PSO模型种群多样性与学习参数的关系研究

粒子群优化(Particle Swarm Optimization,PSO)算法在求解复杂多峰问题时,易陷入早期收敛.通过调整惯性权重和加速系数来控制种群多样性是缓解PSO早期收敛的一个重要手段,但是目前对惯性权重和加速系数的设置主要依赖于实验设计,缺乏必要的理论支撑.针对该问题,本文提出了一种以种群未来的多样性变化调整PSO算法参数的方法.该方法首先在种群当前状态已知的条件下计算种群下一时刻多样性的期望表达式,再采用多元函数极值理论的分析方法给出了惯性权重,加速系数与种群下一时刻多样性的数学关系,该结果为PSO学习参数控制种群多样性提供有力的数学理论依据.

阵列天线的双种群遗传算法综合

提出一种双种群遗传算法(DPGA)优化阵元电流幅度,以实现对阵列天线方向图的综合。该算法采用全局与局部两个种群,对每个种群选取各自的目标函数、适应度评价指标和遗传运算方法。DPGA综合了全局种群搜索的广泛性和局部种群搜索的快速性,在全局寻优的基础上将搜索范围局限在含有最优点的较小区域,避免早期收敛,提高了算法的搜索能力。计算结果表明,DPGA不受天线频率限制,并得到比相关文献更好的结果。

求解约束优化问题改进的水波优化算法

为提高约束优化模型的求解精度,提出一种改进的水波优化算法。设计主-从异构种群,结合ε约束处理技术使主群实现探索可行解,从群利用可行解搜寻全局最优解。为加快收敛速度和增强信息交互,主群中个体可以依概率进行个体间学习,设计水波波长函数,使其随着水波的适应度值和违反约束度及时调整。为避免早期收敛,从群采用自适应学习策略以平衡群体的探索和利用。设计随迭代次数变化的放松约束度,提高算法收敛精度。对比实验结果表明,该算法可以获得高质量的可行解。

基于多次变异的遗传算法

对基本遗传算法（SGA）的变异算子进行了改进,通过多次变异,既增加了群体的多样性,防止早熟现象的出现,又保证了算法的全局收敛性。经典型优化函数测试,基于多次变异的遗传算法（MGA）优于基本遗传算法（SGA）和最优保存遗传算法（ESGA）。

粒子群优化算法的概率特性分析及算法改进

群体多样性的丧失是导致粒子群优化(PSO)出现早期收敛的重要原因,鉴于此,对PSO运动方程进行概率特性分析,指出了方程中学习参数的概率分布及参数间的相依性与群体多样性丧失之间的关系,并提出了一种自适应学习的PSO算法.该算法通过调整学习参数的概率特性来保持种群多样性,同时设计了随进化状态自适应变化的学习参数来协调粒子的全局与局部搜索能力.实验结果表明,自适应学习的PSO算法提高了收敛的精度,有效避免了早期收敛.