Tag Archives: 粒子群算法

高斯动态粒子群优化算法

动态概率粒子群优化算法是没有速度更新公式的PSO算法,它采用概率的方法而非传统的轨迹方法生成新一代粒子的位置,获得了与其它出色的改进相当的效果。

在动态概率PSO算法中,高斯动态PSO算法的性能表现较好,其粒子位置更新公式如下
阅读全文 >

保持粒子活性的改进粒子群优化算法

基本粒子群优化算法的寻优能力主要依赖粒子之间的相互作用和相互影响,粒子自身没有变异能力。当单个粒子陷入局部极值时,它可以借助其它粒子来逃逸局部极值点;若大部分粒子均被相同的局部极值所限制时,整个算法就会进展缓慢,甚至出现停滞现象。因而基本PSO算法在早期具有较好的收敛速度,但在算法的后期,由于所有粒子都向局部极小或全局极小收敛,
阅读全文 >

局部与全局搜索相结合的粒子群优化算法

粒子群优化算法初始化为一群随机粒子(随机解),然后通过迭代找到最优解,在每一次迭代中,粒子通过跟踪两个“极值”来更新自己。第1个就是粒子本身所找到的最优解,这个解叫做个体极值pBest,第2个极值是整个种群目前找到的最优解,这个极值是全局极值gBest;或者只是用其中一部分最优粒子的邻居,那么在所有邻居中的极值就是局部极值lBest。

分别采用全局和局部不同极值更新粒子的迭代方程,称为全局版和局部版的PSO算法。全局版和局部版的PSO算法各有利弊,前者收敛速度快但有时会陷入局部最优值,后者收敛速度慢一点,但很容易跳出局部最优。吸取PSO算法的优点,将局部和全局搜索的PSO算法相结合,提出局部和全局搜索相结合的粒子群算法(Local and Global Combined Particle Swarm Optimization, LGCPSO)。
阅读全文 >

基于模糊聚类的粒子群优化算法

基于模糊聚类的粒子群优化算法通过把模糊聚类引入标准粒子群优化算法,可有效提高PSO算法的精度和效率。
基于模糊C-均值聚类算法的粒子群优化算法首先根据FCM算法把粒子群分为若干“子群”,求出每一“子群”的最优位置SPi(i=1,…,K)(K为聚类区的个数),然后粒子群中的粒子根据其个体极值和每个“子群”中的最优位置SPi更新自己的速度和位置。
设G为nPop个粒子组成的数据集,被分为K个聚类区Ci(i=1,…,K),SPi(i=1,…,K)记为每个聚类区Ci中的粒子迄今为止搜索到的最优位置。粒子根据以下公式来更新其速度和位置:
阅读全文 >

基于耗散结构的粒子群优化算法

粒子群优化算法可以看作是一个模拟的自组织系统,在初期,通常群体为混沌无序的混乱状态,远离平衡态。“认知”部分代表着对个体本身的历史成功经验的依赖,而“社会”部分则意味着对群体历史成功经验的模仿,它们对信息的非线性反馈使用群体经验逐渐变为有序状态结构。然而,由于缺乏负熵的输入,在PSO演化的事项,个体的历史经验趋向于一致,社会差别趋向于消失,进入准平衡态。一旦这个系统演化到一定的成熟程序时,将陷入停滞状态。与其它演化算法的比较可知PSO更快地得到相当有质量的解,但当进化代数增加时并不能进行更精确的搜索,因此构造一个基于耗散结构的粒子群优化算法(Dissipative PSO,DPSO)。
阅读全文 >

随机全局最优个体的粒子群优化算法

在基本粒子群优化算法中,群体中生成的gBest完全取决于最优适应度。随机全局最优个体的粒子群优化算法里进行的改进是gBest的选择不完全取决于最优适应度,而是个体适应度越高,其被选择作gBest的概率就越大。实际选择方式很多,可采用与适应度成比例的概率进行选择的方式,即通过pSelect=Fi/sum(F)作为第i个粒子被选作gBest的选择概率。也可以用轮盘赌方式的方式来决定哪个粒子被选作gBest。在算法中有超常个体,应降低超常粒子的适应度。在算法收敛的情况下应提高粒子间适应度的差异。

综合学习粒子群优化算法

综合学习粒子群优化算法(Comprehensive Learning Particle Swarm Optimization Algorithm,CLPSO)是对粒子群算法的一种改进,主要针对多峰优化函数的求解。CLPSO算法一项最主要的创新点就是新型的速度更新方式:
阅读全文 >