基于改进惯性权重的PSO算法

针对基本粒子群算法的早熟收敛以及局部和全局搜索的平衡能力差等问题,提出了一种带有平衡因子(α)的非线性衰减的惯性权重粒子群算法(NLDPSO)。通过四个标准测试函数的仿真验证,结果表明,对α进行调整,使得局部和全局搜索的平衡能力达到较佳,大大改善了基本粒子群算法的早熟收敛缺陷,同时,与其他非线性衰减的惯性权重算法比较,文章算法的鲁棒性更高。

基于改进惯性权重PSO算法的水库防洪联合调度研究

针对望谟县洪灾频发的现状,基于改进惯性权重的PSO算法,以动用新屯、纳坝水库的防洪库容最小为目标,建立了水库防洪联合调度模型。在保证水库工程安全和控制断面低于保证流量的前提下,通过防洪联合调度,两库(纳坝、新屯)库堤结合方案使望谟县城市防洪标准由现状20年一遇提高到50年一遇,50年一遇洪水削峰率约为33.7%。其中,纳坝水库50年一遇洪水的安全下泄量为23.5 m^(3)/s,新屯水库50年一遇洪水的安全下泄量为16.5 m^(3)/s。实例应用可为水库群防洪联合调度研究提供参考。

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。

融合随机重启爬山算子的改进遗传算法求解FJSP

针对传统遗传算法在求解柔性车间调度问题时,存在种群的动态适应能力差、容易陷入局部最优等问题,提出一种融合随机重启爬山算子的改进遗传算法。通过双种群交叉,增强种群间的信息交流能力。引入收敛准则,在维护种群多样性的同时防止种群的优良个体被过度破坏。结合随机重启爬山法的思想进行局部搜索,提升了算法的局部搜索能力。仿真实验表明,所提出的算法在不同规模的问题中,都有着明显的寻优能力。

基于IMQ惯性权重策略的自适应灰狼优化算法

针对灰狼优化算法(Grey Wolf Optimizer, GWO)寻优精度低、收敛速度慢的问题,提出了一种基于IMQ惯性权重策略的自适应灰狼优化算法(ISGWO)。该算法利用IMQ函数的特性,实现对惯性权重的非线性调整,从而更好地平衡算法的全局勘探能力和局部开发能力;同时,基于Sigmoid指数函数自适应更新个体位置,更好地搜索和优化问题的解空间。采用6个基本函数和29个CEC2017函数对ISGWO进行测试,并与6种常用的算法进行比较,实验结果表明ISGWO具有更优的收敛精度和速度。

基于动态惯性权重的电子节气门改进PSO-BP优化控制

针对汽车电子节气门系统存在的动态迟滞非线性问题,提出一种模糊神经网络PID控制器的设计方法。该控制器将动态调整惯性权重的粒子群优化算法和BP算法结合来优化模糊神经网络参数,修正模糊神经网络在寻优过程中收敛缓慢、易陷入局部最小值的不足。利用模糊神经网络的自学习能力,对PID控制器参数进行整定。仿真结果表明,经过优化后的模糊神经网络PID控制器相比于模糊PID控制器在响应时间、超调量和振荡次数等方面都有显着提升。在模拟气流扰动工况施加扰动信号后,该控制器表现出良好的抗干扰性能。在电子节气门响应试验中,节气门响应曲线存在轻微超调,但稳态误差较小,表明该控制方法下电子节气门具有良好的动态响应特性。

基于惯性权重调整的果蝇优化算法在WSN中的应用

目的:针对无线传感器网络随机部署节点的区域覆盖和传感器节点能量消耗问题,提出一种基于惯性权重余弦自适应调整策略的改进果蝇优化算法。方法:该算法在果蝇优化算法基础上,通过引入惯性权重的学习因子调整策略,在线调整算法的搜索步长。结果:增强了果蝇个体的自适应性及全局搜索能力,从而实现全局最优。结论:仿真实验表明,提出的改进果蝇优化算法不仅提高了收敛速度和全局搜索能力,还显著提升了WSN的覆盖率。

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。

一种改进的变权科莫多优化算法及其应用

针对科莫多算法(KMA)在求解复杂函数和高维情况下容易出现早熟收敛的问题,提出了一种改进的变权科莫多优化算法(VWCKMA)。首先利用Tent混沌映射产生的序列对科莫多个体位置进行位置初始化,为全局搜索的多样性奠定基础。然后提出可变惯性权重,分别对不同社会等级的科莫多个体的运动进行不同控制,较好地提高了收敛速度。最后利用Tent混沌映射进行局部扰动,使其能够进行更加精确的局部搜索,避免局部最优值。仿真实验表明,在单峰函数和多峰函数求解的标准差和均值中,VWCKMA在收敛精度和收敛速度方面均有很大的提高。针对实际空气污染物PM_(2.5)预测非线性的问题,利用VWCKMA对BP神经网络的权值和阈值进行迭代寻优,基于最优参数的条件下使用BP神经网络对PM_(2.5)进行预测。实验结果表明预测准确率为85.085%,相比单一BP神经网络预测准确率提高19.85个百分点,体现VWCKMA具有一定的实践应用价值。

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。

改进随机惯性权重粒子群算法在灌溉配水中的应用

灌溉配水是当前节水农业研究的焦点。本文在考虑工业、生活、环境供水量因素下,建立了以作物经济效益最优的灌溉优化配水模型,将改进随机惯性权重粒子群优化算法对模型进行优化求解,结合灌区实验数据进行仿真,得出改进算法能解决作物的优化灌溉问题。

基于反正切惯性权重的改进灰狼优化算法

针对灰狼优化(GWO)算法求解精度低和收敛速度慢等问题,提出了一种基于反正切惯性权重的改进优化(AGWO)算法。AGWO基于反正切函数构造惯性权重,增强了算法的全局搜索能力和局部搜索能力。使用6种经典的测试函数验证AGWO算法的寻优性能,实验结果显示,相比于5种经典的群智能算法,AGWO算法具有更快的收敛速度和更高的求解精度。近年来,各种智能算法如粒子群优化(PSO)算法[1]、蚁群(ALO)算法[2]、萤火虫优化(FA)算法[3]、果蝇优化(FOA)算法[4]等相继被提出。

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。

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。

集成随机惯性权重和差分变异操作的樽海鞘群算法

为了提高樽海鞘群算法(Salp Swarm Algorithm,SSA)的收敛速度、计算精度和全局优化能力,在分析总结粒子群优化(Particle Swarm Optimization,PSO)和差分进化(Differential Evolution,DE)算法相关研究成果后,提出了一种集成PSO算法随机惯性权重和DE算法差分变异操作的改进SSA算法——iSSA。首先,将PSO算法的随机惯性权重引入SSA算法的追随者位置更新公式中,用于增强和平衡SSA算法的勘探与开发能力;其次,用DE算法的变异操作替代SSA算法的领导者位置更新操作,以提高SSA算法的收敛速度和计算精度。为了检验随机惯性权重和差分变异操作对SSA算法的改进效果,在多个高维基准函数上进行了仿真实验,并与其他改进SSA算法进行了比较。实验结果及分析表明,与SSA算法和两个典型的改进SSA算法(ESSA和CASSA)相比,集成随机惯性权重和差分变异操作的iSSA算法,在没有增加算法时间复杂度的情况下,显著地提高了SSA算法的收敛速度、计算精度和全局优化能力,并且优于ESSA算法和CASSA算法。

具有自适应随机惯性权重的PSO算法

通过对标准PSO算法中惯性权重和全局最好值的分析,提出了一种根据全局最好值的变化而自适应变化的随机惯性权重的方法。通过对5个典型的Benchmark函数的测试,结果表明此方法在收敛速度和全局收敛性方面都较线性递减的惯性权重的方法有所改进。最后,将改进的PSO算法应用于分类问题,与标准PSO算法与C4.5的结果相比,分类精度和速度都有所提高。

具有随机惯性权重的PSO算法

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种优化算法,当前,在相关领域内,倍受国内外学者关注。该文在分析基本PSO算法的速度进化方程的基础上,提出一种能更好描述微粒进化过程的速度方程,由其引出一种具有随机惯性权重的PSO算法;通过五个典型测试函数的仿真实验,验证了其可行性,同时也表明具有随机惯性权重的PSO算法较具有线性递减惯性权重的PSO算法在收敛速度和全局收敛性方面有明显提高。

一种改进的自适应惯性权重的粒子群算法

针对传统粒子群算法容易陷入局部最优、收敛速度快,导致收敛精度低等弊端,一种改良的自适应惯性权重的粒子群算法在本文中被提出.通过对粒子飞行速度和位置变化的分析,并结合粒子的自适应值动态调整惯权重,使得算法能够在全局空间和局部空间搜索之内达到良好的均衡.选择典型的测试函数,将改进后的粒子群算法(PSO-A)、带收缩因子的粒子群算法(PSO-X)和惯性权重线性递减粒子群算法(PSO-W)的性能进行了对比分析.最后采用MATLAB软件进行算法仿真,从结果得出,本文所提出的自适应改变惯性权重的粒子群算法在收敛精度、收敛速度上都取得了明显的改善.