基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。

基于差分进化粒子群混合算法的多无人机协同区域搜索策略

为提高无人机群在未知环境中的区域搜索效率,提出一种多无人机协同区域搜索策略。首先,根据区域搜索任务需求,建立包含区域覆盖率、区域不确定度、目标存在概率三种属性的区域信息地图;其次,以最大化搜索效率、同时最小化无人机搜索过程中的能耗为目标,建立无人机区域搜索滚动时域优化目标函数,指导无人机在线决策搜索路线;然后针对传统群智能优化算法易陷入局部最优的缺陷,设计差分进化粒子群混合算法在线求解该多目标优化问题,提高算法的寻优性能,从而提高无人机的搜索效率。最后,通过数值仿真实验,对所提算法进行验证,仿真结果表明,文中设计的基于差分进化粒子群混合算法的多无人机协同区域搜索策略与传统的群智能优化算法相比具有更高的区域搜索效率。

一种混沌差分进化和粒子群优化混合算法

为了改善差分进化粒子群算法的局部搜索能力和收敛速度,提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力。通过对三个标准函数进行测试,仿真结果表明该算法与DEPSO算法相比,全局搜索能力、抗早熟收敛性能及收敛速度大大提高。

融合差分进化和Sine混沌的改进粒子群算法

将差分进化与Sine混沌相结合,提出一种改进的粒子群算法。利用Sine混沌映射对初始种群进行优化,提高了收敛速度;该算法通过引入非同步变化的学习因子的速度更新公式,引入随机惯性权重,使算法能够更好地兼顾全局搜索与局部优化;借鉴差分进化算法中的交叉操作,采用淘汰机制随机搜索策略,提高算法的全局搜索能力,提高算法收敛速度。为了验证融合差分进化和Sine混沌的改进粒子群算法(improved particle swarm optimization algorithm,IPSO)的性能,与基于压缩学习因子的粒子群算法(yield-based particle swarm optimization,YPSO)、自适应加权粒子群算法(self-adaptive particle swarm optimization,SPSO)等PSO相关算法以及蜘蛛蜂优化算法(spider wasp optimization,SWO)、能量谷算法(energy valley algorithm,EVA)等2023年最新算法相比较,验证融合差分进化和Sine混沌的改进粒子群算法(IPSO)的有效性。在不同维度下解决12个常用基准函数,对12个测试函数进行实验,并与其他的几种算法进行比较,实验结果表明,改进后的PSO算法收敛速度快,收敛精度高。

混沌鲶鱼粒子群优化和差分进化混合算法

为了改善粒子群优化算法的性能,引入了"鲶鱼效应"思想,改造粒子群个体的进化策略,用混沌方法改良了种群搜索策略,把这两者结合起来,既提高种群的广度搜索能力,又提升深度搜索能力,跟差分进化算法进行混合,算法优势互补,形成一种新型的混合算法,更好地协调广度搜索和深度搜索之间的矛盾,提升算法性能。经过对三个标准函数的测试,仿真结果表明该算法在逃离局部陷阱能力和搜索精度均有显著提高。

混合差分和多种群粒子群算法的T-S模糊模型辨识

为提高T-S模型的辨识精度,针对基本粒子群优化(particle swarm optimization,PSO)算法T-S模型全局优化辨识问题,提出混合差分和多种群粒子群算法的T-S模糊模型辨识方法,将T-S模型前件参数和后件参数整体编码进行全局优化辨识.为避免基本粒子群的早熟收敛和后期收敛速度慢的缺陷对T-S模型辨识精度和速度的影响,算法将种群分为若干个子群,每个子群根据粒子适应度值自适应调整惯性权重,平衡了算法的开发和探索能力,对子群最优粒子,进行差分操作以增强算法的全局搜索能力,采用全局最优粒子替代随机子群的最优粒子以加强子群间的信息交流,维持粒子多样性.典型非线性系统和混沌系统的仿真结果表明,采用混合差分和多种群粒子群算法辨识的T-S模型具有更高的辨识精度.

一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法

提出一种基于粒子群算法(PSO)和差分进化算法(DE)相结合的新型混合全局优化算法——PSODE.该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由差分操作进化而来.此外,通过采用一种信息分享机制,在算法执行过程中两个种群中的个体可以实现协同进化.为了进一步提高PSODE算法的性能,摆脱陷入局部最优点,还采用了一种变异机制.通过4个标准测试函数的测试并与PSO和DE算法进行比较,证明本文提出的PSODE算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法.

基于差分进化和粒子群优化算法的混合优化算法

为了发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,提出了一种混合优化算法(简称DPA)。该算法首先利用差分进化的变异和选择算子产生新的群体,然后通过使用粒子群优化算法和交叉、选择算子进行局部搜索。在整个算法过程中,群体寻优范围先扩散再收缩,反复迭代渐进收敛。通过3个标准算例的测试表明,新的混合优化算法与差分进化和粒子群优化算法相比,具有收敛速度快、搜索能力强、鲁棒性好的特点。

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法(PSO)和差分进化算法(DE)进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。

差分进化混合粒子群算法求解项目调度问题

针对求解资源受限项目调度问题(RCPSP),提出了基于差分进化(DE)的混合粒子群算法(PSODE)。通过在PSO种群和DE种群之间建立一种信息交流机制,使信息能够在两个种群中传递,以避免个体因错误的信息判断而陷入局部最优点。采用标准测试函数和具体算例进行检验,结果表明PSODE算法可以较好地解决RCPS问题。

混沌差分进化粒子群协同优化算法

为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.

融合自适应混沌差分进化的粒子群优化算法

针对粒子群优化算法易出现早熟收敛、收敛效率低的缺点,提出一种融合自适应混沌差分进化的粒子群优化算法.该算法首先将自适应混沌引入差分进化算法,再将所得结果进行一次校正变异和校正选择,最后将所得算法融合到粒子群优化算法,从而有效地利用与平衡了粒子群优化算法和差分进化算法的探测和开发能力,且局部搜索能力增强,进一步提高算法的求解精度和效率.数值实验证明本文算法的有效性.

一种改进的粒子群与差分进化混合算法

粒子群优化算法(PSO,particle swarm optimization)在搜寻全局最优解时易出现局部最优、收敛速度慢、收敛精度低等缺点.为此,在基本的粒子群优化算法中引入了Tent混沌操作以及惯性权重的自适应调整操作,并且与加入了参数自适应调整操作的差分进化(DE,differential evoluation)算法进行融合,提出一种改进的自适应混沌粒子群(IPSO,improved particle swarm optimization)算法与自适应差分进化(IDE,improved differertion evolution)算法的混合算法.仿真结果表明,相比于PSO和DE算法,新提出的算法具有收敛速度快、搜索能力强的优点.

基于改进差分进化和粒子群混合算法的电力系统最优潮流计算

针对电力系统最优潮流典型的非线性多峰值的非凸规划问题,提出一种将差分进化与粒子群优化算法结合在一起的混合优化算法.采用双种群进化策略,分别利用粒子群优化算法和差分进化算法进行寻优迭代,通过信息分享机制,使两个种群在寻优过程中协同进化.提出一种老化机制和精英改选机制,根据最优粒子的引导能力动态改变其寿命.在其引导能力不足时,采用一种多项式变异策略引入一个竞争个体与最优粒子竞争,使算法全局寻优能力得到加强.IEEE30节点系统仿真结果表明,算法收敛速度快、精度高,具有一定的有效性和可行性.

基于差分进化混合粒子群算法的电力系统无功优化

差分进化混合粒子群算法(DEPSO)首先利用差分进化(DE)的变异和选择算子产生新的群体,然后通过使用粒子群优化算法(PSO)进行局部搜索。该算法发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,具有收敛速度快、搜索能力强、鲁棒性好的特点。将该算法用于电力系统无功优化,通过IEEE30节点系统的仿真计算证明了该算法的快速性和有效性。

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。

混合粒子群和差分进化的定位算法

针对由测量误差造成的无线传感器网络定位精度不高的问题,提出一种混合粒子群和差分进化的节点定位算法(HPSO-DE);首先,对粒子群算法的惯性权重进行自适应更新,使得每个个体随着迭代次数的增加而增大,进而提高其全局探索能力,然后改进差分进化算法的变异策略,从而提高该算法的局部寻优能力,之后将个体先经过改进的粒子群算法优化,低于平均适应度值的个体继续通过改进的差分进化算法优化,从而得到HPSO-DE算法;HPSO-DE算法继承了二者的优点,提高了该算法的最优解精度和收敛速度;最后在无线传感器网络节点定位模型中应用HPSO-DE算法,仿真结果表明,所提HPSO-DE算法在测距误差为30%时,定位误差比PSO和DFOA分别少2.1m和1.1m,具有更高的定位精度和更强的抗误差性能。

基于差分进化的混沌量子粒子群优化算法

针对量子粒子群优化算法容易出现早熟收敛到局部最优解等缺点,本文在量子粒子群算法的基础上,提出一种基于差分进化的混沌量子粒子群算法。该算法将Logistic映射的混沌序列引入粒子中,增强了粒子的多样性;其次,对早熟的粒子进行交叉选择操作,使得粒子可以跳出局部最优值。实验结果表明,该算法相比于量子粒子群算法有较快的收敛速度和较好的收敛性能。

基于混沌差分进化粒子群算法的模糊资源受限项目调度问题

本文研究了工期模糊情况下的资源受限项目调度问题,采用一种基于区间数距离的模糊取最大运算比较模糊工期的大小,解决了以往研究中忽略的工期模糊情况下,项目关键路径可能会发生改变,相应地各活动的模糊调度时间以及项目的模糊最短工期也可能随之发生改变的问题。引入一种基于混沌和差分进化的混合粒子群优化算法,并对算法的惯性权重进行改进来求解上述问题。通过一个算例验证了所建立模型及提出方法的有效性。

一种基于差分进化混合粒子群算法的多无人机航迹规划

针对多无人机的航迹规划问题,采用一种混合粒子群算法,将其应用于多无人机的航迹规划,并保证各个无人机所经路径的代价函数总和最小。对城市环境包括楼房建筑等障碍物以及雷达干扰等禁飞区域进行建模,通过建立多个航点并插入分割点的方法,然后使用带有差分进化操作以及自适应调整惯性权重策略的混合粒子群算法进行航迹规划,最后通过仿真实验验证了该算法的有效性。