Tag Archives: 粒子群算法

动态调整学习因子的种群分类粒子群优化算法

动态调整学习因子的种群分类粒子群优化算法(PSO)首先利用粒子适应值的统计规律对粒子种群进行分类,对属于不同类别的粒子采用不同的进化模型,对于利用完全模型进化的粒子,速度更新公式中的“认知部分”和“社会部分”采用动态调整权重c1和c1的方法,这种“种群分类”与“动态学习因子”交互作用的方式,大大改进了算法的性能。
阅读全文 >

多群体与多阶段的改进量子粒子群算法

与标准的粒子群优化算法(PSO)一样,量子粒子群算法(QPSO)同样存在早熟的趋势。对于单个粒子来讲,失去全局搜索能力意味着它只能在一个相当小的空间中运动,这种情况总是发生在当单个粒子所经历的最佳位置pBest和群体的最佳位置gBest非常接近时。在标准的PSO中,从它的进化方程中可以看出当pBest和gBest之间的距离接近0时,粒子的速度V也将接近0。在QPSO系统中,pBest和gBest很接近意味着粒子的参数L很小,于是粒子的搜索范围也变得很小;
阅读全文 >

采用精英多父体杂交策略的粒子群优化算法

本文尝试将精英多父体杂交策略引入粒子群优化算法,多父体杂交策略是像郭涛算法之类的智能算法的核心操作策略,这里借助这一策略,融合到粒子群优化算法中,期望能对标准算法有所改进。
阅读全文 >

多步式粒子群优化算法

标准粒子群优化算法的速度更新公式为V’=w*V+c1*rand(pBest-X)+c2*rand()*(gBest-X),因V和pBest、gBest的耦合导致X更新缓慢。受人类社会行为的启发:每一个人在做一件事的过程中,有时依靠个人经验,有时依靠群体经验,有时完全依靠个人创新,而有时是综合考虑各种经验后才做出决定。每一种都有可能获得好的结果,三者是可以分开和任意组合的,因此将更新改为多步式进行。
阅读全文 >

Python实现的粒子群优化算法源代码

使用Python实现的粒子群优化算法,需要引用到Numpy,需要对自定义问题进行优化只需要更改f6函数即可,智能算法本身的参数亦可以自行设定,具体源代码如下:
阅读全文 >

粒子群和人工鱼群协同进化的混合优化算法

协同进化思想

协同进化的原理可以解释为,算法采用多个种群,或将一个种群分为多个子群,各种群(或子群)在各自独立进化的同时相互间共享和交互信息,各种群不仅利用从外界获得的信息指导自身的搜索,同时还把探索得到的经验与其他种群分享,从而使得整个系统协同进化,直至获得最优解。
阅读全文 >

基于差分进化与粒子群优化的混合优化算法

差分进化算法DE与粒子群优化算法PSO都是属于群体的启发式算法。DE的变异算子有利于增加全局搜索能力,保证种群的多样性;交叉算子并进行选择可以提高局部搜索能力,加快收敛速度;选择算子具有一定的记忆能力,能够保留优秀个体。PSO在种群多样性有保障的情况下,可以较好地探索求解区域,收敛速度也比较快。这里融合DE与PSO各自的特色鲜明的算子,以期可以提高优化算法的性能。具体操作步骤如下
阅读全文 >