一种求解0-1背包问题的整数混沌粒子群优化算法

针对0-1背包问题(0-1KP)的特点,以经典的速度-位移模型为基础整数编码各粒子,以混沌序列指导全局搜索,以排列的改变描述粒子的飞行.更新粒子的位置,进而提出用于求解0-1KP的整数混沌粒子群优化(ICPSO)算法.该算法由于背包容量的限制,融入到编码和粒子飞行中,因而不会在进化中产生无效的粒子,从而提高了算法的求解效率.实验结果表明:ICPSO算法简明、有效,较典型遗传算法,及粒子群算法具有更好的收敛性能和求解速度.     

粒子群优化算法求解旅行商问题

首先介绍粒子群优化的搜索策略与基本算法, 然后通过引入交换子和交换序的概念, 构造一种特殊的粒子群优化算法, 并用于求解旅行商问题. 实验表明了在求解组合优化问题中的有效性.     

求解背包问题的一种改进粒子群优化算法

针对0—1背包问题,提出了一种改进的粒子群优化算法。在物品规模增大时,该算法能够有效寻找全局最优解,提高背包的空间利用率,降低背包的空置率。通过仿真实验表明,改进的粒子群优化算法在背包问题求解中具有更好的收敛性和稳定性。     

求解TSP问题的动态邻域粒子群优化算法

旅行商(TSP)问题是一个典型的NP问题.为了克服基本粒子群优化(PSO)算法在求解离散问题所具有的计算时间长和容易陷入停滞状态等问题,本文基于“簇”思想,对粒子间距离进行重新定义并给出了相应的动态邻域PSO算法.实验结果表明了新型算法在求解TSP问题中的有效性,同时提高了算法的性能,并具有更快的收敛速度.     

一种基于离散粒子群优化的贝叶斯分类算法

通过分析现有的贝叶斯分类算法属性过程中存在的问题,对属性选择实质进行研究和抽象,提出了基于离散粒子群的贝叶斯分类算法,使用离散粒子群优化搜索完成其属性选择过程。算法使用一个搜索过程完成属性子集的选择,有效地避免了属性选择过程中的主观因素,实验结果表明该算法能够搜索出更有"价值"的属性子集,有更高的分类精确度。     

一种改进的粒子群算法求解背包问题

针对传统的离散粒子群优化算法后期容易陷入局部收敛这一缺点,提出了一种新的离散粒子群算法,使用了新的运动方程来更新粒子的位置,并将贪心算法的思想引入粒子群优化算法中,在粒子的位置初始化的过程中,把采用贪心策略所得出的结果作为一个粒子的初始位置.用改进的算法求解背包问题,通过与其他文献中仿真实例的计算和结果比较,表明该算法在全局寻优能力和收敛性上都优于传统的粒子群算法.     

求解线性顺序问题的离散粒子群算法

提出一种优化线性顺序问题的简便的离散粒子群算法.该算法无需交换、交叉、变异、插入、删除等算子,仅需在每个粒子中存储每个元素在其解排列中的位置,而不是排列本身.将这些位置看成可以左右移动的,即每个粒子的速度是由其元素位置左右移动形成的,并用连续型的粒子群算法更新每个元素在其排列中的位置,然后用排序的方式确定各元素在排列中的相对位置即可.将该算法同基于交换算子的粒子群算法在标准线性顺序问题实例测试集LOLIB上进行比较,结果表明该算法具有强大的优势.     

离散粒子群优化算法研究综述

粒子群优化(PSO)算法最初是基于连续空间的优化,然而现实世界中许多问题是离散的,近年来其离散化策略和方法受到广泛的关注.本文简要介绍PSO算法的工作原理和粒子更新机制、算法参数的分析与设置,详细介绍PSO算法的三种常见离散化策略的机理及其粒子更新机制,阐述离散PSO算法的应用成果,最后对其未来的研究方向进行展望.     

一种离散型多目标粒子群优化算法

为获得更好的非劣前端,提出一种离散型多目标粒子群优化算法。该算法根据离散型多目标优化问题的特点,将种群分成多个子种群,在各个子种群中利用表现型共享的适应度函数选择每个子种群的最优粒子。通过多个最优粒子的引导,使整个种群分布更均匀,避免陷入局部最优,保证了解的多样性。实验表明了该算法的有效性。     

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。     

微粒群优化算法研究

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种启发式全局优化技术.通过介绍微粒群优化算法的原理、算法流程、算法参数及其对算法性能的影响,给出了各种改进的微粒群算法形式以及研究现状,归纳了微粒群算法的国内外应用进展及研究方向.     

求解一类不可微优化问题极大熵微粒群混合算法

针对一类不可微优化问题,本文提出了一个新的算法—极大熵微粒群混合算法.首先利用极大熵方法把带约束的不可微优化问题转换成无约束的单目标最优化问题,然后利用微粒群算法对其进行求解.利用4个测试函数对其进行测试并于其它算法进行比较,计算结果表明,本文提出算法在求解的准确性和有效性方面均优于其它算法.     

基于离散粒子群算法的近似最大连通分量抽取

无向图中的最大连通分量抽取(Maximum Clique Problem,MCP)是一种具有重要应用价值的组合优化问题,已被证明属于NP问题．传统的深度优先、分枝限定等算法可以处理规模较小的MCP问题,所以提出处理大规模MCP问题的算法是非常必要的．粒子群优化算法是一种基于群智能的演化计算技术,离散粒子群算法(DiscretePSO)是其中解决离散编码的算法．提出了一种基于离散粒子群算法的近似连通图的抽取算法,通过定义连通图编码、合法随机初始化过程,编码校正算法使得DPSO能够解决最大连通图的抽取问题．为验证其效果及效率,将该算法与RAClique进行了比较．实验结果表明,该算法在解决此类问题时,执行的速度受节点规模变化不大,效率略优于RAClique其他算法．     

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.     

差分演化的微粒群算法

针对基本粒子群算法易陷入局部极小点、搜索精度不高等缺点,在算法改进方面引用差分演化算法的变异操作提出了差分演化的PSO算法,并用matlab仿真证明该算法的可行性。     

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.