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。

自适应惯性权重优化的粒子群算法

惯性权重作为粒子群最重要的参数之一,对全局搜索能力和局部搜索能力有重要的影响。针对传统粒子群算法的局限性,本文对其惯性权重进行改进,提出自适应惯性权重优化的粒子群算法,与原始粒子群算法相比,现在惯性权重和迭代次数与每个粒子适应度有关。仿真结果表明:本文所提出的自适应粒子群算法在迭代次数上优于基本粒子群算法,平均适应度低于基本粒子群算法。

融合禁忌搜索和惯性权重动态调整的二进制粒子群优化算法

传统的二进制粒子群算法在优化过程中容易出现收敛速度慢和容易陷入局部最优的问题,因此提出了一种融合禁忌搜索和惯性权重动态调整的二进制粒子群优化算法。该算法不仅综合了粒子群优化算法的快速性、随机性、全局收敛性的优点,而且能够进行禁忌搜索以实现局部寻优。通过在4个基准测试函数上进行实验,实验结果表明该算法在逃离局部最优解方面具有更好的能力,提高了算法的收敛性能。

一种动态改变惯性权重的自适应粒子群算法

针对标准粒子群算法在进化过程中种群多样性降低而早熟的问题,提出一种动态改变惯性权重的自适应粒子群算法.采用种群中平均粒子相似程度作为种群多样性的测度,并用于平衡算法的全局探索和局部开发.基于对惯性权重随种群多样性测度变化的动态分析,建立了惯性权重随种群多样性测度的变化关系,并将其引入该算法中.最后对6个经典测试函数进行仿真,结果表明该算法在平均最优值和成功率上都有所提高,特别是对多峰函数效果更明显.

动态改变惯性权重的自适应粒子群算法

惯性权重是平衡粒子群算法中平衡全局搜索能力与局部搜索能力的重要参数。为实现快速收敛与并避免陷入局部最优,分析了PSO算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度这三者的关系,并把粒子惯性权重定义为这三者的函数以改进PSO算法。该算法在每次迭代后根据此函数更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法。通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率。

基于自适应调整惯性权重的改进粒子群优化算法

针对粒子群算法收敛速度慢,搜索精度不高,最终收敛解波动大的问题,本文提出基于自适应调整惯性权重的改进粒子群优化算法。在惯性权重随机取值的基础上,产生随机惯性权重进行速度更新,对优良的惯性权重数值进行储存,当储存数量达到一定额度以后,在下一次迭代中以一定的概率使用已经储存的优良惯性权重数值,通过benchmark函数进行仿真验证,结果表明此方法可以有效地改善粒子群优化算法寻优末期精度差、收敛解不稳定的问题。

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。

一种动态改变惯性权重的粒子群优化算法

针对粒子群优化算法的局限性,提出了一种动态改变惯性权重的粒子群算法,在优化迭代过程中,惯性权重值随粒子的位置和目标函数的性质而变化。函数测试表明,改进后的算法使收敛速度显著加快,而且不易陷入局部极值点。

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.

基于动态调整惯性权重粒子群算法的冷热电联供系统运行优化

为实现能源梯级利用、冷热电联供系统优化运行,将基本粒子群算法、改进粒子群法、动态调整惯性权重的粒子群(IDWPSO)算法进行对比。结果表明,相较于其他两种算法IDWPSO算法在收敛速度与精度方面都有更好的表现。建立以运行成本和环保成本最小为目标的冷热电联供系统模型,并采用IDWPSO算法优化。结果表明,在满足系统负荷与约束条件下,IDWPSO算法优化后的系统综合成本有所降低,对CCHP系统优化运行具有指导意义。

一种自适应改变惯性权重的粒子群算法

针对标准粒子群算法收敛性和收敛速度的问题,分析标准粒子群算法惯性参数对算法性能优化的影响,提出一种自适应改变惯性权重的粒子群算法(ACPSO)。通过对粒子速度和位置变化过程的分析,并结合早熟收敛程度和个体适应值自适应地调整惯性权重,使得算法能在全局收敛性和收敛速度之间找到良好的平衡关系,并且通过典型的函数测试,表明此方法有效地控制了粒子群的多样性,而且具有良好的收敛速度。

一种新的带有动态自适应惯性权重和混合变异的粒子群优化算法

提出一种新的带有混合变异算子的自适应粒子群优化算法。该算法使用了动态自适应惯性权重,粒子群中所有粒子适应度的整体变化可以跟踪粒子群的状态,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。在每次迭代过程中,对符合变异条件的粒子进行混合变异。通过对六个典型的测试函数的试验,表明该方法具有较强的全局寻优能力,克服了基本PSO易陷入早熟收敛的现象,并进一步提高了计算精度。

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。

基于巴特沃斯幅频特性的自适应粒子群算法

针对传统粒子群算法存在求解精度低和易陷入局部最优等问题,提出一种基于巴特沃斯幅频特性的自适应粒子群算法(Butterworth amplitude-frequency characteristics based adaptive particle swarm optimization algorithm,BAC-PSO).一方面,借助巴特沃斯幅频特性设计一种惯性权重非线性递减策略,均衡算法中粒子的局部与全局搜索能力;另一方面,通过S型函数的粒子群优化策略和Sigmoid函数改进位置更新方法,进一步提升算法的求解精度.以5个经典的测试函数为基准,将BAC-PSO算法与5种经典粒子群算法的性能进行对比,并将其应用到求解压力容器模型的设计问题中.实验结果表明,相较于其他经典粒子群算法,BAC-PSO算法的求解精度更高,收敛速度更快,稳定性更好.

一种改进惯性权重的粒子群优化算法

针对粒子群算法易陷入局部最优解的问题,提出一种改进惯性权重的粒子群优化算法(CWPSO)。首先引入Sigmoid函数构造自适应的惯性权重策略;然后引入线性递减的惯性权重策略;最后通过群体适应度方差将自适应惯性权重策略和线性递减惯性权重策略动态结合,构造综合惯性权重策略,以提高算法全局搜索和局部搜索的能力。实验结果表明,CWPSO算法的寻优性能相较于对比算法有明显提升。

一种动态惯性权重的自适应粒子群优化算法

在标准粒子群算法中,权重过大导致最优点的搜寻能力降低,不能适应复杂的非线性优化搜索过程,动态惯性权重的自适应粒子群算法(APSO)解决了这一问题。在该算法中,粒子群中所有粒子适应度的整体变化可以跟踪粒子群的状态,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。通过对几种典型函数的测试结果表明,APSO算法的收敛速度和收敛精度明显优于LDW算法,从而提高了算法的性能。

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.

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。

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。

基于遗传粒子群动态聚类算法的物流柔性分拣系统品规分配

目的针对目前烟草物流配送中心条烟分拣量大,不同条烟品规的分配对订单的总处理时间影响较大的问题,研究平衡各个分拣区品规的分配,提高分拣效率。方法建立以各分区品规相似系数和最小为目标函数的数学模型,并采用改进的遗传粒子群动态聚类(GAPSO-K)算法进行求解。首先,结合各品规分拣量对品规相似系数进行改进,并将其作为适应度函数;然后在粒子群算法中对惯性权重因子进行改进,使其值可以进行自适应改变;最后,在粒子群动态聚类算法中引入遗传算法中的交叉变异扩大解的搜索范围,基于Matlab对文中的其他算法进行求解对比,求得结果在EM-plant中进行仿真验证。结果结合某烟草物流配送中心数据仿真验证,利用GAPSO-K算法处理订单的时间为234.5 s,较传统时间大幅度较少,有效提升了柔性物流分拣效率。结论采用该算法可充分发挥2种算法的优良性,具有更好的收敛性及寻优性,为柔性物流品规分配提供了新思路。