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。

基于改进粒子群算法的地铁隧道维护策略优化

[目的]维护策略是影响地铁隧道全寿命期服役性能和维护成本的关键因素,因此需研究更适宜的维护策略优化算法。[方法]建立了基于Gamma过程的隧道服役性能退化模型,并对检查计划和维修行为进行了参数化假设;针对维护策略优化数学模型中的随机性问题,提出了一种改进粒子群算法,并与网格枚举法对比验证了该算法的有效性;分析了不同预防性维修阈值和初始检查时间间隔对维护成本的影响。[结果及结论]改进粒子群算法可提升地铁隧道维护策略优化的计算效率;与初始检查时间间隔相比,地铁隧道全寿命周期维护成本对预防性维修阈值更加敏感。

智能算法的亚群优化策略综述

群智能算法的优化是提升群智能算法性能的一个主要途径,随着群智能算法越来越广泛地运用到各类模型优化、生产调度、路径规划等问题中,对智能算法性能的要求也越来越高。亚群策略作为一种优化群智能算法的重要手段,能够灵活地平衡算法的全局勘探能力和局部开发能力,已经成为群智能算法的研究热点之一。为了促进亚群优化策略的发展和应用,对动态亚群策略、基于主从范式的亚群策略和基于网络结构的亚群策略进行了详细调查,阐述了各类亚群策略的结构特点、改进方式和应用场景。最后,总结了亚群策略目前存在的问题以及未来的研究趋势和发展方向。

基于混合简化粒子群算法的贝叶斯网络结构学习研究

为改善当前贝叶斯网络结构学习算法易陷入局部最优、过早收敛和寻优效率低的问题,进行了混合简化粒子群算法优化贝叶斯网络结构学习的研究。该算法利用最大支撑树约束搜索空间,并提出V-结构与条件相对平均熵相结合的初始定向策略,然后利用爬山策略建立初始粒子群,再利用改进的粒子群优化算法和遗传算法对初始种群迭代优化,在迭代过程中提出条件交叉和变异策略避免粒子的随机发散更新,并结合副粒子增缓策略更新未优化粒子,避免算法陷入局部最优。该算法与其他算法在4种标准网络下进行了仿真实验。实验结果表明,所提算法在ASIA、CAR、CHILD、ALARM网络中相比于MMHC、GS、BNC-PSO、PC-PSO算法BIC评分分别平均高5.775%、5.8%、0.475%、2.75%;汉明距离HD更低,正确率ACC更高。

基于粒子群算法的“多站融合”背景下储能站运行策略研究

通过建立数据中心负荷模型、电动汽车充电站负荷模型、储能站充放电模型和5G基站负荷模型,搭建了储能站投资回报率模型。采取两阶段优化方法、粒子群算法对目标函数进行优化,最终得出“多站融合”背景下储能站的最优运行策略。仿真结果表明,典型锂离子电池在合理区间内,峰谷电价差越大,最佳充放电深度越大,在此运行策略下,储能站的经济效益最高。

基于动态搜索策略离散粒子群算法的稀疏阵列约束优化

针对目前稀疏阵列优化算法搜索策略单一和适用范围受限问题,对离散粒子群(Discrete Particle Swarm Optimization,DPSO)算法进行改进,提出了一种基于多种融合的综合粒子学习策略的算法,用其设计具有多个约束条件的稀疏平面阵列.该方法在粒子速度更新时使用基于小生境的分散解集合替换群体最优解,以形成高多样性种群.为了增强后期局部收敛性,在适时启动局部变异策略,利用变异概率自适应地调整粒子位置,并通过两个观测参数监控其运动状态.经典函数测试和平面稀疏阵列数值仿真结果证明了算法的有效性和鲁棒性.相同仿真条件下,相比于现有三种算法,该算法峰值旁瓣电平(Peak Side-Lobe Level,PSLL)分别降低了8.45%,6.77%和8.27%.

基于混合策略改进粒子群算法的配电网无功优化研究

无功优化问题需确定无功补偿点和补偿容量,针对无功优化的特点,首先在奇异值分解法的基础上,考虑多次潮流计算,依次选择无功补偿点,避免出现补偿重叠。其次以有功损耗最小、负荷电压平均偏离最小为目标函数,构建双目标无功优化模型,为解决算法收敛速度慢,粒子多样性差等问题,提出了多策略融合的改进粒子群(IPSO)算法,综合考虑了粒子在前、中、后期的特点对粒子寻优的影响,有效增强了算法局部寻优能力、种群粒子前期多样性以及后期收敛速度。最后采用IEEE30算例进行验证,相比传统方法,结果表明该方法能有效减少网损、补偿容量,提高电能质量,具有良好的优化效果。

ACCQPSO:一种改进的量子粒子群优化算法及其应用

针对量子粒子群优化算法前期易陷入局部极值点、后期寻优精度不高等问题,文章提出一种自适应交叉算子的混沌量子粒子群优化算法,并将其应用于BP神经网络超参数寻优。首先,利用Logistics映射初始种群为混沌序列进行最优解搜索,增强初始种群的随机性与遍历性,提高算法寻优能力;然后,通过纵向交叉操作进行种群中个体的信息交换,并引入自适应交叉概率公式,增加种群多样性,提高算法的寻优精度;最后,在实验中,一方面,选取8个函数在高低两个维度进行验证,同时进行Wilcoxon秩和检验分析以及消融实验,验证该算法相较其他算法的有效性;另一方面,通过算法优化BP神经网络应用到网络安全态势预测任务中,实验结果表明该算法收敛速度相较于对比算法有大幅度提升。

基于竞争式协同进化的混合变量粒子群优化算法

现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协同进化的混合变量粒子群优化算法(competitive coevolution based PSO,CCPSO)。设计基于容忍度的搜索方向调整机制来判断粒子的进化状态,从而自适应地调整粒子的搜索方向,避免陷入局部最优,平衡了种群的收敛性和多样性;引入基于竞争式协同进化的学习对象生成机制,在检测到粒子进化停滞时为每个粒子生成新的学习对象,从而推动粒子的进一步搜索,提高了种群的多样性;采用基于竞争学习的预测策略为粒子选择合适的学习对象,充分利用了新旧学习对象的学习潜力,保证了算法的收敛速度。实验结果表明:相比其他主流的混合变量优化算法,CCPSO可以获得更优的结果。

基于改进多目标粒子群的大型设备群检测策略优化方法

在大型履带起重机群(大型设备群)检验检测中,存在检测工期紧、检测质量和人员安全要求高、经济效益最大化等多目标约束下的最优检测策略制定问题,为此,提出了一种基于改进多目标粒子群的大型设备群检测策略优化方法(MOPSO)。首先,利用变异算子对传统的多目标粒子群算法优化方法进行了改进;然后,根据大型设备群检测项目的实际需求构建了检测工期、检测成本、检测质量与安全的多目标优化模型,并确定了各子目标的约束条件;最后,将该优化算法和构建的模型应用于大型履带起重机群的检测项目中,对该方法的有效性进行了验证。研究结果表明:与传统检测策略相比,在保证质量和安全的前提下,利用该方法得到最优的检测策略,其检测周期仅需3/4,检测单位成本节省了14%,受检单位成本节约了32.8%,极大地提升了检测效率,降低了企业和检验单位人力、经济和时间成本。因此,该方法具有良好的实用性和推广应用价值。

基于改进粒子群算法的两栖机器人三维路径规划研究

提出一种结合卡尔曼滤波的改进粒子群优化算法,将其应用于两栖机器人的三维空间路径规划。传统的粒子群算法参数设置过于单一,很容易陷入局部最优解,而且局部收敛速度过快。在改进的粒子群算法中,提出2种优化方案,针对个体认知c_(1)和社会认知c_(2)提出算法改进策略,来提高粒子群算法的寻优能力;粒子群算法整体与卡尔曼滤波相结合并加以改进,用于融合多个传感器的信息,预测机器人在三维空间中下一步的路径点位置,使路径规划更优、搜索效率更高。仿真结果表明,改进后的粒子群算法效果更优,迭代次数更少,需求时间更短,路径搜索更加精确,有着明显的性能优势。

基于分工和模糊控制的粒子群算法

为解决粒子群算法在求解复杂优化问题时容易陷入局部最优、寻优精度低、后期收敛慢等问题,提出一种基于分工和模糊控制的粒子群算法,使用分工、参数自适应调整和融合距离因素的模拟退火三种策略对粒子群算法进行改进。将粒子分为侦察粒子和后卫粒子,侦察粒子负责进行探索,后卫粒子向个体最优解和全局最优解学习,保证种群多样性并加快搜索速度;使用Sigmoid函数调节惯性权重,模糊逻辑控制学习因子,以平衡算法的探索和开发能力;以模拟退火机制更新全局最优粒子,同时兼顾距离因素,增强算法跳出局部最优解的能力。采用25个标准测试函数进行仿真实验,仿真结果表明,改进算法在收敛精度、速度和稳定性上都有更好表现。

基于改进粒子群算法的柔性制造系统无死锁优化调度

柔性制造系统的优化调度问题是一个复杂的组合优化和NP-hard问题。以赋时Petri网为模型、最小化最大完工时间为优化目标,利用改进粒子群算法对一类柔性制造类系统建立了一种新的无死锁优化调度方法。该方法首先采用2层编码方式对路径和工序进行编码,建立工序与粒子位置之间的一一映射关系;其次,基于实时在线的死锁避免策略对粒子进行死锁检测与修复,保证所搜索的粒子均能解码为无死锁的可行调度序列;然后,设计了2种改进策略:粒子工序定向调整策略和局部搜索策略,以提高算法的寻优效率和局部搜索能力,保证快速得到最优或次优的可行序列;最后,利用2个仿真实验验证所提算法的有效性。实验结果表明:与其他已有算法相比,改进粒子群算法在求解柔性制造系统无死锁优化调度问题上具有较好的寻优能力。

一种多策略融合的多目标粒子群优化算法

为提高多目标粒子群算法在解决复杂多目标优化问题中的整体性能,提出一种多策略融合的多目标粒子群算法.该算法采用均匀化与随机化相结合的方式初始化种群,在粒子速度更新中新增一扰动项,运用简化的k-最近邻方法维持档案以及对档案个体赋予生存期属性并动态调整生存期值.实验结果表明,在GD和SP性能指标上,本文算法与另外5种对等算法在ZDT和DTLZ系列测试问题上进行对比,其表现出了总体显著性的性能优势.

基于一种改进的粒子群算法在任务调度中的应用研究

针对粒子群算法在传统的调度问题中存在离散的优化问题效果处理不佳、容易陷入局部最优解,以及网络权重的编码和遗传算子较难抉择等问题。结合粒子群算法和灰色预测模型提出了一种新的GSPL算法。通过在粒子群算法中引入线性递减权值策略,在选取所调度的下一城市时,把选择范围限定在离当前城市最近的部分城市中,提高搜索速度,快速收敛到较优解。此外,在灰色预测模型算法的作用下,优先预测各区域的风控值,进一步提前规划预测,粒子群算法的行径方向,从而对空间最优路径求解及对局部路径进行扩充,能有效避免陷入局部最优,较快的得到全局最优解。实验结果表明,该算法性能明显优于传统的粒子群算法。

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。

融合迭代和问题维度的速度约束粒子群算法

粒子群算法广泛应用于工程、科学与管理等领域实际问题中的复杂优化问题求解,设计新的策略以应对算法的性能和效率瓶颈是该领域的研究热点。针对传统粒子群算法速度约束策略比较单一,容易导致算法收敛速度慢,性能低等问题,提出一种融合算法迭代和问题维度的速度约束策略。通过分析算法种群进化状态评估值与迭代次数及问题维度的关系,设计计算进化状态评估值的公式,使其受算法迭代次数和问题维度影响,最后根据进化状态评估值计算算法的速度约束范围,得到一种融合迭代和问题维度的速度约束粒子群算法。新的速度约束策略使粒子群算法的种群状态受到迭代次数和问题维度的影响,具有自适应性,并对不同维度问题求解具有扩展性,提高了粒子群算法的收敛速度和求解精度,仿真实验证明了算法的有效性。

基于改进粒子群优化算法的稳定进化策略实现

在进化博弈论中,从博弈参与者的角度研究稳定的进化策略是如何实现的至关重要。本文基于生物种群进化与粒子群算法相似的特点,对粒子群优化算法进行改进,即种群粒子群优化算法(population particle swarm optimization algorithms, PPSO)。然后,模拟生物群体中的模仿和变异行为现象,成功地找到进化稳定点的路径。经典的2 × 2博弈模型,如鹰鸽博弈,作为例子来模拟单个种群的进化过程。实验结果表明:1) PPSO不仅能清晰地显示迭代过程中各群体的位置,而且推导出的稳定进化点与期望值的偏差最小。这验证了粒子群算法在寻找进化稳定策略路径方面的有效性。2) 经过参数分析,我们发现决定进化稳定策略成功实现的前提条件不是变异的存在,而是变异的位置。

一种基于综合策略改进的粒子群优化算法

文章提出一种粒子分层策略和时变学习因子相结合的改进方法。首先,优于平均适应度的这一层粒子采用一种扰动策略自适应惯性权重,劣于平均适应度的这一层粒子采用线性变化惯性权重。其次,采用正弦时变学习因子,动态调整学习因子。最后,通过4标准函数进行仿真实验测试,证明改进算法的有效性。

蚁群算法与粒子群算法的融合策略

蚁群算法和粒子群算法是群智能算法的两种主要算法,本文介绍了两种算法的原理,总结出两种算法的优缺点,并针对这两种算法的不足,着重分析了两种算法的混合策略以提高算法性能。