一维下料问题的自适应广义粒子群优化求解

针对现有粒子群优化算法在求解组合优化问题时粒子速度迭代难以定义的问题,首先将粒子群优化算法与遗传算法相结合,利用交叉算子、变异算子,提出一种广义粒子群优化算法来求解一维下料问题;然后引入模拟退火算法作为自适应策略,避免算法陷入局部最优.仿真实验结果表明,采用自适应广义粒子群优化算法求解一维下料问题具有高效性和鲁棒性.     

求解作业车间调度问题的混合粒子群算法

由于传统粒子群算法应用于作业车间调度问题易于陷入局部最优,为了克服传统粒子群算法的局限性,本文将遗传算法的交叉和变异思想引入,快速、全面地生成粒子,并在较大程度上保证了粒子的优良性质,由于模拟退火算法以简单高效的搜索方式避免了局部搜索算法快速收敛于局部最优点的缺点,故本文将模拟退火算法融入,提出了混合粒子群算法.从实验结果可以看出,混合粒子群算法为求解作业车间调度的一种有效算法.     

融合榜样学习和反向学习的粒子群优化算法

为了提高粒子群优化算法(Particle swarm optimization,PSO)的优化效率,降低其陷入局部最优的概率,提出了一种融合榜样学习和反向学习的PSO算法(PSO based on combing Example learning and Opposition learning,EOPSO).首先,对粒子群中的非最优粒子采用新颖的榜样学习机制更新,以便提高全局搜索能力,避免算法陷入局部最优;其次,对粒子群中最优粒子采用反向学习混合机制更新,提升该粒子的搜索能力,进一步避免算法陷入局部最优;最后,对粒子群中的最优粒子还采用了自身变异机制更新,有利于搜索前期的全局搜索和后期的快速收敛.在15个不同维度的基准函数上进行了仿真实验,实验结果表明,与最先进的PSO改进算法ELPSO、SRPSO、LFPSO、HCLPSO相比,EOPSO优化性能更好.     

一种新的变异粒子群算法

基于对现实中鸟的飞行方式的模拟,提出了一种新的变异粒子群优化算法(VPSO).该算法增加了粒子的飞行(搜索)模式,粒子具有随时调整其飞行(搜索)方式的能力.实验结果表明:笔者算法在一定程度上改善了标准PSO存在的易陷入局部最优之不足,具有比标准PSO更强的跳出局部最优的能力和更好的全局优化能力,可用于求解高维复杂优化问题.     

基于自适应模拟退火的改进混合粒子群算法

为了改善旅行商(TSP)优化求解能力,对模拟退火与混合粒子群算法进行改进,引入了自适应寻优策略。交叉、变异的混合粒子群算法,易于陷入局部最优,而自适应的模拟退火算法可以跳出局部最优,进行全局寻优,所以两者的结合兼顾了全局和局部。该算法增加的自适应性寻优策略提供了判定粒子是否陷入局部极值的条件,并可借此以一定概率进行自适应寻优,增强了全局寻优能力。与混合粒子群算法实验结果对比,显示了本文算法的有效性。     

改进PSO算法在物流派送中的应用

粒子群算法由于其概念简单、参数较少、容易实现等优点,常被用于求解路径规划问题,在物流派送方面有着重要的应用.但其存在局部搜索能力差、易陷入局部极值、搜索精度低等缺陷,而遗传算法是从串集开始搜索的,具有很强的全局搜索能力.本文融合遗传算法中交叉变异的思想于粒子群算法中,提出了一种改进PSO算法,利用交叉操作筛选粒子初始位置,借助变异思想来提高最优解的搜索速率.仿真结果表明,该方法能够提高标准粒子群算法的搜索能力,获得了较好的收敛速度和最优路径.     

基于模拟退火的改进粒子群算法研究

为克服粒子群算法在求解复杂的多峰问题时极易陷入局部最优解的缺陷,作者提出一种基于模拟退火的改进粒子群算法(PSOBSA).在PSOBSA算法中,每间隔若干代,对粒子的历史最优位置进行变异操作,以产生新的粒子;并采用模拟退火的思想,允许新产生的粒子的目标函数值在有限范围内变化;最后采用一种广义的学习策略提升种群收敛的概率.在基准函数的测试中,结果显示PSOBSA算法比基本PSO算法有更好的性能.     

融合多种策略的改进粒子群算法及其在电子商务多级物流中的应用研究

为了提高粒子群优化算法(PSO)求解复杂优化问题的能力,本文对基于细菌趋化的粒子群优化算法(PSOBC)进行改进。PSOBC算法是PSO算法的一种新思路,可以有效地克服其易陷入局部最优、后期粒子多样性差的缺点,故将一般反向学习策略和自适应惯性权重与PSOBC算法相结合,得到一种改进的粒子群优化算法。改进的粒子群优化算法的开发能力和勘探能力都得到了很大的提高;在求解复杂性优化问题时种群能够在搜索范围内快速收敛到局部最优处,并且当种群密度足够小时,及时增大种群密度即进行去全局寻优。最后将改进后算法应用到电子商务多级物流中心选址及路径规划问题上。     

求解作业车间调度问题的混合QPSO算法

文章使用混合量子粒子群优化算法求解作业车间调度问题,并设计了一种基于工序的编码方式;为了克服量子粒子群优化算法容易陷入局部最优的缺点,将模拟退火算法引入量子粒子群优化算法,使算法具有跳出局部最优的能力并增强其全局搜索能力,形成量子粒子群-模拟退火调度算法;仿真结果表明,混合算法具有良好的全局收敛性能.     

粒子群算法在求解优化问题中的应用

粒子群优化(PSO:Particle Swarm Optimization)算法是一种新兴的优化技术,其思想来源于人工生命和进化计算理论.PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成优化.为了避免PSO算法在求解最优化问题时陷入在局部最优及提高PSO算法的收敛速度,提出了对PSO算法增加更新概率.对无约束和有约束最优化问题分别设计了基于PSO算法的不同的求解方法和测试函数,并对PSO算法求解多目标优化问题进行了研究.仿真实验表明了改进的PSO算法求解最优化问题时的有效性.