混合粒子群算法在高维复杂函数寻优中的应用

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构。通过构造单个粒子的最优序列代替单一的进化方向和类似于蚁群算法信息素表的选择机制,保留了粒子的多种进化可能方向,提高了粒子间的多样性差异,从而改善算法能力。算法同时设计了最优序列的加入规则和基于粒子群聚度的最优序列动态长度控制方法。改进后的混合粒子群算法保证了算法拥有更强的搜索能力,也保留了粒子群算法高效优化的特点。仿真实验证明,混合粒子群方法相对传统方法而言具有明显的精度优势。

改进粒子群算法在高维复杂函数寻优中的应用

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构,命名为多阶段多子群粒子群算法(Multi-stage Multi-subpopulation Particle Swarm Optimization,MMPSO),该方法主要通过多子群之间阶段性的重分组策略,强化不同群体之间的信息交流,增大其搜索到全局最优解的概率,同时,为了保留粒子群算法高效优化的特点,通过分阶段搜索模式的转变,将全局最好模型收敛的快速性和局部最好模型收敛的全局最优性进行折中,确保改进后的粒子群算法拥有更强的全局搜索能力和尽量高的收敛速度。仿真实验证明,MMPSO算法相对于基本粒子群算法而言具有明显的精度优势。

基于DE和SA的Memetic高维全局优化算法

针对高维复杂多模态优化问题,传统的进化算法存在收敛速度慢,求解精度低等缺点,提出一种面向高维优化问题的Memetic全局优化算法。算法通过全局搜索和局部搜索结合的混合搜索策略,采用多模式并行差分进化算法进行全局搜索,基于高斯分布估计的模拟退火算法进行局部搜索。改进后的Memetic算法不仅继承了差分进化算法能发现全局最优解的优点,而且能大幅度提高搜索效率。最后,通过对4个高维多峰值Benchmark函数进行仿真实验,实验结果表明本文算法有效提高了算法的收敛速度和求解精度。

解高维复杂函数优化问题的混合差分进化算法

鉴于传统方法用于高维复杂函数优化很容易陷入局部极小,为此提出了一类通用、易实现、具有全局优化特性的混合优化算法(CHADE算法).该算法将混沌优化的随机性与差分进化算法(DE算法)相结合,利用混沌扰动算子增强算法的局部搜索能力;同时,随着搜索过程的进行随机地调整缩放因子和差分进化模式.多个典型高维复杂函数的数值仿真结果表明:CHADE算法寻优效率高、收敛速度快,尤其是具有避免局部极小的能力,其优化性能优于单一的DE算法.

自适应变异的天牛群优化算法

针对复杂优化问题下粒子群优化算法收敛速度慢和易早熟收敛的缺陷,提出一种结合粒子群优化算法与天牛须搜索算法的新型优化算法——自适应变异的天牛群优化算法。首先,通过引入个体粒子对周围环境的感知机制,构造一种基于自适应须长与步长的天牛群优化算法,丰富个体在迭代过程中可参考的信息;然后,引入多维扰动群体最优位置的变异策略,实现减少陷入局部最优解的功能;最后,根据群体聚集程度调整变异概率,并随着迭代的进行逐步降低变异概率以使天牛群在迭代后期稳定在局部精细搜索。为验证算法的性能,将新算法与其他7个对比算法针对7个经典测试函数在不同维度下针对平均适应值和算法运行时间进行比较,此外,还进行了神经网络训练对比测试以验证算法实用效果。实验结果表明新算法的寻优效果和收敛速度较其他算法有较大提高,尤其适合应对高维复杂优化问题。

图形处理器维度层并行粒子群优化算法

笔者提出基于GPU维度层面并行的局部PSO算法,换言之,基于GPU的局部粒子群优化算法求解高维优化函数,即在求解目标函数时对每一个维度进行并行处理。将粒子与线程块对应,线程块中的线程与目标函数的维度对应。实验表明,此算法在优化高维度目标函数中优势明显,概念简单,易编程实现,能有效果解决串行粒子群优化算法性能急剧下降的问题。

高维复杂函数的混合模拟退火全局优化策略

对于高维复杂函数优化问题,经典的优化算法存在着初始点敏感、局部收敛等问题;而模拟退火算法等智能算法则有着计算成本高昂、算法早熟等缺陷。NFL定理犤1犦预示了混合优化策略是解决实际优化问题的最好途径。该文融合了模拟退火算法和经典算法的优点,设计了高维复杂函数混合模拟退火优化策略。混合优化策略具有模拟退火算法的全局收敛性,同时引入强局部收敛经典算法作为模拟退火算法的精英个体提高算子,提高了模拟退火算法局部开采能力,加快了收敛速度。数值仿真计算结果表明,混合模拟退火策略求解高维复杂函数的性能大大优于单一算法,具有强鲁棒性、高收敛速度和高精度等优点。该文的算法设计思想对于解决实际问题有较好的借鉴意义。

多种群并行协作的粒子群算法

针对高维复杂优化问题在求解时容易产生维数灾难导致算法极易陷入局部最优的问题,提出一种能够综合考虑高维复杂优化问题的特性,动态调整进化策略的多种群并行协作的粒子群算法。该算法在分析高维复杂问题求解过程中的粒子特点的基础上,建立融合环形拓扑、全连接形拓扑和冯诺依曼拓扑结构的粒子群算法的多种群并行协作的网络模型。该模型结合3种拓扑结构的粒子群算法在解决高维复杂优化问题时的优点,设计一种基于多群落粒子广播-反馈的动态进化策略及其进化算法,实现高维复杂优化环境中拓扑的动态适应,使算法在求解高维单峰函数和多峰函数时均具有较强的搜索能力。仿真结果表明,该算法在求解高维复杂优化问题的寻优精度和收敛速度方面均有良好的性能。

均匀动态规划方法及其在水电系统优化调度中的应用

动态规划(Dynamic Programming,DP)是求解多维多阶段复杂决策问题的有效方法,然而维数灾问题极大地限制了它的应用。为缓解这一问题,结合均匀试验设计提出均匀动态规划(Uniform Dynamic Programming,UDP)。UDP以DP为基础框架,将各阶段不同维度离散状态的组合视为多因素多水平试验,利用均匀设计表从全部状态变量中优选少数极具代表性、在可行域内均匀散布的状态变量进行计算,大幅降低各阶段状态变量集合基数。分析表明,UDP空间复杂度和时间复杂度由DP指数增长分别降至线性和平方增长,存储量和运算量显著减少,同时澜沧江梯级水电站群仿真测试结果验证了UDP的高效性和实用性。