基于双种群交叉学习的粒子群优化算法

粒子群优化算法因其支配参数少、收敛速度快、易于实现等特点被广泛应用,但是粒子群优化算法存在精度低、容易陷入局部优化的问题。为此提出一种基于双种群交叉学习的粒子群优化算法。在该算法中,整个种群被分为普通子种群和精英子种群。普通子种群采用综合变异机制,该机制通过设置概率参数使普通子种群随机选择朝着优秀粒子的方向或者保持自身方向进行变异,以侧重寻找可能解区域。精英子种群则采用交叉学习机制,将粒子的历史最优和全局最优个体进行交叉生成范例,从而引导粒子对可能解区域进行局部搜索,还提出了一种非线性惯性权重来平衡粒子的全局勘探和局部开发能力。为了验证算法的有效性,在十六个基准问题上进行测试并与其他七种粒子群优化算法变体比较,实验结果表明该算法在求解精度和收敛速度总体排名第一,验证了该算法求解性能优于其他粒子群优化算法变体。

基于变尺度黑洞和种群迁徙的粒子群优化算法

针对粒子群优化(PSO)算法收敛速度慢、易早熟收敛等问题,提出基于变尺度黑洞和种群迁徙的PSO——IRBHPSO。引入变尺度黑洞来平衡算法全局探索和局部寻优的权重;在位置更新策略中引入基于混合策略的位移系数,增强算法在迭代前期的收敛速度和在迭代后期的局部寻优能力;将基于种群迁徙的蝴蝶优化算法(BOA)作为局部算子融入PSO中,改善PSO收敛速度慢、易陷入局部最优的问题。使用IRBHPSO、PSO和其他相关算法对12个基准测试函数进行仿真实验,并进行Wilcoxon秩和检验。实验结果表明,IRBHPSO具有更好的收敛精度、收敛速度和稳定性。

混合动力汽车参数的动态重组多子群粒子群优化

为了减少混合动力汽车油耗和有害气体排放量,提出了基于动态重组多种群粒子群算法的参数优化方法。介绍了并联式混合动力系统原理,制定了能量管理策略。以降低能耗和有害气体排放为目标,选取了动力系统参数和控制策略参数为优化变量,建立了多目标优化模型。以粒子群算法为基础,将粒子群划分为优势群、劣势群、混合群3类,同时给出了多种群动态重组策略和各种群的粒子更新方法,有效兼顾了粒子的多样性和搜索效率,在此基础上提出了动态重组多种群粒子群算法的车辆参数优化方法。经UDDS工况验证,优化后油耗减少了5.03%,CO排放量降低了20.39%,CH化合物排放量降低了8.18%,NOx化合物排放量降低了7.54%,以上数据说明了动态重组多种群粒子群算法在车辆参数优化中的有效性。

基于因素空间的模糊多种群粒子群算法

粒子群算法(Particle Swarm Optimizer,PSO)在处理较大数据的寻优问题时存在运行时间过长,易陷入局部最优的问题。文章基于传统粒子群算法,利用基于因素空间的特征选取法,优化特征数据组合,减少算法运行时间,利用多种群粒子群优化模型思想和模糊数学思想相结合提出基于因素空间的模糊多种群粒子群算法,增强了算法全局寻优能力并加快收敛速度,实现了算法的总体最优,改善了传统粒子群优化算法容易收敛到局部最优的缺陷。研究结果表明,与传统粒子群算法、动态多种群粒子群算法、基于密度峰值的多种群粒子群算法相比,文章所提出的基于因素空间的模糊多种群粒子群算法具有更优的寻找全局最优解能力和收敛速度。

基于异构多种群策略的动态概率粒子群优化算法

结合动态概率粒子群优化算法(DPPSO)特点,针对传统的单种群粒子群优化算法易陷入局部最优、收敛速度较慢的缺点,文中提出一种基于异构多种群策略的DPPSO.该算法在进化过程中保持多个子种群,每个子种群以不同的DPPSO变体进行进化,子种群之间根据一定规律进行通信,从而保持整个种群内部的信息交流,进而协调DPPSO的勘探和开采能力.通过典型的Benchmark函数优化问题测试并分析基于异构多种群策略的DPPSO性能,结果显示,使用该策略的算法收敛速度较快,稳定性有较显著提高,具有较强的全局搜索能力.

一种双种群遗传粒子群算法及在SMB优化中的应用

针对遗传算法和粒子群算法本身固有的局限,提出了基于Pareto非劣解集的多目标双种群遗传粒子群算法。设置两个独立种群分别进行寻优,每隔一定代数,按一定比例选取精英个体在两个种群间进行迁徙,接着继续在各自种群中寻优,最终两种群都将收敛于Pareto最优前端。通过两个测试函数和在模拟移动床(SMB)上的操作条件优化仿真试验验证,双种群遗传粒子群算法较单一种群的遗传算法或粒子群算法能在较少的进化代数上收敛,解集具有更好的分布性和多样性;并能有效地对模拟移动床操作条件进行优化。

基于种群密度的粒子群优化算法

为提高粒子群优化算法的收敛性能,提出了基于种群密度的多子群粒子群优化算法。该算法把生态学中的协同进化思想引入到粒子群优化算法中,充分考虑了环境和子群间相互竞争的关系,通过多种群的Lotka-Volterra竞争方程,动态调整各粒子群的密度,从而提高了粒子的多样性,加快了算法的进化速度。实验仿真结果表明,与单种群的粒子群优化算法相比,该算法提高了收敛速度和收敛精度。

基于双种群粒子群算法的分时段电力系统无功优化

提出了一种基于双种群粒子群算法的分时段无功优化算法,将复杂的动态无功优化问题转化为静态无功优化进行处理。文中把设备的调节代价和网损费用之和作为目标函数,考虑了包括设备相邻时段调节次数限制等约束条件。在该模型基础上,根据负荷的变化趋势,提出了一种考虑设备一天内调节次数限制的分时段算法。该方法简便,不需设置划分时段的门槛值,保证了分段的有效性和可操作性,且采用双种群粒子群算法对每个时段进行静态无功优化。该算法对离散变量进行了特殊编码,较好地解决了连续和离散变量的共同寻优,降低了网损,并减少了设备动作次数。IEEE30节点算例系统结果验证了所提算法的正确性和有效性。

粒子群优化算法种群规模的选择

介绍了相关文献对粒子群优化算法种群规模的建议,分析了种群规模与问题维度、搜索速度、精度及稳定性之间的关系,提出了一种选择种群规模的更精确的方法。选用了2个经典测试函数分别在维度为20、60、100和200的情况下,对20、40、60、80共4种不同的种群规模进行了函数优化实验。对实验结果进行了分析,给出了种群规模的一个一般性的建议,并且提出了一种基于实验的,利用种群规模与精度、时间关系图来选择种群规模的方法。

基于Predator-Prey行为的双种群粒子群优化算法

根据生物的捕食-食饵(predator-prey)行为的规律,提出了一种双种群粒子群优化(DPPSO)算法.将粒子分成predator和prey两个种群,其中predator种群每间隔一定的迭代次数后排斥prey种群.在排斥的过程中,predator种群采用"擒贼先擒王"的策略,逐步向prey种群的群体最优位置靠近,同时每个prey粒子尽量逃离距离最近的predator粒子.采用了一种速度变异的方法提高prey种群在停滞状态时摆脱局部最优的能力.基准函数的仿真结果表明DPPSO具有速度收敛快和全局搜索能力强的特点.

改进粒子群优化(MPSO)算法在动态配水中的应用

基于在水资源不充足的情况下,对都江堰灌区六大干渠水资源的合理分配,使农业效益达到最大。首先建立灌区优化配水模型,并将粒子群优化算法(PSO)及其改进的算法应用于该模型。分别对标准PSO、两种改进PSO(MPSO)算法与遗传算法进行仿真对比,结果显示采用PSO算法及其MPSO在农业经济效益上可获得更好的寻优效果,提高了水资源的利用率。

基于种群熵粒子群优化算法的上升段交会弹道优化设计

应用种群熵粒子群优化(Population Entropy based Particle Swarm Optimization,EPSO)算法研究运载火箭上升段交会弹道优化设计问题。以运载火箭和目标飞行器在交会时刻距离最小为目标函数,建立运载火箭上升段交会弹道优化模型,同时分别采用EPSO优化算法和传统粒子群优化算法进行求解。仿真结果表明,EPSO算法能够有效解决运载火箭上升段交会弹道优化问题,平均交会位置误差为8.33 m,较传统粒子群算法减少了149.37 m,平均搜索速度较传统算法提高了27%。EPSO算法收敛精度高,搜索速度快,更适用于解决上升段交会弹道优化这样的复杂约束优化问题。

基于种群熵的多粒子群协同优化

提出了一种基于种群熵的多粒子群协同优化算法,通过引入熵对种群粒子的分布性进行度量,然后利用它来引导在多种群协同演化中粒子迁徙的时间和方向,从而保持粒子在寻优过程中的多样性和快速性。通过四个典型测试函数的仿真说明了该算法具有摆脱局部极值能力和较高的收敛速度。

基于种群替代的量子粒子群算法的含风电网无功优化

针对量子粒子群算法后期收敛速度慢,且易陷入局部最优解等问题,将粒子种群全局最优替代的思想和多种群并行搜索策略相结合,设计了一种基于含局部种群变异的多种群并行搜索替代的量子粒子群算法。该算法采用种群并行搜索替代的方式引入变异,增加了种群的多样性,同时在局部种群中利用全局最优替代平均最优,加快收敛速度。分别应用基本粒子群、量子粒子群和种群替代的量子粒子群算法对某含风电网进行仿真,验证了种群替代的量子粒子群算法在含风电网无功优化中的有效性和实用性。

求解复杂优化问题的双层多种群粒子群优化算法

为解决粒子群优化算法存在的易早熟和精度低问题,提出了一种双层多种群粒子群优化算法。此算法采用上下两层,即下层N个基础种群和上层一个精英种群。各个基础种群相互独立进化,并从精英种群中得到优良信息指导自己的进化。上层精英种群首先通过接受各基础种群的当前最优粒子来更新自己的粒子集合,然后执行自适应变异操作,最后随机地向每一个基础种群输送出本次进化后的一个最优粒子来改进其下一轮搜索。该算法的并行双进化机制增加了群体的随机性和多样性,提高了全局搜索能力和收敛精度。实例仿真表明该算法具有较好的性能,尤其对于复杂多峰函数优化,成功率显著提高。

基于种群曼哈顿距离的自适应多目标粒子群优化算法

针对多目标粒子群优化算法存在收敛性不足和多样性丢失问题,提出一种根据进化状态平衡收敛性能与多样性能的自适应多目标粒子群优化算法(pmdMOPSO)。该算法首先采用种群曼哈顿距离实时检测算法的进化状态,将进化状态分为探索和收敛两个阶段,并根据进化状态的两个阶段分别采用不同的速度更新模式,实现算法性能的提升;其次设计了具有Levy飞行探索认知行为的速度动力学方程,旨在增强全局探索能力;最后使用种群曼哈顿距离构成的差分向量设计进化参数自适应更新模式,平衡算法全局探索与局部开采的能力。通过对MOP1~MOP7测试函数上的实验结果分析,表明pmdMOPSO算法较对比算法具有更好的收敛性能和多样性能。

基于种群小生境粒子群优化算法的交叉路口多相位信号配时优化

针对城市道路交叉口的交通流特性,建立无冲突车流组合.并对各优化目标采用变化的加权系数建立多目标综合优化模型.在此基础上,提出以交叉口车流组合(映射为交叉口相位)为小生境种群运动特征分量的种群小生境粒子群优化算法进行交叉口相位优化和配时优化.最后对重庆市某交叉路口进行实例研究,结果表明,该方法降低了交叉口的延误时间和停车次数,使交叉口得到了优化控制.

基于种群关系的多种群粒子群协同优化算法

传统粒子群优化算法容易陷入局部最优解,搜索效率不高,针对此问题,提出了一种基于种群关系和斥力因子的多种群粒子群优化算法SRB-PSO (Swarm-Relation-Based PSO).根据当前搜索结果定义种群之间统治、对等和被统治3种关系,通过引入斥力因子来保证种群间搜索的多样性,并通过统治和被统治关系提高算法的搜索效率,从而在改善算法的全局搜索性能的同时提高解的质量.将算法与其他几种主流粒子群优化改进算法在标准测试集上进行对比,实验结果证明了SRB-PSO算法能较好地保持粒子多样性,全局搜索能力强,在解决多峰函数时的性能优于其他几种主流粒子群优化改进算法.

基于混沌优化的双种群量子粒子群算法

提出了一种基于混沌优化的双种群量子粒子群算法(BCQPSO)。算法利用混沌序列随机生成两个种群,在子种群中惯性权重分别采用不同的更新策略,并通过种群间的融合和变异进行信息交互,提高了算法的收敛速度和解空间的遍历范围。仿真实验结果表明,所提算法具有很好的搜索能力和优化效率。

带有种群平均信息和保持活性策略的粒子群优化算法

利用种群的平均信息和保持活性策略,试图改变粒子群优化算法的性能,从而提出了一种带有种群平均信息和保持活性策略的粒子群优化算法,对典型优化问题的实例仿真说明带有种群平均信息和保持活性策略的粒子群优化算法比保持活性的粒子群优化算法具有更好的性能和全局搜索能力.