基于模式搜索的粒子群算法求解绝对值方程

利用改进的粒子群算法求解一类NP-hard且不可微的绝对值方程问题:Ax-|x|=b.该算法是将局部探索能力较强的模式搜索算法和全局开采能力较强的粒子群算法进行有效结合,混合后的算法充分发挥了各自的优点,平衡了局部和全局寻优能力,数值试验显示在求解具有不同类型解的绝对值方程时,误差小,迭代次数少.     

改进粒子群优化算法的绝对值方程求解

为了提高绝对值方程问题的求解精度,提出改进粒子群优化算法的绝对值方程求解方法.首先在粒子群的飞行过程中,对粒子位置进行评价,然后根据评价结果对粒子位置进行更新操作,保证粒子群向全局最优解搜索,最后应用于绝对值方程求解.结果表明,改进后的方法可以避免求解时易出现的早熟现象和难以获得局部最优解问题,能获得更高精度的绝对值方程解,而且迭代次数较少.     

基于单纯形法进行局部优化的人群搜索算法求解绝对值方程

设计一种利用单纯形法进行局部优化的人群搜索算法求解一类形如Ax-|x|=b的不可微绝对值方程的新算法. 该算法通过引进单纯形算法, 提高基本人群搜索算法的局部搜索能力, 增加跳出局部最优解的概率, 从而有效改进人群搜索算法在计算后期易陷入局部最优的缺点. 实验结果表明, 该算法在求解绝对值方程时, 计算精度高、 鲁棒性能好.     

基于单纯形法进行局部优化的人群搜索算法求解绝对值方程

设计一种利用单纯形法进行局部优化的人群搜索算法求解一类形如Ax-|x|=b的不可微绝对值方程的新算法. 该算法通过引进单纯形算法, 提高基本人群搜索算法的局部搜索能力, 增加跳出局部最优解的概率, 从而有效改进人群搜索算法在计算后期易陷入局部最优的缺点. 实验结果表明, 该算法在求解绝对值方程时, 计算精度高、 鲁棒性能好.     

一种基于改进的磷虾群和粒子群的混合算法

针对基本磷虾群(KH)算法在求解高位复杂优化问题时容易陷入局部最优、求解精度低等缺点,提出了一种基于改进的磷虾群和粒子群的混合算法(AIPSOKH).该算法首先对KH算法中的觅食权重和诱导权重采用非线性递减策略,然后将其与惯性权重线性递减的粒子群算法(LDWPSO)混合,采用双子种群同时计算的并行策略进行迭代计算,借鉴自然选择中适者生存的进化机制提升母种群中个体的质量,以此来避免算法陷入局部最优,并提升其求解精度.最后通过8个标准测试函数的对比实验表明,在全局搜索能力和求解精度上与提到的2种算法相比都有着显著优势.     

绝对值方程的初始含解区间的求解算法

对于求解绝对值方程的区间算法,提出了绝对值方程的初始含解区间的一个求解算法。该算法通过分析一类特殊的区间线性方程组的解集性质,得到了绝对值方程的含解区间。理论分析和数值算例都说明算法是正确且有效的。     

多惯性权重的自适应粒子群优化算法

惯性权重是粒子群优化算法重要参数之一,它能够平衡算法的全局搜索能力和局部搜索能力.为了利用已知惯性权重解决某些问题的优点,提出一种多惯性权重的自适应粒子群优化算法.首先定义了K步进化度的概念,然后基于进化度,从惯性权重集中随机选择惯性权重,使得适合解决某一问题的惯性权重在迭代过程中能够多次被使用,从而提高算法性能,把该...     

非线性混合整数规划问题的改进量子粒子群算法

提出了一种改进的量子粒子群算法,并将该算法用于求解非线性混合整数规划问题。构造了一种自适应调整的惯性权重,平衡了算法的全局搜索和局部搜索能力;针对混合整数规划问题,给定一定比例的初始可行解,提高了初始种群解的多样性;利用协同进化选择策略,对种群中的不可行解重新生成,使种群中每个粒子的信息充分利用,从而提高算法的收敛速度;为了抑制算法的早熟现象,给出了一种新的混沌搜索方式,对全局最优解进行局部搜索,增强算法的局部搜索能力。通过16个常见的测试函数测试结果表明,改进的量子粒子群优化算法对求解非线性混合整数规划问题,在成功率和精度方面得到很大的提高。     

基于改进混合粒子群算法的云计算任务调度问题研究

为提高云环境下任务调度效率,同时针对粒子群算法在解决云任务调度存在的缺陷,提出一种改进混合粒子群算法,首先为平衡粒子群算法的全局搜索能力和局部改良能力,对惯性权重进行非线性的动态改良,使之能进行自适应改变;其次为进一步提高其跳出局部最小解的能力,在粒子群算法求解过程中,加入模拟退火算法,使粒子群算法能快速找寻目标最优解.最后通过仿真实验,与传统蚁群算法和粒子群算法进行比较,结果表明所提算法收敛速度快,所用时间短,具备一定的优越性.     

Powell搜索法和惯性权重非线性调整局部收缩微粒

提出一种求解无约束最优化问题的新的混合算法Powell搜索法和惯性权重非线性调整局部收缩微粒群算法的混合算法. 该算法不需要计算梯度, 容易应用于实际问题中. 通过对微粒群算法的修正, 使混合算法具有更加精确和快速的收敛性. 首先利用20个基准测试函数进行仿真计算比较, 计算结果表明, 新混合算法在求解质量和收敛速率上都优于其他算法（PSO, GPSO和NM PSO算法）. 其次, 将新混合算法和最新的各种协同PSO算法进行分析比较. 结果表明, 新混合算法在解的搜索质量、 效率和关于初始点的鲁棒性方面都远优于其他算法.     

改进的粒子群算法在车间作业调度中的应用研究

针对粒子群算法搜索精度不高、易陷入局部极值点的缺点,通过分析原有粒子群算法的优化机理,提出一种基于惯性权重随粒子,进而使进化代数增加而非线性减小的改进粒子群算法,并将此改进的粒子群算法应用在车间作业调度问题中.通过大量仿真实验结果表明,该算法在求解车间作业调度问题上具有可行性和有效性.     

Powell搜索法和惯性权重非线性调整局部收缩微粒群算法的混合算法

提出一种求解无约束最优化问题的新的混合算法Powell搜索法和惯性权重非线性调整局部收缩微粒群算法的混合算法.该算法不需要计算梯度, 容易应用于实际问题中.通过对微粒群算法的修正, 使混合算法具有更加精确和快速的收敛性.首先利用20个基准测试函数进行仿真计算比较, 计算结果表明, 新混合算法在求解质量和收敛速率上都优于其他算法(PSO, GPSO和NM-PSO算法).其次, 将新混合算法和最新的各种协同PSO算法进行分析比较.结果表明, 新混合算法在解的搜索质量、效率和关于初始点的鲁棒性方面都远优于其他算法.     

求解约束优化问题的改进粒子群优化算法

针对约束优化问题,提出了一种改进的粒子群优化算法.该算法利用罚函数法将约束优化问题处理为无约束优化问题,并利用可行基规则来更新个体极值和全局极值,使不可行的粒子尽快飞向可行域,显著提高了算法的全局搜索能力.在标准粒子群算法研究基础上,为了提高粒子群算法求解非线性复杂优化问题的性能,对速度方程和惯性权重做了改进.数值算例表明,该算法是求解约束优化问题的一种较为有效的全局优化算法.     

基于Memetic框架混合群智能算法的NARMAX模型参数辨识

针对NARMAX模型的参数辨识问题,提出一种新颖的混合群智能算法.该算法在Memetic算法框架的基础上,采用粒子群算法与人工蜂群算法融合作为全局搜索策略,采用单纯形优化法作为局部搜索策略.针对三个复杂程度不同的NARMAX模型进行的参数辨识仿真实验,结果显示,与标准人工蜂群算法和随机惯性权重粒子群算法相比,新算法无论在鲁棒性还是求解精度上都具有一定优势.     

绝对值方程的一种严格可行内点算法

给出绝对值方程的一种新算法. 先把绝对值方程转化为线性互补问题, 再结合牛顿方向和中心路径方向, 通过求解一个线性方程组得到搜索方向.  获得了求解绝对值方程的一种严格可行内点算法, 并证明了该算法经过有限次迭代后收敛到原问题的一个最优解, 数值实验表明方法是有效的.     

一类函数优化问题的求解

针对一类函数优化问题,通过对粒子群优化算法的惯性权重和算法公式的分析,提出了一种改进的粒子群优化算法.该算法突破惯性权重常规取值.实验证明:该算法可以提高算法的效率,用极少次数的迭代,使原本复杂甚至不能求解的问题得以解决.算法具有迭代次数少、对高维函数的鲁棒性强与空间复杂度低等优势.     

基于自适应变异粒子群算法的铁路空车调配

提出一种用于求解铁路空车调配的自适应变异粒子群算法.该算法在迭代过程中加入了变异操作,根据群体适应度方差调整变异概率的大小,并通过调整惯性权重因子来增强算法跳出局部最优的能力.将自适应变异粒子群算法用于铁路空车调配,建立以空车总走行距离最小为目标的数学模型,并在此基础上设计相应的算法.算例结果表明,应用自适应变异粒子群...     

改进惯性权重的简化粒子群优化算法

针对传统的粒子群优化算法收敛速度慢、易陷入局部空间极值的缺点,提出一种基于简化粒子群优化算法同时改进惯性权重的新算法.该算法首先去掉速度项,使算法更加简便,然后改进位移项,最后改进惯性权重.对6个经典函数分别采用传统的粒子群优化算法、简化的粒子群优化算法和该改进的算法进行比较,数值实验表明,该改进的粒子群优化算法比其他两个算法的性能好.     

绝对值方程的区间算法

本文研究了绝对值方程Ax-|x|=b的求解问题。通过构造新的区间算子,给出了求解绝对值方程的一个区间算法。该算法能同时求出绝对值方程近似解和估算其近似解的误差限,并在A的奇异值全部大于1的条件下,证明了算法的收敛性且收敛速度至少是线性的。理论分析和数值结果均表明本文提出的算法是有效的。     

基于直觉模糊熵的粒子群模拟退火算法

针对智能算法在解决大规模0-1背包问题时易陷入局部最优解、收敛速度慢的问题,提出一种基于直觉模糊熵的粒子群-模拟退火算法(IFEPSO-SA)。采用交换操作和模拟退火机制对粒子群算法中的局部最优解二次优化;然后,以种群直觉模糊熵(IFE)为测度,自适应改变惯性权重,并对种群进行变异操作。测试结果表明,IFEPSO-SA在解决大规模0-1背包问题时有较好的求解质量;仿真实验结果表明,IFEPSO-SA与基于直接模糊熵的粒子群算法(IFEPSO)相比,熵值波动较小,反映出IFEPSO-SA有更好的局部搜索能力,并且IFEPSO-SA在算法收敛速度和求解质量方面都优于IFEPSO以及经典的粒子群算法和模拟退火算法。