一种改进的混沌粒子群优化混合算法

提出了一种改进的混沌粒子群优化混合算法.该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力.通过对3个标准函数进行测试,仿真结果表明该算法与差分进化粒子群优化（DEPSO）算法相比,全局搜索能力和抗早熟收敛性能大大提高.     

基于种群分区的多策略综合粒子群优化算法

针对标准粒子群优化算法容易陷入局部最优收敛精度不高的问题,提出一种基于种群分区的多策略综合学习粒子群优化算法(MSPSO).该算法利用竞争机制将种群分为两个子种群：潜力子群与普通子群,对这两个子群实行不同的进化策略,潜力子群中的粒子主要负责全局探索,普通子群中的粒子则侧重于局部勘探.为验证算法的性能,在不同类型的基准函数上与其他粒子群算法及其他群智能算法进行对比,所提算法都能取到最优的平均结果,证明所提算法具有更优异的算法性能.     

离散粒子群优化在垂直分层空时系统检测中的应用

为了改善垂直分层空时系统串行干扰抵消算法的性能,提出了一种离散粒子群检测算法(DPSO-DA).该算法将垂直分层空时系统中的最优检测视为组合优化问题,根据最大似然检测公式构造DPSO算法的适应度函数,利用DPSO算法来解决该组合优化问题,从而寻找最优解.针对DPSO-DA 有可能出现早熟现象,进一步提出了一种混合离散粒子群检测算法 (HDPSO-DA).HDPSO-DA 对 DPSO-DA 的进化方程进行了重新设计,在搜索中以一定变异概率对选中的粒子进行变异,进一步改善了DPSO-DA的性能.理论分析和仿真结果表明,当误码率为10-3时,与基于最小均方误差准则的串行干扰抵消算法相比,DPSO-DA 和 HDPSO-DA 可获得约3dB 和 5dB的增益,且具有更低的复杂度.     

基于文化粒子群优化算法的矿井通风网络

以矿井通风网络的总功率最小为目标建立了矿井通风网络的非线性优化数学模型.针对模型中风量平衡和风压平衡的约束条件,采用外点罚函数法将其转化模型目标中的惩罚项.面向约束转化后模型,采用文化粒子群优化算法实现寻优.该算法在种群空间采用粒子群优化算法实现粒子进化;通过构建上层信度空间来挖掘进化过程中优势粒子的隐含信息,并以知识形式加以保存;最终通过影响函数,使知识作用于种群空间实现对粒子进化的引导.面向一个典型通风网络结构与其他智能优化方法优化结果比较可知,基于该算法获得的调风方案具有较小的总能耗,且能满足通风网络的需风量需求.     

基于在线归档技术的多目标粒子群算法

提出一种基于在线归档技术的新型多目标粒子群优化算法. 使用外部集归档,在归档粒子中采用适应值共享技术选出全局最优位置,使得种群多样性得以维持;在粒子群的进化过程中,使用在线归档策略,将归档的粒子合理地引入下一代的种群,淘汰原种群中的不良粒子,从而保证进化过程中种群的优良性. 用Zitzler的两个多目标测试函数评价算法的性能. 结果表明,该算法能快速收敛到Pareto非劣最优目标域,并且解集沿着Pareto非劣最优目标域有很好的扩展性.     

多种进化算法混合解决约束工程优化问题研究

针对单一进化算法不适合解决所有优化问题的情况,提出了一种混合多种进化算法解决约束工程优化问题的算法.该算法混合了差分进化、粒子群优化和共生生物搜索等3种算法,首先利用差分进化算法产生和选择最优种群,然后利用粒子群优化算法寻找每一个最优解并进行更新,最后利用共生生物搜索算法对所有种群进行共生互动更新,选择出最优种群以进行...     

采用精英学习的粒子群差分混合算法

为解决粒子群算法早熟收敛的问题,提出一种融合混沌和差分进化的粒子群优化算法(CPSODE).算法采用具有较大李雅普诺夫系数的无限折叠迭代混沌映射对种群进行初始化,在算法迭代过程中,引入种群进化因子判断算法状态,根据算法停滞状态对早熟粒子个体进行差分操作以维持种群的多样性,对精英粒子采用柯西变异学习策略,使粒子具备跳出局部最优的动量.针对CEC2005函数进行了测试并与多种算法进行了比较,仿真结果表明所提算法具有较高的求解精度,收敛速度快,寻优性能好.     

云计算环境下基于改进离散粒子群的并行调度算法

针对云计算环境下的任务调度优化问题和传统离散粒子群优化(DPSO)算法早熟、精度低等缺点,提出了一种适合云计算环境下动态调整惯性权重因子的方法,并给出了云计算环境下改进后的离散粒子群优化算法.该算法能快速确定合适的并行任务分配方案,使其达到调度长度最短的优化目标.仿真结果表明:文中改进的DPSO算法的收敛性、前期全局搜索和后期局部探索性能均优于传统的DPSO算法和遗传算法;在任务数较大的情况下,采用改进DPSO算法的并行任务调度算法的调度长度明显优于采用传统DPSO算法和遗传算法的并行任务调度算法.     

基于混沌搜索的简化粒子群优化算法

针对带有收缩因子的粒子群优化算法(CFPSO)容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,采用简化粒子群优化(sCFPSO)方程与混沌搜索技术相结合的方法,提出了基于混沌搜索的简化粒子群优化(CsCFPSO)算法.该算法利用分段线性混沌映射(PWLCM)的遍历性和类随机性来完成混沌搜索,从而加快sCFPSO算法跳出局部极值点而继续优化.经过6个经典测试函数对该算法进行实验,结果表明其对于粒子群优化具有很好的使用价值,它可以准确地消去局部极值,确保收敛速度和精度,该算法是通过缩小种群数和进化代数来实现的.     

基于优化DPSO算法的云平台任务调度研究

为提升离散粒子群优化算法(discrete PSO,DPSO)的全局收敛性和收敛效率,提出一种基于适应值的分段自适应惯性权重.根据粒子在空间搜索过程中适应度值的大小,将粒子的搜索性能分为4个状态区,粒子处于不同的状态区,拥有不同的惯性权重值.当粒子当前的适应值接近粒子群中最优粒子的适应值时,应赋予粒子较小的惯性权重值,反之,应赋予粒子较大的惯性权重值.通过动态调整粒子所处各个阶段的搜索状态,来加速粒子向全局最优解收敛.提升DPSO算法的全局搜索性能,并将优化的DPSO算法应用于云平台的任务调度.仿真实验表明,优化后的DPSO算法具有高效的全局搜索性能,能快速地为云平台提供最佳任务调度策略.     

多目标柔性作业车间调度的多交叉策略元胞进化算法*

针对经典Job-shop调度问题的局限性,构建了以加工成本、瓶颈机器负荷、机器总负荷及制造工期为目标函数的柔性作业车间调度多目标优化模型,提出了基于多交叉策略的元胞多目标遗传算法。在分析优化模型的基础上,使用双层编码方式,并采用多个交叉算子协同进化,提出一种多交叉策略的进化算子。针对元胞多目标遗传算法的特点,提出一种改进的精英策略,保证更多的精英个体参与进化,从而提升算法收敛速度。通过2个基准实例求解对比分析,表明所提方法的有效性。将新算法应用于实际生产企业的车间调度问题中,得到了一组Pareto解集,并采用层次分析法得到一种满意度最大的方案。数据结果表明,该算法在解决多目标FJSP的工程有效性。     

含运输时间的柔性作业车间调度问题研究

在工厂实际生产中,零件加工的运输时间占整个加工时间的比例是很大的,这个时间在生产调度时不可忽略。为了更合理的研究柔性作业车间调度问题,将运输时间考虑进调度模型之中,并在经典遗传算法的基础上进行改进,设计了一种新的启发式规则算法,嵌入在遗传算法中,用于该问题的求解。通过计算结果的比较,证明此调度模型更符合实际生产情况。改进后的算法能够得出解的效率更高。     

基于目标级联法的作业车间调度的研究

作业车间调度是一种典型的组合优化问题，大规模的调度优化是该类问题的难点。本文针对求解大规模的车间调度问题的需要，基于层次性优化的目标级联法，建立一种带层次性的车间调度模型，并以由两个零件族制造单元组成的车间调度为例，验证所建立的车间调度模型。研究表明，基于目标级联法的车间调度模型为大规模车间分层调度问题解决提供一种有效方法，而且能根据加工时间和工件数量动态合理地分配各制造单元的机器数量和工件的加工路径。     

基于改进遗传算法的车间调度原型系统

为了提高遗传算法求解作业车间调度问题的初始解质量和简化遗传操作过程,提出基于幻方变幻的互换编码规则改进遗传算法;同时利用该算法基于.NET平台建立了车间调度问题和柔性车间调度问题的混合原型系统。实验结果表明:采用幻方变换的互换编码规则,提高了遗传算法的求解能力;基于该算法的原型系统实现方便,求解效率高,能够有效应用于作业车间调度系统的开发。     

求解柔性作业车间调度问题的免疫遗传算法

通过对柔性作业车间调度问题(FJSP)进行分析,借鉴生物免疫机理提出一种求解柔性作业车间调度问题的免疫遗传算法(IGA).该算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,通过抽取疫苗和接种疫苗等免疫机制,有效改善基本遗传算法的未成熟收敛和局部搜索能力差的不足,显著提高了基本遗传算法对全局最优解的搜索能力和收敛速度.仿真实例表明,免疫遗传算法能有效解决柔性作业车间调度问题.     

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.     

基于多Agent与遗传算法的柔性车间调度系统研究

为解决柔性车间调度自动化及优化问题,建立了基于多Agent及遗传算法的柔性车间调度系统。系统是一个由管理Agent,调度Agent及多个加工单元Agent组成,系统中通过遗传算法实现静态优化调度,而通过Agent之间的协作现实动态调度。加工任务到来时,先经管理Agent评估,接受后打包相应信息传递给调度Agent;调度Agent调用其面向对象遗传算法对任务进行优化分解并传递给各加工单元Agent;加工单元Agent根据调度Agent下达的任务进行加工,同时通过相互协调动态调整加工任务,以消除加工过程中出现的不确定性。示例运行表明所建立的系统可行,并兼有实用性,先进性和有效性。     

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。     

求解作业车间调度问题的粒子群优化算法

讨论了作业车间调度问题的数学表达模型,考虑将粒子群优化算法与差异演化算法的优点结合起来,提出求解作业车间调度问题的新的混合粒子群优化算法,对7个标准算例的仿真结果表明了算法的有效性和优越性.     

基于混合变邻域遗传算法的柔性车间调度研究

针对柔性作业车间调度的问题，以最大完工时间为目标建立数学模型，提出一种混合变邻域遗传算法。采用三种初始化方法保证初始解的质量，用遗传算法进行初步搜索，将搜索的结果通过迭代贪婪策略进一步搜索，以提高解的质量，再对关键路径进行邻域搜索，设计“跨机器工序搜索邻域”、“同机器工序搜索邻域”、“次优工序搜索邻域”三种邻域结构，加强局部搜索能力。引入迭代贪婪策略和改进的邻域结构可显著提高算法的稳定性与迭代速度。通过对国际通用的柔性作业车间调度基准算例进行测试，实验结果表明所提改进算法能够有效求解柔性作业车间调度问题。