陷阱标记联合懒蚂蚁的自适应粒子群优化算法

为解决现有粒子群改进策略无法帮助已陷入局部最优和过早收敛的粒子恢复寻优性能的问题,提出一种陷阱标记联合懒蚂蚁的自适应粒子群优化(adaptive particle swarm optimization based on trap label and lazy ant, TLLA-APSO)算法。陷阱标记策略为粒子群提供动态速度增量,使其摆脱最优解的束缚。利用懒蚂蚁寻优策略多样化粒子速度,提升种群多样性。通过惯性认知策略在速度更新中引入历史位置,增加粒子的路径多样性和提升粒子的探索性能,使粒子更有效地避免陷入新的局部最优。理论证明了引入历史位置的粒子群算法的收敛性。仿真实验结果表明,所提算法不仅能有效解决粒子群已陷入局部最优和过早收敛的问题,且与其他算法相比,具有较快的收敛速度和较高的寻优精度。

基于改进粒子群算法的冗余机械臂逆运动学求解

为构造最小位姿误差及最优适应值的目标函数,对标准粒子群算法进行优化改进,以解决冗余机械臂逆运动学求解问题,从4个方面对标准粒子群算法进行改进,包括种群初始化、惯性权重参数调整、差分变异及局部深度搜索等,形成的改进粒子群算法(IPSO2)具备粒子群进化及差分变异进化两种性质。使用IPSO2、IPSO1、PSOTD、PSOd及传统PSO进行冗余机械臂逆运动学求解,通过Matlab仿真实验可知,IPSO2算法相较于其他算法,其最优、最差及平均适应值、标准差、最优解成功率更加出色,模拟曲线收敛精度更佳,收敛速度更快。为了验证IPSO2算法的实用性及鲁棒性,将其用于PUMA型机器人的逆运动学求解,试验结果表明,最优适应值精度可维持在10-15数量级,说明IPSO2算法在冗余机械臂逆运动学求解中具有实用性,可为相关研究提供参考。

基于收敛粒子群算法的重载铁路列车运行调整方法

针对施工天窗对重载铁路行车安全限速和行车安全产生的不良影响,提出了基于收敛粒子群算法的重载铁路列车运行调整方法。首先,在分析列车追踪间隔影响因素的基础上,推导出不同编组类型重载列车之间的追踪间隔计算公式,实现了重载列车追踪间隔计算。然后,考虑施工天窗后的限速要求,以重载列车总晚点时间为优化目标,以列车区间最少运行时分、追踪间隔时分、列车停站时分、天窗时间段内禁止行车、天窗后安全限速等为约束条件,建立了施工条件下重载铁路列车运行调整模型,刻画了考虑安全限速的重载列车运行调整问题。通过优化列车到站、离站以及通过车站时刻,实现重载列车运行调整。进而,针对模型特点,在经典粒子群算法中引入收敛因子,设计了收敛粒子群算法对模型进行求解。最后,以朔黄铁路运输生产数据为基础,对建立的重载铁路运行调整模型进行实例化处理,验证了模型和算法。实验结果表明,对于求解重载铁路运行调整问题,设计的收敛粒子群算法比经典粒子群算法在计算效率上提升了5.45%,而求解精度保持不变。该方法可压缩重载列车追踪间隔,提高重载铁路运输效率,保证行车安全,提高基于安全限速的列车运行调整效率,为施工条件下重载铁路列车运行调整工作提供决策支持。

多仓库物流周期联合配送粒子群择优算法仿真

采用目前方法优化物流配送方法时,由于未提取物流配送成本的最小能耗参数,导致物流配送工作仍存在物流配送时间过长、配送距离较远的问题。于是提出新的多仓库物流周期联合配送粒子群择优算法。考虑实际运输量和车载率在运输成本取值最小时对运输成本的影响,提取物流配送成本的最小能耗参数,同时获取油耗量、载重量、时间窗、行驶速度的最优向量指标。建立基于优化目标的物流配送优化模型,利用收敛条件简化物流配送优化模型的计算复杂度并输入粒子群择优算法中迭代求解,实现物流配送的整体优化。仿真结果表明,所提方法物流配送时间短、物流配送距离短,具有良好的实用性能。

改进的粒子群算法及收敛性分析

针对PSO算法对多峰值函数搜索易陷入局部极值点的缺点,提出一种改进的粒子群(MPSO)算法。MPSO算法采用逃逸策略和免疫学习策略来保证种群多样性,使算法能有效进行全局搜索。并讨论MPSO算法的收敛性,证明其能以概率1全局收敛。最后用3个常用的测试函数进行仿真,实验结果表明MPSO算法比PSO算法有更好的收敛性和更快的收敛速度。

具有快速收敛和自适应逃逸功能的粒子群优化算法

为了克服标准粒子群优化算法(PSO)后期收敛速度慢、容易陷入局部最优等缺点,借鉴人工蜂群算法的思想,提出了一种提高收敛速度并且带有自适应逃逸功能的粒子群优化算法(FAPSO)。算法中每进化一次粒子搜索两次:一次全局搜索,一次局部搜索。当粒子陷入局部最优时,通过逃逸功能使粒子重新搜索。8个经典基准测试函数仿真结果表明,改进的粒子群优化算法在收敛速度和寻优精度上均有提高,相对于目前常用的改进粒子群优化算法如CLPSO等,t检验结果说明,新算法具有明显的优势。

惯性权重粒子群算法模型收敛性分析及参数选择

为提高粒子群算法的收敛性,基于动力系统的稳定性理论分析了带有惯性权重的粒子群算法模型的收敛性,提出了在算法模型收敛条件下惯性权重w和加速系数c的参数约束关系。使用4个测试函数对具有所提参数约束关系的惯性权重粒子群算法模型和典型参数取值惯性权重粒子群算法模型进行了对比仿真研究,实验结果表明,具有提出的参数约束关系的惯性权重粒子群算法模型在收敛性方面具有显著优越性。

粒子群优化算法收敛性分析

对粒子群优化算法的收敛性进行了分析,给出了收敛条件,数值试验计算验证了收敛性分析结果。讨论了粒子群优化算法参数选取的基本原则。

一种快速收敛的改进粒子群优化算法

采用离散线性系统的状态方程,根据系统稳定性理论,推出了保证粒子群优化算法收敛性的参数设置区域。在收敛性理论分析的基础上,提出了一种快速收敛的改进粒子群优化算法,它是基于二阶系统按最佳阻尼比的思想来设定粒子群速度更新公式中的惯性权重。通过标准测试函数的性能测试,验证了改进粒子群优化算法的收敛性和快速性,并和惯性权重线性递减的标准粒子群优化算法进行了比较。仿真结果表明,该算法具有可靠的收敛性能和更快的收敛速度。

基于收敛性分析的偏差粒子群算法及PID仿真应用

基于对粒子群算法(PSO)的收敛性分析,对粒子群算法做出改进。主要解决粒子群算法的早熟、不收敛等问题,并成功将算法应用于控制过程中不稳定对象的比例、积分、微分(PID)参数调节,取得较好效果。与修改前的粒子群算法相比,该算法不易早熟,算法结束时所有粒子均位于同一坐标下。经过12个测试函数测试,该算法的优化结果相较遗传算法(GA)、粒子群算法(PSO)、萤火虫算法(FA)、差分进化算法(DE)和混合萤火虫算法(HFA)更接近全局最优,且多次运行偏差较小。

连续型粒子群优化算法的均方收敛性分析

粒子群优化算法是基于生物群体内个体间的合作与竞争等复杂行为产生的群体智能优化算法,已有的理论分析多在确定性的情况下进行算法收敛性分析.本文基于随机系统的矩方程法分析了连续型粒子群优化算法的均方收敛性,并给出了能够保证算法均方收敛域,最后通过仿真实验分析验证了相关结论.

依概率收敛的改进粒子群优化算法

粒子群优化算法是一种随机优化算法,但它不依概率1收敛到全局最优解。因此提出一种新的依概率收敛的粒子群优化算法。在该算法中,首先引入了具有探索和开发能力的两个变异算子,并依一定概率对粒子当前最好位置应用这两个算子,然后证明了该算法是依概率1收敛到ε-最优解。最后,把该算法应用到13个典型的测试函数中,并与其他粒子群优化算法比较,数值结果表明所给出的算法能够提高求解精度和收敛速度。

粒子群优化算法的收敛性分析

根据粒子群优化(Particle swarm optimization,PSO)算法的数学模型定义粒子状态序列和群体状态序列,并分析其马尔可夫性质,引入了粒子转移概率,证明了粒子及种群的最优状态集的封闭性;进一步基于随机过程理论证明了群体状态以概率转到最优状态集,从而证明了标准粒子群算法以一定概率收敛于全局最优。

基于量子粒子群算法的收敛性研究

对基于量子行为的粒子群算法(QPSO)的收敛性进行分析。QPSO算法不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛性。通过四个经典的基准函数对算法进行测试,将QPSO算法与PSO算法进行深入比较。通过实验结果表明,QPSO算法在收敛性能上大大优于PSO算法。

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。

基于突变策略的自适应骨干粒子群算法

骨干粒子群算法是由标准粒子群算法演变而来的,其在粒子位置更新方面采用了高斯采样策略。针对骨干粒子群算法在解决高维优化问题时存在的易陷入局部最优的问题,文中引入了具有下降趋势的时变因子,提出了一种基于突变策略的带有自适应扰动值的骨干粒子群算法。该算法在高斯分布的均值项中引入两个服从均匀分布的随机数,在高斯分布的标准差中引入了一个自适应扰动值,且给出了突变策略进一步保证粒子收敛到全局最优解。改进后的算法与其他5种粒子群算法在9个经典测试函数上进行仿真实验,结果表明改进的算法在收敛速度和收敛精度方面的综合表现都优于其它算法。

粒子群算法两种动力系统模型的收敛性研究

粒子群算法是基于群智能的优化演化算法,目前国内外文献对该算法的研究缺乏深刻且具有普遍意义的理论分析.本文,首先由动力系统的平衡理论,通过一阶差分方程模型得到PSO算法的稳定点;其次通过二阶差分方程模型用特征根法进一步推出算法的收敛性及系数收敛域,两种方法得到的结论殊途同归,彼此验证了结论的正确性与合理性.

多飞行器协同任务分配的改进粒子群优化算法

为提升多飞行器编队执行任务的效率和性能,提出一种用于多飞行器协同任务分配的改进粒子群优化算法。考虑飞行器任务能力约束,飞行器执行任务时付出的威胁代价、航程代价以及完成任务的收益,从而构造问题的数学模型。将粒子的位置属性编码为一组任务分配向量,从任务分配向量可解码出对应的任务分配解,实现粒子群优化算法解的离散化。为解决粒子群优化算法容易陷入局部收敛的缺点,提出一种跳出局部收敛的策略。该策略基于模拟退火算法,生成新粒子,以一定概率决定是否保留新粒子,并将跳出局部收敛的策略应用到传统粒子群优化算法中,建立可用于多飞行器协同任务分配的改进粒子群优化算法。数字仿真实验结果表明,与现有算法相比,所提算法能显著提高多飞行器任务分配的收益和效率。

粒子以概率收敛的粒子群算法的分析与实现

粒子群算法的收敛过程是通过粒子向收敛目标点的移动实现的。粒子向目标点的移动既可以按一定的轨道实现,也可以按给定的概率密度随机移动实现。通过分析随机移动时概率密度函数所应遵循的条件,给出了两大类共四种符合要求的概率密度函数,使用随机模拟的方法,将其中三种转化成为粒子的移动方程,从而给出了不同于传统粒子群算法的三种算法。经过在相同条件下对三个标准测试函数的优化运算,除算法2外,算法1与算法3表现均显著优于标准粒子群算法。

粒子群算法的收敛性和多样性分析与优化

针对粒子群优化算法的收敛性和多样性问题,提出一种基于混沌优化的震荡粒子群优化算法。该算法利用混沌特性和震荡环节扩大粒子搜索的遍历性,将混沌状态引入到优化变量使粒子获得持续搜索的能力。实验测试证明该算法不仅能保持种群的多样性,而且能有效避免算法陷入早熟收敛现象。