中的搜索运动,粒子受个体最优、全局最优的牵引力,并受局部最优的排斥力,加速度由粒子所受的合力决定。通过审敛操作判断早熟收敛,当发生早熟时局部最优对所有粒子产生的排斥力使种群跳出局部最优继续搜索。为进一步提高算法效率,针对MTSP问题的特点设计了基于维度的粒子学习策略和编解码方法。仿真结果表明,该算法能够有效克服早熟收敛,从而提高解的收敛性和稳定性,为MTSP问题提供了一种可行的方法。