自适应策略优化的粒子群优化算法在神经网络架构搜索中的应用

针对神经网络架构搜索(NAS)任务,提出一种自适应重启策略驱动的协作学习粒子群优化(ARCLPSO)算法。算法核心流程包括协作学习与信息共享、策略切换和参数自适应,以改进传统粒子群优化(PSO)算法在NAS中的性能。ARCLPSO算法结合了全局与局部信息的协同作用和智能切换学习策略。具体地,ARCLPSO利用全局和局部信息的协同作用令粒子向更优的方向移动,通过智能的切换粒子学习策略平衡粒子的搜索性能和收敛速度,提高搜索速度和搜索质量。在NAS-Bench-101数据集上的实验结果表明,ARCLPSO的收敛时间相较于传统进化算法(REA)和随机搜索(RS),分别减少了40.9%和55.2%。

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。

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。

融入重心反向学习和单纯形搜索的粒子群优化算法

针对粒子群优化PSO算法后期种群多样性差和易陷入局部最优解等问题,提出具备重心反向学习和单纯形搜索行为的粒子群优化COLS-PSO算法。初始时,基于混沌策略构造出搜索空间。进化过程中,基于Spearman系数选择需要进行重心反向学习的粒子,以帮助算法逃离局部极值区域。进一步引入局部搜索能力较强的单纯形搜索方法增强对最优粒子邻近区域的开发,以提高搜索精度。实验先在若干标准测试函数上进行,之后将COLS-PSO算法应用于软件测试数据生成问题。实验结果表明,COLS-PSO算法在求解精度、收敛速度和有效性方面表现较好,能够有效平衡种群多样性和算法收敛性的矛盾。

基于粒子群遗传禁忌的武器目标分配优化算法

针对传统的粒子群算法与遗传算法在解决武器目标分配优化时存在收敛精度不高的问题,提出了一种基于粒子群遗传禁忌的武器目标分配优化算法WTAO-PGT。通过引入自适应选择比例调控种群多样性,并改进遗传算法的交叉、变异算子以及禁忌搜索的邻域动作,使算法具有较强跳出局部极值的能力。仿真实验结果表明,所提算法在收敛精度上较粒子群禁忌混合搜索等算法有较大提升。

基于混合离散粒子群优化的控制模式分配算法

连续微流控生物芯片是生物化学实验自动化、微型化的革命性技术.多路复用器的控制模式分配作为连续微流控生物芯片自动化设计的关键环节之一,是难的NP(Non-deterministic Polynomial)优化问题.现有工作采用粒子群优化算法求解控制模式分配问题存在过早陷入局部最优解、收敛速度慢以及算法稳定性差的缺点.为此,本文提出一种连续微流控生物芯片下基于混合离散粒子群优化的控制模式分配算法.首先,为了加快算法收敛速度及避免过早陷入局部最优解,提出了离散的自适应区域搜索策略.其次,通过基于样例的社会学习机制提高了算法的稳定性.然后,采用等距抽值的方式筛选出自适应区域搜索策略中重要参数的最佳组合,以进一步提高分配方案的质量.最终实验结果表明,所提算法在多路复用器中阀门使用数量上平均优化了19.01%,在算法稳定性上提高了29.18%,且在现实的生化应用中有良好的性能表现.

改进粒子群优化多拦截器目标分配方法研究

为提高多拦截器拦截对抗场景下的目标分配效能,对多拦截器目标分配算法展开研究。首先提出了目标分配问题的离散优化模型,其次设计了一种改进粒子群优化算法,引入变邻域搜索算法解决传统粒子群优化算法容易陷入局部收敛的问题,设计目标分配矩阵以及适应度函数模型解决带约束离散优化问题,同时避免了编解码算法造成的精度损失;再次设计局部跳出算法的启动准则,提高了算法的效率;最后仿真分析表明:改进粒子群优化算法相对传统算法分配效能可提高9.4%,且收敛结果与全局最优偏差不超过0.1%。

改进粒子群优化算法在搬运机器人机械臂中的应用

针对搬运机器人机械臂空间规划的时间最优问题,提出一种含有动态学习因子、变惯性权重因子并结合天牛须搜索(Beetle Antennae Search,BAS)算法的改进粒子群优化(Particle Swarm Opitimization,PSO)算法。通过运动学分析得到工作空间,引入3-5-3多项式插值进行轨迹规划,对运动过程的加速度和速度进行约束,得到运动过程的最短时间;对比改进前后的粒子群优化算法收敛速度,分析了各个关节的运动时间变化情况,并进行了仿真和试验验证。该算法将学习因子设为变量,使算法跳出局部最优;采用变惯性权重因子提高了算法搜索效率;结合天牛须搜索算法,加快了算法搜索速度、提高了搜索精度。结果表明,改进粒子群优化算法的收敛速度和精度都有所改善,避免了局部最优情况;整体的运动时间缩短了约15.9%。使用该算法的搬运机器人机械臂的关节角度、速度、加速度曲线平滑稳定,该改进算法有效。

基于最优邻域搜索粒子群的低轨卫星通信任务规划方法

针对低轨卫星通信中的任务规划问题,提出了一种基于最优邻域搜索粒子群优化(Particle Swarm Optimization,PSO)群算法的任务规划方法。引入最优近邻搜索,通过最优粒子间的差分值来促进局部搜索,设计了惯性权值、社会和自我学习因子的优化方式,最终能够高效求解低轨卫星通信星座中多转发器与多任务的组合优化问题,用以应对低轨卫星过境时间限制和链路切换导致的时间段离散问题,并使得算法前期具有更强探索全局最优和后期快速收敛的能力。实验验证结果表明,该方法能够在低轨卫星中的约束条件下,有效提高卫星平均资源占用率(Average Occupancy Percentage,AOP)的同时减少算法收敛的迭代次数,显著降低运行时间开销。

协同粒子群算法的乌鸦搜索算法与无线传感器网络应用

无线传感器网络技术在随机部署过程中经常面临节点分布不均匀的挑战。为了提高节点部署覆盖率,提出了一种协同粒子群算法的乌鸦搜索算法。该方法将粒子群优化与乌鸦搜索算法相结合,使乌鸦搜索算法能够利用粒子群优化的全局最优位置信息,平衡全局和局部搜索能力。在初始化过程中,采用了Logistic混沌映射来处理种群的多样性。此外,引入自适应步长和Levy飞行,提高了算法逃避局部最优的能力,提高了收敛速度和优化精度。当应用于优化8个基准函数和部署WSN节点时,新算法始终优于其他智能算法,证明了其在函数优化和WSN节点部署方面的有效性。

基于改进多目标粒子群优化算法的长距离城乡输水管道优化

长距离输水管道在水资源配置中具有重要作用,其优化设计直接影响到水资源的输送效率。本文针对长距离城乡供水管道系统的优化问题,提出了一种基于改进多目标粒子群优化算法(MOPSO)的新方法。综合优化输水管段直径和输水线路,以费用投资最小和流量保证率最大为目标函。结果表明,所提方法相较于传统粒子群优化算法流量保证率提升了2.25%,管道费用减小了225.64万元,并且在多个性能指标上显著优于目前经典的多目标优化方法。研究结果为长距离输水管道设计提供参考。

改进粒子群-禁忌搜索算法在多目标无功优化中的应用

针对有功网损、电压偏差和静态电压稳定裕度的多目标无功优化问题,提出一种基于改进粒子群-禁忌搜索算法的多目标电力系统无功优化方法。以最小特征值模为电压稳定裕度指标建立了3个目标函数的单一妥协模型。应用Kent映射产生的混沌序列作为初始种群,保证初始种群的多样性和均匀性。粒子群优化(PSO)算法进行前期计算时,采用凸函数递减惯性权重和自适应学习因子提高算法的收敛速度和精度;针对PSO算法搜索精度不高和陷入局部最优的问题,在PSO算法后期收敛后引入禁忌搜索算法全局寻优。基于群体适应度方差,引入模糊截集理论将模糊集合转化为经典集合,定义了经典集合下的收敛指标,当其值为0时进入禁忌搜索计算阶段,解决2种算法的切换问题。将所提方法应用于IEEE14、IEEE30和IEEE118节点系统中,验证了其有效性和可行性。

基于粒子群优化和深度强化学习的策略搜索方法

深度强化学习DRL算法是一种常用的策略搜索方法,已成功应用于一系列具有挑战性的控制任务。但是,由于DRL难以应对奖励稀疏问题,缺乏有效的探索以及对超参数具有极其敏感的脆弱收敛性,使其难以应用于大规模实际问题。粒子群优化算法PSO是一种进化优化算法,它使用整个episode的累积回报作为适应性值,对奖励稀疏的环境不敏感,且该算法也具有基于种群的多样化探索以及稳定的收敛性,但样本效率低。因此,提出了PSO-RL算法,结合PSO和基于策略梯度的离策略DRL算法,DRL通过PSO种群提供的多种数据来训练种群中累积奖励最低的几个策略,并且每次都将训练后累积奖励得到提升的策略插入PSO种群,增强DRL与PSO之间的信息交流。PSO-RL算法能够提升PSO的样本效率,而且能够改善DRL算法的性能和稳定性。在pybullet模块具有挑战性的连续控制任务中的实验结果表明,PSO-RL的性能不仅优于DRL的,且优于进化强化学习算法的。

禁忌搜索–粒子群算法在无功优化中的应用

禁忌搜索粒子群算法是针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,将禁忌搜索思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。该方法在粒子群算法寻优过程的后期加入了禁忌表,扩大搜索空间,避免陷入局部最优。通过对IEEE 30节点测试系统和鸡西电网进行仿真计算,并与其他算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。

基于变异粒子群优化-禁忌搜索混合算法的配电网状态估计

为解决含非线性设备配电网状态估计的优化问题,以节点负荷值和分布式电源输出值为状态变量,建立了含分布式电源配电网的状态估计模型,提出了一种求解状态估计模型的变异粒子群优化-禁忌搜索混合算法。该算法通过对个体极值进行变异操作增加粒子多样性,在迭代后期使用禁忌搜索算法,提升粒子群优化算法的后期搜索能力和克服早熟收敛。选用IEEE33节点配电系统作为仿真实例,仿真结果表明变异粒子群优化-禁忌搜索混合算法能有效地估计出节点负荷值和分布式电源输出,其状态估计的个体最大相对误差和个体最大绝对误差均远小于蚁群算法、粒子群优化算法和遗传算法的估计结果。

基于禁忌搜索的混合粒子群优化算法

针对粒子群优化算法(PSO)易于陷入局部最优解并存在早熟收敛的问题,利用禁忌搜索算法较强的"爬山"能力,搜索时能够跳出局部最优解,转向解空间的其他区域的特点,提出了一种新的基于禁忌搜索(TS)的混合粒子群优化算法(TS-PSO),并选用两个函数进行测试.结果表明,TS-PSO比其他改进粒子群算法更能提高收敛速度,获得全局最优解.

结合禁忌搜索的改进粒子群优化算法

为提高粒子群优化算法的全局搜索和局部开采能力,提出一种结合禁忌搜索(TS)的改进粒子群优化算法。在搜索过程中,以线性递增的概率对最优粒子实施随机扰动,在全局搜索收敛到一定程度后,引入TS算法进行局部搜索,使算法快速收敛到全局最优解。分析结果表明,该算法收敛精度较高,能有效克服早熟收敛问题。

基于禁忌搜索的混合粒子群优化算法

在粒子群优化算法中引入禁忌搜索思想从而增加粒子群的多样性,改进惯性权重,添加罚函数重新构造适应度函数.在此基础上提出一种基于禁忌搜索的混合粒子群优化算法(THPSO).通过6个标准测试函数实验,结果表明提出的算法比基本粒子群优化算法(PSO)具有更好的全局寻优能力、更快的收敛速度以及获得更高精度的解的能力.

引入路径夹角的粒子群-禁忌搜索寻优的速度前瞻算法研究

对于数控系统中路径为连续微线段的情况,本文提出一种采用路径夹角进行优化的多轨迹速度前瞻算法。首先基于前后路径的约束关系初算衔接速度;其次,利用路径夹角对衔接速度和最大加加速度进行矢量函数映射;最后,将所得的加减速参数带入S加减速模型,得到非对称S型加减速数据。并且采用粒子群-禁忌搜索混合算法对路径夹角的调整系数进行优化,通过熵权法计算适应度函数合成指标的权重,得到全局最优解。结果表明,相较于传统S型加减速,本文采用的算法显著提高了加工效率,具有较高的柔性,极大的提升了加工精度。

基于禁忌搜索粒子群优化算法的无功优化

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,提出将粒子群优化算法结合禁忌搜索的混合算法,并应用它来求解电力系统无功优化问题。该混合算法是以粒子群优化算法为主框架,以禁忌搜索算法作为个体群继续在邻域中寻优,寻优结果对粒子群算法的输出做了更新。混合算法保留了粒子群优化算法的并行处理性,同时利用了禁忌搜索算法的较强的"爬山"能力,加快了混合优化算法的收敛时间和提高了收敛解的有效性。