含边界变异的粒子群算法

提出了一种新的粒子群优化算法(PSO)———带边界变异的PSO,其原理是:在迭代的过程中,当粒子的位置超出可行域时,带边界变异的PSO让粒子的位置重新均匀分布在边界附近;当粒子的速度超出可行域时,则使其均匀分布到整个可行区间,而不是像原始PSO那样在这2种情况下都只是简单地取边界值。从理论和实验2个方面论证了这种引入了边界变异的PSO可以获得更快的寻优速度和更好的解精度,有一定的推广价值。

基于边界变异的量子粒子群优化算法

将边界变异操作引入到量子粒子群优化算法中,提出基于边界变异的量子粒子群优化算法QPSOB。该算法将越界粒子随机分布在边界附近的可行域内,以增加种群的多样性、提高算法的全局搜索能力。仿真实验证明其全局收敛性能优于量子粒子群优化算法。

粒子群优化算法的边界变异策略比较研究

为解决粒子群优化(PSO)算法中粒子越界和早熟收敛等问题,在比较国内外学者提出的边界变异策略基础上,提出一种新的边界变异策略——双重限制变异策略。针对粒子越界时速度和位置变异方向的不同情形,通过同时限制粒子的更新位置和更新速度,将粒子控制在搜索空间范围内。利用5种测试函数进行实验,结果表明,与其他4种边界变异策略相比,双重变异策略收敛速度快,在解决粒子越界问题上具有较好的效果。此外,通过实验测试显示粒子的最大速度和最大位置的比值与变异策略的好坏程度成反比,为边界变异策略的研究提供了一定依据。

粒子群算法的最小值边界变异策略

提出一种新的粒子群算法(PSO)边界变异策略——最小值边界变异。当粒子某一维或若干维上的位置和速度到达边界时,现有的边界变异方法都是通过不同的方式限制了粒子在该维上的位置或速度的幅值,使粒子返回搜索空间,但是这样同时也改变了粒子原先的飞行方向,降低了粒子在边界附近的寻优能力。而最小值边界变异既能有效地限制了粒子位置或速度的幅值,同时可以保持粒子的飞行方向。经4个通用测试函数验证,表明最小值边界变异优于其他方法。

基于CUDA的边界变异量子粒子群优化算法

针对量子粒子群优化算法面对复杂优化问题时,临近最优解的搜索阶段存在收敛速度慢、在边界附近全局搜索性差的问题,提出了基于CUDA的边界变异量子粒子群优化算法.GPU(图形处理器)以多颗密集的计算核心模拟粒子的搜索过程,利用并发的优势提升粒子搜索速度;边界变异则通过以随机概率将边界粒子扩散到更大的搜索域,增加种群的多样性,提升粒子群的全局搜索性.对若干优化算法的仿真实验表明,所提出方法具有较好的全局收敛性,且同等目标精度下,取得了较高的有效加速比.

考虑边界条件变异和不同噪声的桥梁结构损伤识别

运营期间桥梁结构在交通荷载、外界环境、材料劣化等因素的综合作用下,结构边界条件可能发生变化。边界条件对结构动力特性的影响显著,甚至远大于结构损伤的影响,损伤识别过程中如果忽略边界条件的变化可能会出现误判。本文介绍一种考虑边界条件变异的损伤识别方法,将边界条件的变化模拟成转动弹簧相对刚度系数的变化。首先,基于MATLAB建立了不同边界条件的结构数值模型,并利用ANSYS进行了模型验证。然后,通过改变转动弹簧的相对刚度系数,研究了不同边界条件对结构自振特性的影响。最后,将转动弹簧相对刚度系数和单元刚度折减系数作为损伤识别参数,基于布谷鸟算法进行了4种工况下的结构损伤识别,取得了较好的识别效果,并验证了不同噪声下本文方法的鲁棒性。

自适应混沌变异的万有引力搜索算法

通过引入平均粒距和混沌搜索变异,提高万有引力算法的局部搜索能力,增加物质种群的多样性.并且对变异后不可行的物质采用边界变异约束处理.实验结果表明,新算法收敛精度较高,收敛速度较快,能比较有效地避免早熟收敛问题.

基于混合变异的萤火虫群优化算法

基本萤火虫群优化GSO(Glowworm Swarm Optimization)算法在求解函数全局寻优问题时,存在后期收敛速度慢、容易陷入局部极值等问题。为此,提出一种基于混合变异的萤火虫群优化算法。该算法用混沌变异和边界变异来增加种群的多样性,避免算法陷入局部最优,且能使算法获得精度更高的解。运用六个标准测试函数进行测试,结果表明,改进后的萤火虫群优化算法比基本GSO算法具有更高的寻优速度、寻优精度和收敛率。

基于空间缩放和吸引子的粒子群优化算法

为解决粒子群优化(Particle Swarm Optimization,PSO)算法中粒子越界、算法进化后期收敛速度慢和早熟收敛的问题,通过分析PSO算法中粒子运动行为和算法稳定性,提出了一种基于空间缩放和吸引子的粒子群优化(PSO with search space zoomed factor and attractor,SzAPSO)算法.该算法利用对搜索空间进行缩放的边界变异策略有效控制了粒子搜索范围,保证了算法全局探测能力;算法中吸引子的引入增加了感兴趣区域的粒子密度,提高了算法局部开发能力.实验结果表明,SzAPSO算法收敛速度快、精度高,且具有较好的鲁棒性.

求解流水线调度问题的万有引力搜索算法

研究了以最大完工时间为目标的流水线调度问题,使用万有引力算法求解调度问题,提出了一种最大排序规则,利用物体间各个位置分量值存在的大小次序关系,并结合随机键编码的方法产生,将物体的连续位置转变成了一个可行的调度方案;提出了一种边界变异的策略使得越界的物体不再聚集在边界上,而是分布在边界附近的可行空间内,从而增加种群的多样性;结合交换算子和插入算子提出了一种新的局部搜索算法,有效地避免了算法陷入局部最优值,进一步提高了解的质量.最后证明了算法的收敛性,并且计算了算法的时间复杂度和空间复杂度,仿真实验说明了所得算法的有效性.

基于标准萤火虫算法的改进与仿真应用

通过对一种智能优化算法——萤火虫算法的研究,在标准萤火虫算法中引入一种新型的自适应惯性权重来提高算法的收敛速度,并提出用虚拟萤火虫来加强萤火虫之间的相互协作和信息共享,进而改进了萤火虫的位置更新公式。针对算法中萤火虫位置的越界问题和边界早熟问题,引入一种对称边界变异,提高了改进后的算法的寻优率。对6个标准测试函数的实验结果表明:改进后的萤火虫算法的有效性、收敛速度得到了明显的提高。最后对两个经典工程优化问题进行了计算,运用改进后的算法所得的结果优于其它算法所得结果,也验证了萤火虫算法在改进后的适用性。

改进的量子粒子群算法求解车辆路径问题

提出一种基于Tent混沌映射的改进的量子粒子群优化算法求解车辆路径问题,该算法在基本量子粒子群优化算法(QPSO)的基础之上,采用Tent映射对粒子群的状态进行初始化,在算法进入早熟时,选用Tent映射对最优粒子进行混沌搜索,从而提高了算法的寻优能力,有效避免算法陷入局部最优和过早收敛。采用该算法应用于车辆路径问题取得了较好的效果。

混合改进的花朵授粉算法

针对花朵授粉算法(FPA)收敛速度慢、精度低的问题,提出了一种混合改进的花朵授粉算法(HFPA)。该算法采用均匀初始化和边界变异提高种群多样性,利用正态分布缩放因子进行全局寻优,加快收敛速度。局部寻优引入变异策略帮助算法跳出局部最优。实验使用7个测试函数,对比原FPA算法其他群智能算法,结果表明:HFPA算法在收敛速度和寻优精度方面均有显著的提高。

基于分组的PSO与DE的混合算法

针对传统的粒子群优化算法(PSO)和差分进化算法(DE)在解决高维复杂函数易陷于局部最优、收敛较慢、精度低等缺点,提出了基于分组的PSO与DE混合算法(PSODE)。PSODE算法把种群按维数分为两组,每组的维数为原来的一半,而种群规模不变,一组由改进的PSO操作进化,另一组由DE操作进化,然后通过信息交换机制实现协同进化。与传统的PSO算法不同,新算法按一定的概率交替使用非线性改变的惯性权重和随机取值的惯性权重,平衡了算法的全局和局部搜索能力;同时采用边界变异策略有效克服了某些粒子因陷入早熟收敛而造成搜索失败的问题,并且增加了种群多样性。通过几个标准测试函数的实验结果表明,PSODE算法的优化能力、收敛精度显著提高,同时增强了全局收敛性能,能有效地避免算法的早熟收敛问题。

关于柔性作业车间调度问题的仿真研究

研究柔性作业车间调度优化问题。由于传统的一些方法在解决柔性作业车间调度问题时,面临着早熟、精度低等缺点,导致调度性能降低。针对上述难题,提出了一种改进的量子粒子群算法,结合反向学习策略和边界变异策略的优势,在增加种群多样性的同时避免了陷入边界最优。经过5个标准测试函数和一个柔性作业车间调度优化模型的仿真测试,结果表明改进的算法可增强全局寻优能力,提高收敛精度,避免搜索过程过早陷入局部最优,在解决调度问题中可获得较小的加工完工时间,具有优良的调度优化性能。

一种混合改进的鸡群优化算法

针对鸡群算法(CSO)易陷入局部最优和出现早熟收敛的缺陷,提出了一种混合改进的鸡群优化算法(OBSA-CSO)。算法通过采用反向学习对种群进行初始化,同时对越界个体进行边界变异操作保证了算法的种群多样性并利于算法的全局搜索;在寻优过程中对母鸡采用新的位置更新式,并对最优个体采用改进退温函数的模拟退火扰动,通过Metropolis准则进行择优的方式有效地提高了算法的寻优精度和收敛速度。通过对七个测试函数在固定迭代次数和固定寻优精度条件下的实验表明,改进后的算法相较于传统鸡群算法具有较好的寻优精度和收敛速度。

一种改进的进化模型和混沌优化的萤火虫算法

针对传统萤火虫算法在全局寻优搜索中存在收敛速度慢、求解精度低、易陷入局部极值区域等缺陷,提出一种改进的进化模型和混沌优化的萤火虫算法(FAEC)。首先,采用逻辑自映射产生混沌序列对萤火虫个体位置进行初始化,提高种群多样性;其次,在算法进化过程中引入惯性权重,控制前代个体对后代个体的影响,并利用种群最优个体的引导作用加强不同个体之间的信息共享;然后,引入动态步长与对称边界变异操作,解决越界问题并继续提高种群多样性。在6个标准测试函数上与传统萤火虫算法和基于改进进化机制的萤火虫算法进行了对比,实验结果表明,所提算法能有效避免陷入局部最优,具有更高的求解精度和更快的收敛速度。

基于信息交互的改进鸡群优化算法

针对鸡群优化(chicken swarm optimization,CSO)算法易陷入局部最优、收敛速度慢以及高维和超高维问题求解困难等缺点,提出了一种基于信息交互的改进鸡群优化(information sharing chicken swarm optimization,ISCSO)算法。通过引入信息交互和边界变异策略,增强子群的信息交互能力和种群的多样性,从而提高算法的收敛能力和寻优能力。通过对6个基本测试函数进行数值仿真,实验结果表明:改进后的算法ISCSO相比于CSO具有更好的寻优精度,与其他改进算法相比具有更好的高维寻优能力和收敛性能。