一种自适应多策略行为粒子群优化算法

针对粒子群优化(PSO) 算法在复杂问题求解中出现的早熟收敛问题, 从认知心理学角度进行分析, 将创造 性思维(CT) 引入PSO 算法, 提出一种基于创造性思维的PSO 算法(CTPSO). 基于C

提出一种相角粒子群优化算法求解多目标优化问题. 该算法采用相角映射实现了粒子在相角空间上仅依赖 于归一化多目标函数的快速搜索, 在粒子飞行信息共享机制上引入共享池概念, 提出基于关联支配排序和相似度排

针对PSO在寻优过程容易出现“早熟”现象，提出了一种基于Sobol序列的自适应变异PSO算法（SAPSO）。该算法以积分控制粒子群算法（ICPSO）为基础，使用准随机Sobol序列初始化种群个体，并在

一种改进的粒子群优化算法的研究，刘斌，，利用种群的平均信息和保持活性策略。试图改变粒子群优化算法的性能，从而提出一种带有种群平均信息和保持活性策略的粒子群优化算

提出一种改进的多目标粒子群优化算法，该算法采用精英归档策略，由档案库中的非劣解提供粒子速度更新时的全局最优位置，根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的线密度度量非劣解前端的

针对传统的聚类算法存在对初始化值敏感和容易陷入局部极值等缺点，提出一种确定聚类中心数目和位置的方法。用每一个粒子表示一组聚类中心，采用云理论改造粒子群算法，从而提高粒子群算法的性能，以便搜索到更合理的

 为改善多目标粒子群算法的收敛性和多样性,通过对粒子群算法全局极值和个体极值选取方式的研究,采用随机选取和评估选取相结合的方法选取全局极值和个体极值,提出了一种可用于解决多目标优化问

一种基于单纯形搜索的粒子群优化算法.pdf

为了解决粒子群种群多样性低、容易陷入局部最优的缺点，结合最优粒子和其他粒子在种群中的不同作用，给出了一种自适应变异粒子群算法。算法中最优粒子根据种群进化程度，自适应调整自身搜索邻域大小，增强种群的局部

对APSO进行并行化操作，显著的提高了APSO的性能。并行化是一种简单高效的优化方法