离散三群粒子群优化算法

提出了离散三群粒子群优化算法(DTHSPSO),该算法将整个粒子群分为三群,第1群粒子朝全局历史最优方向飞行,第2群粒子朝着相反方向飞行,第3群粒子在全局历史最优位置周围随机飞行。粒子的速度保持连续性,对于粒子位置的处理采用两种方法:一是通过传递函数,根据速度的大小进行离散化;二是直接通过强硬限制函数(Hardlim函数)将位置离散化。通过对两种离散函数进行测试与比较,表明两种DTHSPSO都比基本离散粒子群优化算法(DPSO)具有更好的优化性能,而且直接采用Hardlim函数的DTHSPSO算法效果更加突出。     

文化算法在有人/无人机协同作战目标分配中的应用

针对有人/无人机协同作战目标分配问题,基于文化算法提出一种遗传算法和离散粒子群算法相结合的目标分配方法。根据有人/无人机协同目标分配问题的特性,结合文化算法的基本框架,建立了遗传算法和离散粒子群算法的交互机制,充分利用遗传算法和离散粒子群算法对优化问题的搜索能力,改善了2种算法易陷入局部最优的缺点,对约束条件下的有人/无人机协同作战目标分配问题进行了有效求解。实验结果表明,基于遗传和离散粒子群相结合的文化算法优于遗传算法和粒子群算法,收敛速度更快,能够快速找到目标分配问题的最优解。     

采用离散粒子群算法的网格任务安全级调度

针对异构网格环境中任务调度问题对所面临的安全性研究不足,在考虑了保密性、完整性和真实性等安全性因素的情况下,构造了相应的安全效益函数;依据网格节点的历史行为特点,提出了节点的信誉度动态评估策略;基于行为特点提出了一种离散粒子群算法,由此建立了任务安全级调度新模型.算法基于安全调度的离散空间特征给出了粒子的位置表示方法,从而克服了连续空间解决离散问题所造成的解空间冗余问题.采用分步计算和修改粒子位置的方式重新定义了粒子进化方程,避免了进化过程中速度之间的相互干扰问题.为了防止算法陷入局部最优,引入了均匀扰动速度.实验结果表明,与基于连续空间的粒子群算法和遗传算法相比,所提算法具有较快的收敛速度、较短的调度长度和较高的安全性能.     

基于量子进化算法的批量生产问题

在现代制造业的供应链中,生产批量计划(Lot-sizing)问题是企业经济效益最大化的关键因素之一,其主要研究在给定批量产品的需求下,确定最佳的生产方案,使得制造成本、库存成本和调整成本的总和最小化或者利润最大化。近年来的群智算法如遗传算法和粒子群算法等为解决复杂的Lot-sizing问题提供了新途径,但是这些算法易陷入局部最优。为了获得全局,将量子算法融入经典进化遗传算法中,首先,运用量子理论中独特的概率幅和量子比特对计划产量的决策变量进行编码;然后在迭代过程中,通过动态调整量子旋转角度来控制基因的变异速度,保持最优个体的基因信息,以免陷入局部最优的陷阱。Lot-sizing问题的案例实证表明,与上述常见的群智粒子群算法相比,量子进化算法的求解精度更高、收敛速度更快,可以有效解决复杂多约束的Lot-sizing问题,提高企业的生产效率。     

船体双层底结构优化的粒子群优化算法

为优化船体双层底结构,在适于求解连续变量的标准粒子群优化算法(PSO)基础上,提出一种离散变量PSO算法,并利用标准PSO算法和离散变量PSO算法分别对测试函数和某大型油船双层底结构优化设计问题进行求解,该双层底结构的响应分析计算采用正交异性板计算模型实现.研究了不同取值的惯性权重和学习因子对优化结果的影响.通过对计算结果的对比分析,得出该离散变量PSO算法应用于船体板架结构优化设计时,其惯性权重和学习因子的最佳取值范围.     

二进制改进粒子群算法在背包问题中的应用

提出了用于求解0 1背包问题的二进制编码的粒子群算法,阐明了该算法求解背包问题的具体实现过程.为了提高粒子群算法的收敛速度,在传统的二进制编码的粒子群算法中嵌入了记忆功能.通过对其他文献中仿真实例的计算和结果比较,表明该算法在寻优能力、计算速度和稳定性方面都超过了文献中提到的遗传算法和模拟退火算法.提出的求解背包问题的二进制改进粒子群算法,同样可以应用于其他离散优化问题.     

中断风险下易腐品多目标闭环供应链网络模型

在当今全球化和高度不确定的商业环境中,供应链网络容易遭遇设施中断、路径中断等多重中断风险。同时考虑到易腐品需求波动大、易损耗、退货率高、处理不当会污染环境等问题,以最小经济成本、最小环境影响、最大社会效益为目标,提出缓解中断风险的策略并构建了不确定条件下易腐品多目标闭环供应链网络模型。为了减少不确定参数的影响,实现最优设施选址与最佳配送路径的决策安排,将易腐品需求量和退货量设定为三角模糊值,采用模糊机会约束方法解决模型中的不确定约束问题。以上海市某易腐品企业为例,通过遗传算法和粒子群算法对模型进行求解。结果表明,采用缓解中断风险的策略可以显著改善供应链网络在中断情况下的表现,且相对于单目标优化,多目标优化整体表现更优。     

一种求解集合组合问题的离散粒子群优化模型

针对变长集合组合优化问题,提出了一种离散粒子群优化模型.该模型将集合的概念和运算引入粒子群优化中,定义了一个可变集合搜索空间,并重新定义了粒子的位置、速度及作用于此空间的运算规则,既保留了粒子群本身的优化特性,又体现了集合组合优化的特点.采用典型的变长集合组合优化问题——背包问题来验证此模型的性能,并与二进制粒子群优化(BPSO)算法进行了对比.结果表明,该模型具有较强的寻优能力和更高的稳定性.     

离散粒子群优化算法在流水作业调度问题中的应用

通过引入随机向量, 改进离散粒子群算法DPSO的更新方程, 提出一种离散的粒子群优化算法MDPSO, 并将其应用于调度问题的求解. 实验结果表明, 该算法优于传统的时序分解算法和遗传算法.     

基于改进粒子群优化算法的闭环时滞系统辨识

闭环时滞模型参数的辨识一直是先进工业控制领域的一个重要课题。然而由于时滞的存在,被控量不能及时地反映系统所承受的扰动,从而产生明显的超调,使得控制系统的稳定性变差。本文充分利用粒子群优化算法收敛速度较快和混沌运动遍历性的优点,提出了一种基于混沌优化思想的混沌粒子群优化算法来直接辨识含有滞后环节的被控对象的闭环传递函数,而不用将其转化为状态方程。将闭环时滞系统的传递函数通过z变换转化为离散的差分方程,对于滞后环节的处理,用一阶Pade近似。利用CPSO的全局优化能力来极小化误差准则函数,从而获得模型参数的估计值。仿真实验结果证明:该方法收敛速度较快、辨识得到的参数精度较高,适用于实际的工业生产。该方法与辅助变量最小二乘方法相比,计算量小、过程简单、不用计算多重积分、辨识速度较快、辨识精度高。     

PSO-QGA在移动机器人复杂路径规划中的应用

量子遗传算法具有适应性强、收敛速度快、适合于全局搜索的特点,粒子群优化算法的优点是具有记忆能力,在智能搜索的实现上可以结合个体和全局的最佳位置实现位置定位,但粒子群优化算法在搜索速度和择优能力方面还有待提升.因此提出了一种改进的路径规划算法,即利用量子遗传算法结合粒子群优化算法的记忆功能和最佳定位能力,实现对移动机器人路径规划算法的改进.通过仿真实验已经证明,改进后的移动机器人路径规划算法在稳定性和路径优化选择上都优于单纯的粒子群优化算法和量子遗传算法,并且改进后的算法更适合于复杂路径中实现优化.     

基于可靠性的供应链设施选址问题的优化模型

针对传统设施选址模型片面追求成本最小化而忽视供应链系统服务水平的情况,建立了一个基于容量有限制的供应链设施选址可靠性问题的多目标优化模型(RCFLP),并针对模拟退火算法与粒子群算法的优缺点,提出了一种混合型智能算法—模拟退火粒子群算法。通过收集中国各个省的人口和各个省会的相互之间的距离数据,构建实例,通过本文建立的模型与模拟退火粒子群算法进行了求解, 并对结果进行了分析,将模拟退火粒子群算法计算结果与模拟退火算法和粒子群算法的计算结果相比较,证明了模拟退火粒子群算法的可以较快地获得较好的全局最优解。     

基于就近取值策略的离散多目标优化

针对现有的离散变量处理方法在求解多目标优化问题中存在精度和可靠性不足的情况,结合离散变量优化问题和遗传算法两者的特点,提出一种能够处理离散变量的就近取值策略.此策略代替了传统对离散优化问题中离散变量的处理方法:将离散优化问题转化为连续优化问题,利用决策变量为连续的优化方法去解决该离散优化问题所对应的连续优化问题的最优解集,最后再按照特定的方法将该连续优化问题的最优解集离散化得到对应离散优化问题的最优解集.将此策略应用在传统多目标遗传算法NSGA-Ⅱ(Non-dominate Sort Genetic AlgorithmⅡ)的遗传算子中得到了离散交叉算子和离散变异算子,使得算法能够真正在离散空间中搜索寻优,并得到了一种基于就近取值策略的离散多目标优化算法(Dispersed Non-dominate Sort Genetic AlgorithmⅡ,DIS-NSGA-Ⅱ).在理论上本方法相比传统方法,对解决离散优化问题更合理,优化结果更精确,有较大优势.最后,通过实验对比现有两种最典型的离散变量处理方法验证了DIS-NSGA-Ⅱ对解决离散变量优化问题的有效性.     

置换流水车间调度问题的离散粒子群优化算法

提出了一种求解置换流水车间调度问题的离散粒子群优化算法.在该算法中,定义粒子的位置为作业的置换,粒子的速度为置换中作业的交换,根据离散量运算的特点,对粒子的运动规则进行了重新定义.采用变邻域搜索算子和逆序算子来保持粒子群的多样性和提高算法的局部求精能力,使算法在空间探索和局部求精间取得了较好的平衡.在Taillard测试问题集上对算法性能进行了仿真实验,结果表明,离散粒子群优化算法具有良好的性能.     

基于遗传粒子群混合的可重入生产调度优化

可重入生产调度优化问题是个NP难问题,针对可重入生产调度的特点,对该优化问题进行数学规划建模,并通过一些定义将模型映射为有向图,以便于智能搜索算法的应用.结合粒子群算法收敛速度快与遗传算法全局搜索能力强的特点,进行优势互补,并优化设计相关参数,构造了一种混合算法.运用混合算法对供应链优化调度问题模型进行求解,与标准遗传算法、粒子群算法的求解结果进行比较,结果表明混合算法有着更好的优化性能.     

基于CLPSO算法的混合变量桁架形状优化

为了解决混合变量桁架形状优化问题中离散截面面积和连续节点坐标的变量耦合给优化带来的困难,将一种新型智能优化算法——基于"综合学习策略"的粒子群算法(ComprehensiveLearning Particle SwarmOptimization,CLPSO)应用于桁架混合变量形状优化问题中。给出了考虑离散截面面积和连续节点坐标两类不同性质的设计变量的混合变量桁架结构形状优化的数学模型,并对经典桁架结构进行混合变量的形状优化,将所得结果与其他优化算法结果进行了比较。分析结果表明了该方法进行混合变量桁架形状优化设计的有效性。     

集装箱船多港bay 位排箱的优化方法

在后续港装载状态未知情况下,针对始发港混装bay位的排箱问题提出不出现倒箱条件下,实现bay位重心位置和横倾力矩最优的多目标优化数学模型,并通过离散粒子群算法进行求解,给出粒子位置的矩阵表达形式,并通过交叉和局部搜索策略对粒子位置进行更新.该算法简便有效,收敛速度较快,可增加种群的多样性,有效抑制早熟出现.实例结果表明...     

基于粒子群优化算法的协同空战导弹目标分配

为了取得协同空战的最佳攻击效果,在协同攻击的过程中进行导弹-目标最优分配是一种有效的解决方法。首先运用作战效能和运筹学理论建立多目标协同攻击的导弹-目标最优分配模型,其次在分析基本粒子群优化算法特点的基础之上提出了一种改进粒子群优化算法,其中的主要改进有3点:惯性权自适应调整、粒子速度与位置自动更新以及优化策略改进。然后将该改进粒子群优化算法应用于协同空战导弹-目标最优分配问题的迭代求解。仿真结果表明所采取的改进策略加快了算法的收敛速度,提高了粒子的局部求解精度与全局寻优能力,并且与基本粒子群算法、遗传算法相比较,该改进粒子群优化算法能够更加快速、有效地求出多目标协同攻击的导弹-目标分配最优解。     

带时间窗车辆路径问题的混合粒子群算法

将粒子群优化算法与模拟退火算法结合,提出了一种求解车辆路径问题的混合粒子群算法.实例计算及与遗传算法比较的结果表明:应用混合粒子群算法可以快速地求得带时间窗车辆路径问题的优化解;该算法是一种求解离散组合优化问题的有效方法.     

基于信用迁移的贷款组合多目标优化问题研究

针对现有研究大都仅对单个目标进行优化的现状,提出一种优化决策模型,即将企业信用风险迁移引入到贷款收益率的计算中,以限制资产数目、决策变量上下界等为约束条件,建立组合投资的收益最大、同时方差风险最小的优化决策模型。该模型是一个混合0-1变量的多目标规划问题,提出求解该模型的一种自适应改变惯性权重的离散粒子群算法,数值结果表明该算法是有效的,模型是合理的。