改进的混沌粒子群优化算法

针对传统的简单粒子群算法(SPSO)早熟、易陷入局部最优的缺陷,提出了一种改进的混沌粒子群优化算法(CPSO)。该算法根据混沌算法遍历性的特点,选择合适的混沌映射提取SPSO初始种群,使粒子均匀分布在解空间。当SPSO陷入早熟时,CPSO在最优解周围的区域内进行混沌搜索,取代原来种群中的部分粒子,带领种群跳出局部最优。对7个标准测试函数的寻优测试表明：CPSO算法在寻优精度、速度、稳定性等方面均优于SPSO。     

一种基于椋鸟群行为的改进型蝙蝠算法

蝙蝠算法是一种新兴的元启发式算法,基本蝙蝠算法（BA）存在寻优精度低、易陷入局部最优等缺点。将椋鸟群的集体性行为引入到基本蝙蝠算法中,有效地提高了算法的搜索范围;引入线性递减权重,用于平衡全局搜索和局部搜索。通过一些测试函数对该算法进行仿真研究,结果表明改进的蝙蝠算法有效地避免了种群个体陷入局部最优,提高了算法的寻优精度,优化效果得到改善。     

一种改进粒子群算法及其在风电场中的应用

针对传统粒子群寻优速度慢的缺点,引进了种群平均速度的定义。用平均速度表征粒子群的活跃程度,并作为粒子群惯性权重和学习因子调节的依据,加快了粒子群的寻优速度。针对粒子群容易陷入局部极值的缺点,提出将模拟退火算法引入粒子群算法,将粒子群的平行快速寻优能力和模拟退火的概率突跳特性相结合,保持了群体多样性,有效地避免了局部收敛。对2个典型测试函数的寻优问题进行仿真实验,实验结果验证了该算法的有效性。将改进的粒子群算法用于风电场风速概率分布模型的优化,与常规的统计方法相比,该方法具有更高的拟合精度。     

基于混合知识的自适应粒子群算法及其在博弈问题中的应用

粒子群优化算法的寻优性能往往会受到控制参数和速度策略的影响。为提高粒子群优化算法的性能,提出了一种基于混合知识的自适应粒子群算法（SPSO-MK）。该算法使用不同的速度更新策略来平衡粒子群优化算法的局部和全局搜索能力,利用在线和先验知识分别对惯性权重和加速因子进行调整。选取32个测试函数进行仿真实验,结果表明本文算法的整体性能好于10种粒子群的变种算法和3种非粒子群算法。将本文算法用于求解3个非合作博弈纳什均衡问题,结果表明该算法能够取得较好的结果。     

基于带扰动项粒子群算法的软测量建模

针对粒子群算法用于高维数、多局部极值点的复杂函数寻优时易陷入局部最优解现象,提出一种改进的带扰动项粒子群算法并进行收敛性分析。算法中引入进化速度因子,当粒子进化速度低于一定值时在粒子速度更新方程中添加扰动项使粒子逃离局部最优区而继续搜索。对几个复杂函数的寻优测试表明:改进算法的收敛速度、收敛精度和全局搜索性能均有显著提高。将本方法用于建立丙烯腈收率神经网络软测量建模,研究结果表明模型精度较高、泛化性能好,满足现场测量要求。     

引入迁移和变异策略的改进鸟群算法及其在参数估计中的应用

针对鸟群算法（BSA）易陷入局部最优的问题,提出了一种引入迁移策略和变异策略的改进鸟群算法（IBSA）。在鸟群飞行阶段引入迁移策略有助于提高鸟群向适应度更高位置迁移的能力,提高BSA的收敛速度;在寻优后期引入变异策略,提高鸟群的局部寻优能力,提高了算法的寻优能力。选取6个典型的测试函数进行寻优实验,实验结果表明,与粒子群算法（PSO）、蝙蝠算法（BA）、BSA等算法相比,IBSA具有更高的寻优精度和更快的寻优速度。在此基础上,将IBSA应用于发酵动力学模型参数估计中,与Gauss-Newton、GA、MAEA算法相比,IBSA的参数估计值的偏差平方和最小,具有更高的模型拟合精度。在面对非凸、不可微等复杂寻优问题的情况下,IBSA为研究者提供了一种更加可靠、快速和精确的寻优可能。     

基于正弦载波的粒子群算法

针对传统粒子群算法(Traditional Particle Swarm Optimization, TPSO)存在的易陷入局部最优、收敛速度慢等缺点,提出了一种基于载波的粒子群算法(carrier-wave Particle Swarm Optimization,CWPSO)。根据正弦函数具有的自变量连续变化而值域不变的特点,该算法设计了以载波自变量变化确定粒子搜索位置的新方法,从而极大地提高了全局搜索能力。同时对于搜索到的可能极值点,通过载波扩展的方法进行局部寻优,以进行精确搜索。对一系列测试函数的寻优结果表明：CWPSO算法不仅都能找到最优值,且寻优时间仅为TPSO算法和惯性权值线性下降的改进PSO算法（Line-WPSO,LWPSO）的1/3~1/5;同时,CWPSO具有对寻优问题维数不敏感的优点,大大扩展了该算法的适用范围。     

改进的粒子群算法及其在软测量建模中的应用

提出了一种改进的粒子群算法,很好地解决了基本粒子群算法中易陷入局部最优的缺点。通过比较和分析几个标准测试函数的计算结果,改进的粒子群算法的优良性得到充分的证明。改进的粒子群算法被用于优化神经网络的结构和参数,结果表明:不但网络的结构得到控制,而且泛化性能有了较大的提高。同时,算法在优化神经网络上的有效性也在4-CBA含量的软测量建模中得到了很好的证实。     

改进协同粒子群优化算法及其在Flow Shop调度中的应用

针对协同粒子群优化算法存在的停滞现象,提出了一种改进的协同粒子群优化算法。采用优化法的子群协作方式,既保证了收敛速率,又可以防止陷入局部最优。同时引入综合学习策略,增加种群的多样性,防止种群出现停滞现象。在此基础上,又加入了扰动机制,进一步避免算法陷入局部最优。采用该算法对3个经典函数进行测试,并将其应用于Flow Shop调度问题,仿真实验结果表明：新算法有效克服了停滞现象,增强了全局搜索能力,比基本协同粒子群优化算法的优化性能更好。     

改进的粒子群优化算法结合人工神经网络用于有机物毒性的QSAR研究

介绍了粒子群优化算法和Alopex-B算法的基本原理,提出了一种用Alopex-B算法改进的粒子群优化算法,并将其应用于函数优化和有机物毒性的QSAR研究。结果表明:改进型粒子群算法对复杂的测试函数搜索效率明显提高,应用于有机物毒性的QSAR研究能提高计算的精确度,降低预测误差。     

改进的AEA算法及其在参数估计中的应用

群搜索算法(Group Search Optimizer,GSO)是一种新的群智能优化算法,适宜于解决多极值高维度优化问题,但其在优化的后期由于种群多样性不够,容易陷入局部最优。对GSO算法进行了改进,将文化算法的模型运用到GSO算法中,并引入群体适应度方差的概念来判断是否进行影响函数操作以提高收敛效率。将该算法与遗传算法(GA)、粒子群算法(PSO)和基本的GSO算法进行优化测试函数的对比实验,并将其运用于丁烷化工业过程中效益最大化问题的研究,所得结果均验证了改进算法的有效性。     

基于改进PSO算法和集成神经网络的裂解炉在线优化

针对传统粒子群算法(PSO)寻优时易陷入局部最优、后期全局搜索能力下降等不足,提出了基于载波的粒子群算法(CWPSO)。通过粒子基于载波的搜索和载波扩展精确寻优,较好地克服了上述缺点,且寻优时间明显减少。同时,针对工业裂解炉在线优化要求,采用了权值动态集成的集成神经网络(NNE)对双烯收率进行建模预测,并结合CWPSO算法进行了在线滚动优化。仿真结果表明,该方法对裂解炉的优化效果明显,双烯平均收率有了明显提高。     

改进的PSO算法在重油热解模型参数估计中的应用

针对传统的粒子群算法(PSO)在解决复杂的优化问题时易陷入局部最优这一情况,提出了一种改进的粒子群算法(EPSO),该算法在传统的粒子群算法陷入局部最优的情况下引入了单个粒子的"Hooke-Jeeves模式搜索"操作和粒子之间的"启发式交叉"操作。仿真结果表明:EPSO算法的全局搜索性能和收敛速度比传统的PSO算法有明显的提高。采用EPSO算法进行非线性参数估计所得到的重油热解模型,其预报的平均相对误差比传统的PSO算法得到的模型提高了11.98%,比遗传算法(GA)得到的模型提高了38.76%。     

基于约束骨干粒子群算法的化工过程动态多目标优化

大多数化工过程是动态过程,需同时优化多个目标,从而带来复杂的约束多目标动态优化问题。因此提出了一种动态约束多目标骨干粒子群算法,即采用一种新型约束处理方法,结合Pareto支配和ε约束支配技术的双档集机制;针对约束优化问题寻优难度更大,更易陷入局部最优的特点,采用局部搜索和混合变异策略,并自适应调整搜索步长,提高算法的探索和开发能力;采用分段线性函数参数化方法,构建一种动态约束多目标粒优化算法,并将其用于解决间歇反应器的动态多目标优化问题。测试实验表明：与NSGA II和自适应差分进化算法(SADE εCD)比较,该算法具有更优秀的收敛性与分布性;应用到化工过程多目标动态优化问题实例进行比较表明,多目标骨干粒子群算法在约束多目标动态优化问题的求解中表现出更好的应用前景。     

小生境微粒群优化算法

将小生境技术引入到微粒群优化算法之中,设计出一种小生境微粒群优化算法。该算法除了始终赋予微粒生命力,还将位置重叠的差适应值微粒在搜索空间重新启动。通过对4个常用测试函数进行优化计算,仿真结果表明小生境微粒群优化算法比基本微粒群优化算法具有更好的优化性能。     

叠加支持向量机及其在醋酸精馏软测量中的应用

为了提高粒子群算法搜索精度和避免陷入局部最优,提出了一种改进的粒子群优化算法。一方面引入平均最好位置调整速度,使粒子可以利用更多的信息决策自己的行为;另一方面对引入的平均最好位置进行小波变异,增加算法的种群多样性。仿真实验结果表明：改进的粒子群算法具有寻优能力强、搜索精度高、稳定性好等特点。     

一种改进的混合蛙跳算法及其在水浴牵伸控制中的应用

针对基本混合蛙跳算法的收敛速度慢、容易陷入局部最优的缺点,提出了一种基于细胞通信策略的改进算法,该算法通过修改更新策略,从而增加了种群的多样性,产生更多靠近优质解的个体。用典型测试函数对基本蛙跳算法和改进的蛙跳算法及其他算法进行对比实验,仿真结果表明改进的蛙跳算法能较大幅度提高收敛精度。将改进的蛙跳算法应用于碳纤维生产过程水浴牵伸控制系统的优化,仿真结果表明其具有较好的优化控制效果。     

基于改进蝙蝠算法的工业控制系统入侵检测

针对蝙蝠算法（BA）易陷入局部极小的缺点,提出了两点改进：（1）在蝙蝠位置更新时考虑了当前局部最优解分布对算法的影响;（2）将差分进化算法（DE）中的变异操作迁移到蝙蝠算法中,采用随机性变异的方式增加了种群多样性,提升了算法局部搜索能力,并通过典型测试函数验证了本文算法的优越性。将该算法用于工业控制系统（ICS）入侵检测中支持向量机（SVM）分类器的参数优化,使用工控入侵检测标准数据集进行仿真研究。结果表明,与DE、粒子群算法（PSO）和遗传算法（GA）等优化算法相比,其优化的SVM入侵检测模型在检测率、漏报率和误报率等指标上都有显著提升。     

一种改进的自适应差分进化算法

为了提高基本差分进化算法的寻优速度和寻优效能,提出了一种改进的自适应差分进化算法(ADE)。在基本差分进化算法中引入了自适应变异算子,根据每个个体与最优个体适应度值的相互关系,自动地调节变异算子值,使之在进化初期较大,随着个体逐渐接近最优值,算子值逐渐变小,确保个体向最优值快速、稳定地逼近。在每一代变异、交叉和竞争之后,又增加了与随机新种群的竞争操作,使算法易于跳出局部最优点,以提高全局搜索能力。采用4个经典的测试函数对算法进行验证,结果显示：该算法的收敛速度与收敛精度在一定程度上优于基本差分进化算法,同时也优于基于代数进行自适应变异的差分进化算法。     

改进的多目标混合整数优化算法及其在蒸汽动力系统优化中的应用

为了提高多目标粒子群算法（MOPSO）的收敛性和多样性,以及增加多目标粒子群算法的适用范围,提出了一种ε约束处理混合三点随机Gbest选择多目标粒子群（ε-TMOPSO）算法。采用一种全新的三点随机Gbest选择机制,用粒子与档案集中非支配解的欧氏距离最近、最远以及处于中间位置的3个粒子构建一个备选池,然后随机选择一个粒子作为Gbest,提高算法的收敛性和多样性;采用改进的带松弛阶段ε约束处理机制处理约束条件,在前期允许加入部分优秀的不可行解,提高算法跳出局部最优的能力;融入Sigmoid函数离散变量编码处理机制,使算法能够处理混合整数问题,增加算法的适用范围。通过测试函数仿真,与EM-MOPSO、NSGA2以及SNSGA算法进行对比,结果表明本文算法在收敛性和分布性上有一定的优势。将该算法应用于乙烯装置蒸汽动力系统优化中取得了较好的效果,进一步证明了该算法的有效性。