基于惯性权重对数递减的粒子群优化算法

针对粒子群算法收敛速度慢和易陷入局部最优的问题,提出了基于惯性权重对数递减的粒子群算法,并引入对数调整因子,对数调整因子的不同取值保证了算法搜索成功率。选取八种典型函数分别进行给定迭代次数和给定精度的仿真实验,并与标准PSO算法、惯性权重线性递减PSO算法、惯性权重高斯函数递减PSO算法进行比较。测试结果表明,该策略可以简便高效地提高算法的全局收敛性和收敛速度,并且具有较好的稳定性。求解大多数优化问题时,即使不引入对数调整因子新算法就可以获得较好的效果。

基于惯性权重指数递减的粒子群优化算法求解绝对值方程

利用惯性权重指数递减的粒子群优化算法求解一类不可微的NP难的绝对值方程问题.该算法通过调整惯性权重的动态变化能有效克服基本粒子群算法在后期局部搜索能力差、易陷入局部最优解的缺点.数值试验表明,在求解具有唯一解或多个解的绝对值方程时,该算法精度高,迭代次数少.

一种非线性递减惯性权重策略的粒子群优化算法

目的改进基本粒子群算法的一些缺点.基本粒子群算法是一种有效的寻找函数极值的演化计算方法,它简便易行,收敛速度快.但此算法也存在收敛精度不高,易陷入局部极值点的缺点.方法对原有算法中的固定惯性权重进行改进.结果提出一种非线性递减惯性权重策略的粒子群优化算法.结论对六种具有代表性的测试函数进行了仿真实验,并与基本粒子群算法中惯性权重分别取固定权重、线性递减权重进行了比较,说明了非线性递减惯性权重策略的粒子群优化算法具有更好的性能和全局搜索能力。

基于惯性权重非线性递减的粒子群优化算法研究

针对粒子群算法(PSO)出现“早熟”收敛,在寻优过程中易于陷入局部最优、收敛速度慢的问题,本文提出一种新的自适应惯性权重粒子群优化算法(AIW-PSO).该算法以PSO算法为基础,采用非线性递减策略对惯性权重进行调整,使其具有平衡PSO算法的全局和局部搜索能力,当算法出现早熟收敛时,再利用变异操作对群体粒子的最优解做随机扰动,以提高算法跳出局部极值的能力.通过借助6个标准测试函数将该算法与其他三种改进的PSO算法进行仿真对比,结果表明:AIW-PSO算法能够摆脱局部最优,得到全局最优解,在寻优过程中无效迭代次数更少,而且收敛率、收敛速度均具有明显的优势.

非线性递减惯性权重的简化粒子群算法

简化粒子群算法舍弃了标准粒子群算法中的速度项,使算法更加简练高效。但简化粒子群算法每个粒子都采用相同的迭代公式进行迭代,使得算法在进化后期粒子的差异性不强,算法容易出现早熟。提出非线性递减惯性权重的简化粒子群算法,每个粒子采用动态的公式进行迭代,提高粒子群的多样性,避免陷入局部最优,提高解的精度。最后在Matlab上进行数值模拟,发现改进后的算法在寻优精度和收敛速度上具有明显优势。

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。

粒子群优化算法的惯性权值递减策略研究

为了有效地控制粒子群优化算法的全局搜索和局部搜索,基于递减惯性权值的基本思想,在现有的线性递减权值策略的基础上,提出了开口向下抛物线、开口向上抛物线和指数曲线3种非线性的权值递减策略,并采用Sphere、Rosenbrock、Griewank和Rastrigrin这4个标准测试函数测试这些策略对算法的影响.试验结果表明,对于多数连续优化问题,在初始权值和最终权值相同的情况下,凹函数递减策略优于线性策略,而线性策略优于凸函数策略,凹函数递减策略能够在不影响收敛精度的情况下较大幅度地提高粒子群算法的收敛速度.

惯性权重正弦调整的粒子群算法

通过对标准粒子群算法中惯性权重的分析,提出了一种惯性权重正弦调整的粒子群算法。运用差分方程对粒子速度变化过程和位置变化过程进行分析,得到了粒子群算法的收敛条件。通过对4个典型的函数的测试,实验结果表明该方法在收敛速度和全局收敛性方面都比标准粒子群算法和随机惯性权重粒子群算法有明显改进。理论分析和仿真实验验证了新算法的正确性和有效性。

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。

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.

粒子群优化算法中惯性权重的研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法。惯性权重是粒子群算法中非常重要的参数,可以用来控制算法的开发和探索能力。简单介绍了标准粒子群优化算法的基本原理,全面综述了现有文献中对惯性权重的研究进展情况。

一种非线性改变惯性权重的粒子群算法

引入递减指数和迭代阈值对基本粒子群算法中线性递减权策略进行了改进,在优化迭代过程中,惯性权重随当前迭代次数、指数递减率和迭代阈值非线性变化。对三种具有代表性的测试函数进行了仿真实验,并与基本粒子群算法以及其他改进的粒子群算法进行了比较,结果表明,文中所提的改进粒子群算法在搜优精度、收敛速度以及稳定性等方面有明显优势。

基于随机惯性权重的简化粒子群优化算法

针对标准粒子群优化算法易出现早熟收敛、搜索速度慢及寻优精度低等缺陷,提出一种基于随机惯性权重的简化粒子群优化算法。算法采用去除速度项的粒子群简化结构,通过随机分布的方式获取惯性权重提高新算法的局部搜索和全局搜索能力,并且学习因子采用异步变化的策略来改善粒子的学习能力。考虑到个体之间的相互影响关系,每个粒子的个体极值用所有粒子个体极值的平均值代替。通过几个典型测试函数仿真及F-检验结果表明,提出的算法在搜索速度、收敛精度、鲁棒性方面较已有改进算法有了显著提高,并且具有摆脱陷入局部最优解的能力。

粒子群算法的惯性权重模型在水库防洪调度中的应用

介绍了集群智能优化算法PSO和其改进算法惯性权重模型,给出了PSO算法原理和具体的求解步骤,并将其应用于南盘江上游水库洪水调度计算,结果合理,满足防洪调度要求,证明了粒子群优化算法在水库洪水调度上可以有较好的应用,为水库防洪优化调度提供了一条新的途径。

粒子群优化算法中惯性权重综述

粒子群优化(particle swarm optimization,PSO)算法是基于鸟群觅食行为的一种新型的群体智能算法,而惯性权重是PSO算法中一个极其重要的参数,其值的选取直接关系粒子在寻优过程中的开发能力和探索能力。在介绍PSO算法的基本原理的基础上,分析惯性权重对粒子群优化算法在收敛性方面的影响,综述了现有文献对惯性权重的研究进展,并评述了各种惯性权重取值策略所取得的研究成果和存在的不足之处。

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。

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。

粒子群算法中惯性权重的实验与分析

简要介绍了粒子群算法(PSO),对算法中的重要参数惯性权重进行了系统的实验,分析了固定权重与时变权重的选择问题,并从问题依赖性、种群大小和拓扑结构等方面详细分析了惯性权重对于算法性能的影响.结果表明,惯性权重的问题依赖性较小,随着种群的增大,其取值应适当减小,局部版本下,惯性权重的选择具有更大的自由度.

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。