求解聚类问题的混合粒子群优化算法

建立了聚类分析问题模型,结合遗传算法的思想提出的混合粒子群算法来解决聚类问题。该算法可 进一步改进,思路是利用K-均值方法的结果作为一个粒子。经过比较测试,4种粒子群算法的效果都比较 好,特别是交叉策略A和变异策略B的组合算法最好。     

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.     

基于熵的混合粒子群算法在柔性调度中的应用

为了更好地求解大规模柔性车间调度问题,提高柔性车间调度算法的寻优性能,提出一种基于熵的混合粒子群算法.该算法把粒子群算法、遗传算法和模拟退火算法相结合,同时用种群熵自适应调节惯性系数和变异概率,以增强算法的寻优能力和克服算法的过早收敛.典型实例仿真结果表明,该算法能更好地求解柔性车间调度问题,与传统的优化算法相比,在优化精度上具有明显的优越性.     

基于差分量子粒子群优化算法的作业车间调度

针对作业车间调度问题(job-shop scheduling problem, JSP)中存在的求解复杂程度高、动态性强等难题,提出基于差分特性的量子粒子群优化算法。量子粒子群算法引入量子机制克服了粒子群算法在全局收敛性上的不足,并采用差分进化思想对粒子状态进行更新,借助变异操作增大种群多样性,对早熟粒子进行交叉选择操作,防止个体收敛到局部极值,进一步采用多邻域搜索方法以提高算法的寻优速度。对FT、LA两类JSP算例进行求解,将所提算法与离散粒子群算法、遗传算法以及细菌觅食算法进行实验对比。结果表明,4种算法收敛到FL10算例理论最优解的时间分别为127、134.8、143.5以及141.3 s;而LA36算例的理论最优解为1 268,4种算法所得结果分别为1 294.6、1 457.4、1 374.3以及1 398,且所提算法收敛时间最短。仿真结果表明所提算法能以较快的收敛速度得到最优解,相比于其他算法,寻优速度和精度都有了明显提升。     

求解布局问题的混合萤火虫群优化算法

为了充分发挥萤火虫算法的优点,将人工萤火虫群优化算法与启发式策略相结合,设计了一个新的求解布局问题的高效萤火虫优化算法.实例测试和实验对比结果表明:相对于已有文献中的算法,提出的混合布局方法更加有效.     

一种求解项目调度中资源均衡问题的粒子群算法

针对资源受限下的项目资源均衡问题的自身特点,及其与传统资源受限项目调度问题的相似之处,设计了一种以优先值法作为粒子表达RLP问题的粒子群优化算法。选用并行进度生成机制,同时在将资源均衡转化成资源受限下项目调度问题的过程中,根据资源均衡本身的特点,对并行进度生成机制进行处理。最后结合算例进行仿真实验,验证了构建的资源均衡模型以及粒子群算法求解资源均衡问题的可行性。     

基于混合粒子群优化算法的机组负荷最优调度

粒子群优化(too)算法是一种现代启发式算法,提出一种基于混合粒子群优化算法的机组负荷的调度方法,该方法考虑了机组的经济性和安全可靠性.优化了机组的调度运行方式.     

基于粒子群优化算法的集群调度策略

针对集群调度问题的特点,设计了基于粒子群优化算法的调度策略.与传统backfill算法相比,粒子群优化算法对作业比较公平,能避免对大作业响应慢的缺点,使得调度策略在生成速度和精度上都有明显的提高.实验结果表明,该调度策略能较好地提高CPU利用率和缩短作业平均响应时间.     

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.     

基于粒子群优化的多处理器任务调度算法

对于NP(Non-Polynomial)完全问题,现有的算法主要是启发式算法,性能还有待提高。基于粒子群优化智能算法,提出一种新的任务调度算法,目标是在满足任务之间优先关系的条件下,使所有任务整体完成时间最小。算法将粒子位置和任务高度作为任务的优先级,通过表调度技术生成有效的调度方案,并将调度方案对应的调度长度作为粒子的适应值。首先随机产生一群粒子,然后通过使用全局模型的粒子状态更新策略不断迭代,获得可以接受的任务调度方案。仿真实验结果表明,与遗传算法相比,调度长度提高14.7%,运行时间缩短近一半,特别适合于求解规模较大的多处理器任务调度问题。     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,成功地运用于广泛的数值优化问题.PSO算法在求解高维复杂函数优化问题时容易陷入局部最优.有鉴于此,提出了一种基于信息熵的粒子优化算法.该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性.实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度.     

基于混合蛙跳粒子群算法的 TSP 问题求解

为提高粒子群算法求解TSP(Travelling Salesman Problem)问题的性能, 在算法搜索初期, 将混合蛙跳算法和 粒子群算法相融合, 针对初始粒子群随意性大、 粒子分布不均的问题, 利用混合蛙跳算法的分组策略将种群分 组, 采用改进的蛙跳更新公式优化次优个体, 并抽取各层次个体得到新种群, 从而提高最优个体的获得速度; 在算法后期, 引入3 重交叉策略和基于疏密性的引导变异操作, 解决粒子多样性降低、 易陷入局部最优的问题。 利用改进算法求解 TSP 问题, 并与其他算法进行对比。 结果表明, 改进算法是有效的且性能优于其他算法。     

基于粒子群与人工鱼群混合算法的TSP求解模型

传统的群智能算法不断被优化和改进,但由于传统单纯算法的固有缺陷和局限性很难从根本上去除,因此衍生出许多群智能混合算法。针对人工鱼群算法(AFSA)收敛速度慢及粒子群算法(PSO)全局收敛性差的缺陷,提出了一种新的粒子群与人工鱼群的混合算法。算法以人工鱼群算法为基础,将粒子群算法的线性递减惯性权重策略引入到人工鱼群算法中,对人工鱼进行编码处理以及动态改变人工鱼个体的视野,使之形成新的粒子群人工鱼群混合算法(PSO-AFSA)。完成算法融合并将混合算法应用于旅行商(TSP)问题。仿真结果表明:与传统的人工鱼群算法和粒子群算法相比,该混合算法全局收敛性效果更好,收敛速度更快。     

基于量子粒子群优化算法的Web服务组合问题

使用量子粒子群优化算法（QPSO）,将可能的web服务工作流执行路径看作粒子,按照QPSO算法进行进化,从而解决了基于服务质量（QualityofService,qos）~束的Web服务组合问题,此为解决Web服务组合问题提出了一种新的思路．实验表明,使用QPSO算法求解复杂web服务组合问题在组合时间上具有一定的优越性．     

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。     

基于粒子群的多目标多执行模式项目调度

聚焦多目标多执行模式特点下的项目调度问题,通过建立工期、费用、资源和质量多目标函数,构建综合优化模型,同时运用粒子群算法解决工程项目多目标多执行模式优化问题.最后,通过一个应用实例计算,表明粒子群算法可以准确快速地解决该模型下的工程项目多目标优化问题,达到了项目调度中面对不同模式进行抉择,并且缩短工期、减少成本、均衡资源以及提升质量的综合的理想效果.     

一种改进的求解TSP的粒子群算法

针对粒子群算法解决离散问题时效率较低的问题,提出一种改进算法,通过置换序列实现粒子位置和速度的更新.用TSP问题库内的基准问题进行仿真实验,证明了该算法是有效的.     

基于离散粒子群优化的MPSoC节能调度算法

为了降低多核片上系统MPSoC在应用中的能耗,在MPSoC上提出了基于优化离散粒子群算法的节能任务调度算法.通过比例选择算子生成初始种群,以任务在MPSoC上不同内核执行的能耗作为解空间,粒子群在整个解空间上搜索最低能耗调度方案,并在算法中优化了粒子群算法的局部早熟问题,使算法性能进一步提升.仿真实验表明:基于优化离散粒子群算法的节能调度算法与常用的3种调度算法相比,能耗得到了降低,且算法的截止期错失率并没有升高,保证了算法的整体性能.     

Binary Particle Swarm Optimization Based Hyper-Heuristic for Solving the Set-Union Knapsack Problem

The set-union knapsack problem(SUKP) is proved to be a strongly NP-hard problem, and it is an extension of the classic NP-hard problem: the 0-1 knapsack problem(KP). Solving the SUKP through exact approaches is computationally expensive. Therefore, several swarm intelligent algorithms have been proposed in order to solve the SUKP. Hyper-heuristics have received notable attention by researchers in recent years, and they are successfully applied to solve the combinatorial optimization problems. In this article, we propose a binary particle swarm optimization(BPSO) based hyper-heuristic for solving the SUKP, in which the BPSO is employed as a search methodology. The proposed approach has been evaluated on three sets of SUKP instances. The results are compared with 6 approaches: BABC, EMS, gPSO, DHJaya, b WSA, and HBPSO/TS, and demonstrate that the proposed approach for the SUKP outperforms other approaches.     

求解函数优化问题的自适应粒子群算法

本文提出了一种新的自适应粒子群优化算法(ASPO)。该算法利用种群多样性信息对惯性权重进行非线性的调整,并在算法的后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优点的束缚。将其应用于函数优化问题中,仿真结果表明APSO算法能有效的解决函数优化问题。