一种非线性动态自适应惯性权重PSO算法

传统的时变惯性权重粒子群优化算法对于求解一般的全局最优问题具有良好的效果,而对于复杂高维的优化问题易陷入局部收敛、存在早熟等缺点。针对以上存在的缺点,提出了种群进化离散度的概念,并考虑Sigmoid函数在线性与非线性之间较好的平衡性能,给出一种非线性动态自适应惯性权重的粒子群优化算法。该算法充分考虑进化过程中种群粒子之间进化差异,自适应地赋予不同的惯性权重因子,满足粒子群优化算法在不同进化时期对全局探索和局部开发能力的需求,仿真实例测试结果验证了该算法的有效性。

一种非线性动态权重的粒子群寻优改进算法

在传统的线性递减惯性权重粒子群优化算法(Linearly Decreasing Inertia Weight Particle Swarm Optimization,LDW-PSO)中,惯性权重通过一个固定的线性递减方式进行调整。这种方法在适应具体问题和反映算法当前状态方面存在局限性。为了克服这些限制,在线性递减权重的基础上引入了幂律分布函数,提出了一种新的自适应权重计算方法。该方法使得惯性权重能够根据迭代次数的增加,按照幂律函数的非线性规律逐渐减小,从而在算法的早期阶段增强全局搜索能力,在后期阶段更侧重于局部搜索。通过这种灵活的权重调整,改进方法能够有效提升粒子群优化算法的性能。为了验证所提出方法的有效性,采用4种基准测试函数进行性能分析。实验结果表明,与传统的线性递减权重方法和标准粒子群优化算法相比,改进后的算法展现了更优的搜索能力和更好的收敛性能。

基于惯性权重非线性动态变化的微粒群算法

本文提出一种惯性权重非线性动态变化的微粒群算法(NDPSO),根据微粒在群体中距群体最优位置的远近,选择不同的惯性权重非线性下降指数,每个微粒根据个体状况选择不同的惯性权重。在NDPSO算法中,距最优位置较远区域惯性权重选择较小的下降指数,这样利于微粒较快地飞向群体最优位置,提高算法的全局搜索性能;当微粒飞到距最优位置较近区域时,惯性权重采用较大的下降指数,这样微粒在此区域进行细致的搜索,提高算法的收敛速度。为了研究NDPSO算法的性能,对几种典型高维非线性函数进行了测试。测试结果表明,与其它几种典型的微粒群算法相比,NDPSO明显地提高了算法的性能。

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。

一种非线性递减惯性权重策略的粒子群优化算法

目的改进基本粒子群算法的一些缺点.基本粒子群算法是一种有效的寻找函数极值的演化计算方法,它简便易行,收敛速度快.但此算法也存在收敛精度不高,易陷入局部极值点的缺点.方法对原有算法中的固定惯性权重进行改进.结果提出一种非线性递减惯性权重策略的粒子群优化算法.结论对六种具有代表性的测试函数进行了仿真实验,并与基本粒子群算法中惯性权重分别取固定权重、线性递减权重进行了比较,说明了非线性递减惯性权重策略的粒子群优化算法具有更好的性能和全局搜索能力。

用正弦函数描述非线性惯性权重的微粒群算法

为改进标准微粒子群算法,提出了一种用Sin函数非线性描述惯性权重动态调整微粒群的方法。由于原算法存在早熟收敛和搜索效率低,提出改进基本微粒群算法的惯性权重参数,将微粒群算法中的惯性权重用正弦函数来描述,通过对粒子位置和速度进行自适应非线性调整,使算法在前期阶段具有较快的收敛速度,在算法后期局部搜索能力也不错,减少了微粒陷入局部极值的机会,使结果收敛于全局最优解,为了验证算法的有效性,采用Shaffer's F6和Levy No.5函数进行测试,实验结果表明,新方法具有比较好的效果。

基于惯性权重非线性递减的粒子群优化算法研究

针对粒子群算法(PSO)出现“早熟”收敛,在寻优过程中易于陷入局部最优、收敛速度慢的问题,本文提出一种新的自适应惯性权重粒子群优化算法(AIW-PSO).该算法以PSO算法为基础,采用非线性递减策略对惯性权重进行调整,使其具有平衡PSO算法的全局和局部搜索能力,当算法出现早熟收敛时,再利用变异操作对群体粒子的最优解做随机扰动,以提高算法跳出局部极值的能力.通过借助6个标准测试函数将该算法与其他三种改进的PSO算法进行仿真对比,结果表明:AIW-PSO算法能够摆脱局部最优,得到全局最优解,在寻优过程中无效迭代次数更少,而且收敛率、收敛速度均具有明显的优势.

带过滤机制非线性惯性权重粒子群算法

为改进非线性惯性权重粒子群算法,提出了一种带过滤机制的非线性惯性权重粒子群算法。由于原算法存在粒子易陷入局部最优解与搜索效率较低的缺点,将适应度缩放函数引入到非线性惯性动态调整的粒子群算法中,剔除适应度过高与过低的粒子,再对剩余种群部分优良个体进行复制,并随机产生一些新粒子,然后进行交叉操作,种群数量保持不变,减少了粒子陷入局部极值的概率,使结果收敛于全局最优解。通过低维度与高维度函数的对比测试,表明新算法具有较为理想的效果。

基于IMQ惯性权重策略的自适应灰狼优化算法

针对灰狼优化算法(Grey Wolf Optimizer, GWO)寻优精度低、收敛速度慢的问题,提出了一种基于IMQ惯性权重策略的自适应灰狼优化算法(ISGWO)。该算法利用IMQ函数的特性,实现对惯性权重的非线性调整,从而更好地平衡算法的全局勘探能力和局部开发能力;同时,基于Sigmoid指数函数自适应更新个体位置,更好地搜索和优化问题的解空间。采用6个基本函数和29个CEC2017函数对ISGWO进行测试,并与6种常用的算法进行比较,实验结果表明ISGWO具有更优的收敛精度和速度。

一种拟合下降非线性惯性权重PSO算法

一般的非线性惯性权重粒子群算法由于受函数自身固有形态的影响,通过参数调节函数对惯性权重的改进有局限。在一种指数型惯性权重的基础上,采用非线性拟合的方法构造满足惯性权重改进策略的非线性函数来优化粒子群算法。通过对4种具有代表性的测试函数进行仿真实验,结果表明改进算法具有更好的寻优性能和全局搜索能力。

一种动态非线性改变惯性权的自适应粒子群优化算法

惯性权值线性递减(LDI)的粒子群算法不能很好地反映粒子搜索过程的复杂非线性行为,收敛速度和收敛精度仍不够理想。对此,提出一种动态非线性改变惯性权(DNI)的自适应粒子群算法。在该算法中通过引入非线性指数函数来描述惯性权值在进化过程中的动态变化特性,并通过数值实验确定了非线性函数关键控制参数的合适取值范围。通过典型测试函数验证算法的性能,并与文献报道的已有结果比较。实验表明:对单峰值函数优化问题,DNI自适应粒子群算法收敛速度明显优于LDI算法;对多峰值函数优化问题,DNI算法跳出局部最优的能力及收敛精度也好于LDI算法。

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。

带自适应精英扰动及惯性权重的反向粒子群优化算法

针对反向粒子群优化算法存在的易陷入局部最优、计算开销大等问题,提出了一种带自适应精英粒子变异及非线性惯性权重的反向粒子群优化算法(OPSO-AEM&NIW),来克服该算法的不足。OPSO-AEM&NIW算法在一般性反向学习方法的基础上,利用粒子适应度比重等信息,引入了非线性的自适应惯性权重(NIW)调整各个粒子的活跃程度,继而加速算法的收敛过程。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,提出了自适应精英变异策略(AEM)来增大搜索范围,结合精英粒子的反向搜索能力,达到跳出局部最优解的目的。上述2种机制的结合,可以有效克服反向粒子群算法的探索与开发的矛盾。实验结果表明,与主流反向粒子群优化算法相比,OPSO-AEM&NIW算法无论是在计算精度还是计算开销上均具有较强的竞争能力。

一种动态改变惯性权重的自适应粒子群算法

针对标准粒子群算法在进化过程中种群多样性降低而早熟的问题,提出一种动态改变惯性权重的自适应粒子群算法.采用种群中平均粒子相似程度作为种群多样性的测度,并用于平衡算法的全局探索和局部开发.基于对惯性权重随种群多样性测度变化的动态分析,建立了惯性权重随种群多样性测度的变化关系,并将其引入该算法中.最后对6个经典测试函数进行仿真,结果表明该算法在平均最优值和成功率上都有所提高,特别是对多峰函数效果更明显.

一种动态调整惯性权重的自适应蝙蝠算法

为了加快蝙蝠算法的收敛速度并提高寻优精度,提出一种动态调整惯性权重的自适应蝙蝠算法。该算法在速度公式中加入惯性权重,并采用一种服从均匀分布和贝塔分布的随机调整策略,动态地调整惯性权重的大小,以加快算法的收敛速度。另外,引入了速度纠正因子,在每次迭代时,算法可根据当前种群的迭代次数动态地约束每一代蝙蝠的移动步长,从而使算法具有一定的自适应性。仿真实验结果表明,改进后的算法的寻优性能显著提高,具有较快的收敛速度和较高的寻优精度。

基于Sigmoid惯性权重自适应调整的粒子群优化算法

提出了种群进化速度和种群聚合度两个概念,并讨论了在全局收敛过程中惯性权重与两者之间的关系;考虑Sigmoid函数在线性与非线性之间呈现的平滑过渡性,从种群进化速度和种群聚合度两方面出发,提出了基于Sigmoid函数的惯性权重自适应调整方法。通过三个典型的多峰函数,将提出的算法(AS-PSO)与标准粒子群优化算法(SPSO)和基于Sigmoid函数的粒子群优化算法(S-PSO)进行了仿真分析比较,结果表明,AS-PSO算法相比其他两种算法,全局寻优能力更强,在一定程度上解决了收敛性能与全局寻优能力之间的矛盾。

一种结合自适应惯性权重的混合粒子群算法

粒子群算法(particle swarm optimization,PSO)是一种容易实现且高效的优化算法,但该算法对各种参数反应较为敏感.本文针对经典粒子群算法容易陷入局部最优的不足之处进行研究,提出对经典粒子群算法使用自适应惯性权重并引入模拟退火法的思想来解决经典粒子群优化算法容易陷入局部最优解的问题.仿真实验结果表明,本文提出的混合算法与经典粒子群算法相比,不仅能够避免寻优过程中陷入局部最优问题,而且还具有收敛速度快、成功次数高、稳定性及寻优结果好等特点.

一种动态改变惯性权重的自适应粒子群算法

针对惯性权重线性递减粒子群算法(LDWPSO)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权重的自适应粒子群算法(DCWPSO),在该算法中引入聚焦距离变化率的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为关于聚焦距离变化率的函数。在每次迭代时算法可根据当前粒子群聚焦距离变化率的大小动态地改变惯性权重,从而使算法具有动态自适应性。对6个典型函数的测试结果表明,DCWPSO算法的收敛速度明显优于LDWPSO算法,收敛精度也有所提高。

基于自适应惯性权重的均值粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖参数选取等缺点,提出了一种基于自适应惯性权重的均值粒子群优化算法。对算法中的惯性权重参数采用动态自适应变化方式,在迭代过程中根据粒子适应度差值将种群划分为三个等级,对不同等级的粒子采用不同的惯性权重策略,使粒子能根据自己所处的位置选择合适的惯性权重值,更快地收敛到全局最优位置;同时分别用个体极值和全局极值的线性组合取代PSO算法中的全局最优位置与个体最优位置。通过实验仿真与对比,验证了新算法性能优于标准PSO及其它一些改进的PSO算法,能够用较少的迭代次数找到最优解,具有更快的收敛速度和更高的收敛精度。

舰船大规模人群疏散惯性权重非线性递减粒子群优化算法分析

为了有效解决舰船大规模人群疏散问题,笔者基于人类行为心理学建立了危险状况人群疏散模型,并提出一种惯性权重非线性递减粒子群改进算法。通过采用惯性权重非线性递减策略,不仅能够有效降低其陷入局部收敛的风险,还能提高全局优化能力。仿真结果表明,该算法具有较强的全局优化性能,在危急情况下能够有效保障舰船大规模人群快速疏散。