具有高斯扰动的最优粒子引导粒子群优化算法

针对粒子群算法(particle swarm optimization,PSO)收敛速度慢和早熟收敛的问题,提出一种具有高斯扰动的最优粒子引导粒子群优化算法(OGPSO).该算法通过在粒子的速度更新公式上移除自我认知部分,增加局部最优粒子控制的高斯扰动项来实现改进PSO算法.通过移除自我认知部分,使种群中的粒子主要受当前全局最优粒子引导;通过增加高斯扰动项,又提供了一种防止粒子陷入局部最优点的机制.两种改进措施相结合,既加快了收敛速度,又避免了早熟收敛的问题.在典型测试函数集上的仿真实验结果和与其它经典及新近改进PSO算法的对比实验结果,均表明本文算法有较好的寻优性能及稳定性.

多种群子空间学习粒子群优化算法

针对标准PSO在处理复杂高维优化问题时易出现收敛速度慢、陷入局部最优等问题,提出一种多种群子空间学习的粒子群优化算法(MSPSO).该方法构造了一种新的多子群间信息共享模式,提出子空间学习的概念,并对普通粒子和精英粒子分别进行子空间学习.本文算法简单明确,易于实现,具有很强的稳定性、收敛速度快和较好的全局搜索能力.在固定评估次数的情况下,对常用的19个基准测试函数进行了30维和100维仿真实验,实验结果表明本文算法在收敛速度和求解精度上优于最近提出的几种知名算法(如FIPS、HPSO-TVAC、DMS-PSO、CLPSO、APSO等),特别是在高维问题上优势更加明显.

自适应子空间高斯学习的粒子群优化算法

为了克服粒子群优化算法在复杂优化问题上易出现早熟收敛、多样性缺失等问题,提出了自适应子空间高斯学习的粒子群优化算法。该方法提出了适应值离散度和子空间高斯学习的概念,以自适应地调整参数和搜索策略,帮助粒子逃离局部最优。同时,该方法还提出邻域学习策略,引入了邻域最优粒子。当前粒子的邻域在进化过程中通过动态构建,以增强种群的多样性。实验对19个常用的经典基准测试函数在30和100维进行了测试,结果表明该算法在收敛速度和寻优精度上优于一些知名的PSO算法。最后,将改进的算法应用于无线传感器网络覆盖优化问题,获得了较好的结果。