基于微粒群模型的无线传感器网络节点部署

提出了一种新的基于微粒群模型节点部署优化算法.该算法根据节点的位置信息建立节点部署优化模型,利用微粒群算法求解该优化模型,优化过程中的最优解作为节点的最终配置位置.仿真结果表明该算法有效的改善了网络的覆盖率.     

两群替代微粒群优化算法及其应用

提出一种两群替代微粒群优化算法（TSSPSO）,并对算法参数进行分析和对算法方程进行修正。该方法将微粒分成飞行方向不同的两分群,其中一分群微粒朝着最优微粒飞行,另一分群微粒朝着相反方向飞行;飞行时,每一微粒不仅受到微粒本身飞行经验和本分群最优微粒的影响,还受到全群最优微粒的影响。搜索时,每一次迭代均以一定的替代率用一分群中若干优势微粒取代另一分群中相同数目的劣势微粒。对4种常用函数的优化问题进行测试并进行比较,结果表明：两群替代微粒群优化算法比基本微粒群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。将两群替代微粒群优化算法用于常压塔汽油干点软测量,建立基于两群替代微粒群优化算法的汽油干点神经网络软测量模型,通过与实际工业数据的比较,表明基于两群替代微粒群神经网络的软测量模型精度高、性能好。     

基于改进遗传算法的二级分销网络优化模型及求解

在分销中心选址中考虑设施成本、运输成本、库存成本等要素,以分销中心服务水平为约束条件,提出了随机需求下一个供应商、多个分销中心、多个分销商的二级分销网络的优化模型。采用改进的遗传算法来求解模型,建立了一种精简的编码方式,有效降低了染色体的存储空间。构造了一种随进化代数动态调整的非线性适应度函数,遗传算子采用进化(μ λ)选择,混合杂交和混合变异方式,从而有效地避免算法的早熟现象,提高了算法的运行效率。最后数值模拟的结果验证了在随机需求下二级分销网络的优化模型的正确性和算法的有效性。     

自适应粒子群优化的AdHoc网络多播路由算法

针对AdHoc网络中带QoS约束的多播路由问题,提出了一种自适应粒子群优化的AdHoc网络多播路由算法（APs0）,将微粒在解空间中的飞行搜索过程映射为多播树的树形变换过程．构建了AdHoc网络中QoS多播网络模型,采用罚函数处理约束条件来设计适应度函数．描述了APSO算法求解AdHoe网络多播路由问题的实现过程,将QoS多播路由优化问题转化为整数计算问题．仿真结果表明：该算法能快速地找到针对AdHoc网络中满足qos要求的最优多播树,尤其在大规模网络下更能显示该算法的有效性和可靠性．     

基于PSO的无线传感器网络自组织成簇算法

为了有效延长WSN网络的生存时间,需要设计能量有效的自组织成簇机制,以适应无线传感器网络的特点.提出了一种适合无线传感器网络能量有效的成簇优化模型,并使用微粒群优化算法(PSO)对该模型进行求解.为了使微粒群算法适合于该问题的求解,设计了适合微粒群算法的微粒位置向量和速度向量的更新机制,并用罚函数法对两个主要约束进行了处理,给出了适应值函数,并通过MATLAB 7.1进行了实例仿真.仿真结果表明,该优化模型是解决WSN能量问题的有效方法.     

面向多模态函数的自适应混沌爬山微粒群算法

针对微粒群算法在多模态函数优化中难以找到全部极值点以及陷入局部最优和后期收敛速度慢等缺陷,提出了一种基于熵的自适应混沌爬山微粒群算法.算法根据熵的值来衡量种群多样性,当发现种群多样性匮乏时,采用动态混沌机制增强多样性;后期融入了局部收敛速度较快的爬山算法提高微粒群算法的后期收敛速度.4种典型多模态函数测试结果表明该算法在求解复杂多模态函数优化问题方面的可行性.     

分销配送网络优化模型及其求解算法

为了优化网络结构 ,寻求最佳配送策略 ,最终找出成本最小的供应链 ,针对需求拖动式供应链中 ,多供应商、多产品、多客户分销配送网络的优化设计问题 ,在考虑需求分配的情况下 ,提出了分销配送网络的优化模型。为了求解优化模型 ,提出了基于混合遗传算法求解混合 0 - 1整数规划问题的算法 ,它是用遗传算法搜索 0 - 1变量的最优解 ,将其他算法融入遗传算法中 ,对非 0 - 1变量进行求解的一种算法。最后通过两个算例进行了仿真实验 ,验证了优化模型的正确性和算法的有效性。模型简明、客观 ,算法易于扩展并具有鲁棒性、通用性     

一种结合微粒群算法的混合MIMIC算法

分布估计算法是基于遗传算法的基础上发展起来的一种新型的优化算法,它采用的是概率图的模型来表示基因中变量之间的关系,从而构建优良解集的概率分布模型进行采样来实现迭代进化。但是分布估计算法在问题求解过程中容易陷入局部最优,针对此缺点,引入微粒群算法,提出了一种结合微粒群算法的分布估计算法。这种算法将分布估计算法与微粒群算法的思想紧密结合起来,不仅保持了种群的多样性,而且具有更全面的学习能力,提高了算法的寻优能力以及避免早熟收敛的能力。通过对测试函数的仿真试验,表明该算法具有良好的性能。     

动态投入产出最优化控制模型的微粒群算法

对于动态投入产出最优控制模型的以往求解方法,只能求出其局部最优解,而不能求出全局最优解.提出了一个新的动态投入产出最优控制模型,给出一个新的算法-微粒群算法,该算法计算结构简单,具有较强的全局寻优能力、收敛速度快和较高的计算精度.数值实验表明:提出算法的计算结果优于用传统的最优化方法计算的结果,同时也验证了微粒群算法对求解动态投入产出最优控制模型的有效性.     

一种动态加速因子的自适应微粒群优化算法

为提高加速因子全局搜索和局部搜索的平衡能力,提出一种加速因子动态调整的自适应微粒群算法.通过分析两个加速因子的变化规律,建立相应的常微分方程模型,求解得到加速因子动态调整公式.对几种典型Benchmarks函数进行测试.结果表明,该算法在运行过程中可自动调节加速因子,能在算法初期保持微粒自身优势,提高全局最优值的搜索能力,而在算法后期则注重社会信息的分享,提高局部最优值搜索能力,算法逐步稳定.