求解武器目标分配问题的改进粒子群算法

在建立多种类型武器目标分配模型的基础上,提出了一种求解该模型的改进粒子群算法。首先,定义粒子聚焦距离变化率,使惯性权重依据聚焦距离变化率自适应调整;其次,采用速度最大值线性递减的策略平衡算法收敛精度与全局寻优能力之间的矛盾;最后,粒子替换策略使算法改善了因自适应惯性权重的引入而造成收敛速度变慢的问题。仿真结果表明,提出模型和算法合理有效,算法收敛快,适合求解各种种群规模的武器目标分配问题。

基于寿命的粒子群算法研究

针对粒子群算法易陷入局部最优的缺陷,提出了一种具有寿命的PSO(LS-PSO),算法赋予gbest有限的寿命,并且根据其引导能力对寿命进行自适应调整。当gbest耗尽其寿命时,它将失去领导能力,并被一个新产生并经测试具有足够引导能力的粒子所代替,继续引导群体搜索解空间的不同区域,并在两个单峰标准测试函数和六个多峰标准测试函数上对算法进行了测试。结果表明,LS-PSO比传统PSO及改进算法CLPSO有更好的求解精度和收敛速度。

一种带有加速策略和变异策略的粒子群算法

不同于对粒子群控制参数的改进,在标准粒子群的基础上提出了双种群粒子群算法,粒子种群每次进化时都按适应值排序并分组,最好的一组粒子采用适应值最接近的两点连线上的更好点替代当前粒子位置的加速策略,以此加大算法的局部搜索能力,为了平衡算法的全局和局部搜索能力,另一组最差的粒子采用随机背驰当前全局最优粒子的速度方向进行变异策略更新,以此保证种群的全局搜索能力,该算法采用一般非线性惯性权重和固定学习因子.新算法在23个三类经典测试函数的实验中都找到了最优值,与其它算法比较,结果表明该新算法在三类问题上都有更好的性能,特别是在多模函数的优化中更为显著.

基于递减概率初始点选择K中心点进化算法

粒子群优化(PSO)的K-Medoids进化聚类算法中初始种群是随机产生的,导致选择的初始中心点有可能位于同一类簇中。为提高聚类准确性,提出一种采用递减概率化初始点选择的PSO与K-Medoids结合新算法。根据样本的分布密度设置对应的选择概率,并由轮盘赌策略依次选择中心点,使获得的中心点位于密度较高区域且在不同的簇中,同时又实现了初始种群的多样性。在人工和UCI真实数据集上的实验结果表明,改进后的算法有更快的收敛速度,提高了聚类准确率和稳定性。